[发明专利]一种基于多源数据融合分析的旋转设备状态预警方法

说明书

本发明涉及设备状态的监测，具体说是一种基于多源数据融合分析的旋转设备状态预警方法，其包括建立被监测设备的层次模型；配置被监测设备各状态变量归一化规则；获取被监测设备多个传感器的感应信号，得到多源信号；证实上述多源信号，并剔除无效数据；将上述证实的多源信号按照上述层次模型和状态变量归一化规则进行状态融合量化；将上述状态融合量化的量化值与状态变量归一化规则对比，获得被监测设备的状态。本方法采用相关分析及等效分析方法对多源信号进行证实和无效数据的剔除，能有效的保证数据源的正确性和准确度。

技术领域

本发明涉及设备状态的监测，具体说是一种基于多源数据融合分析的旋转设备状态预警方法。

背景技术

旋转设备常用的状态预警方法有状态特征分析法、概率模型分析法、状态分类法、状态预测法等几种。状态特征分析法一般通过故障机理建模提取状态特征，优点是设备异常判据明确，可准确判断设备状态，状态预警准确率高；缺点是特征建模难度大，尤其是监测设备对象具有强非线性时效果极差。概率模型法是依据设备不同状态下概率分布实现状态预警，优点是无需定义故障预警阂值，缺点是需要通过大量的试验获取异常状态分类特征。状态分类法是利用正常状态分布范围实现故障预警，优点是仅需正常状态历史数据，数据获取容易，缺点是常见分类算法复杂且结果具有一定的随机性。状态预测法是通过预测当前状态或者将来状态实现状态预警，该预警方法预测的效果对数据依赖性强，且计算量大不易于投入实际应用。

然而，从设备模型上分析，一个设备的状态可以由其子设备的状态表征；一个子设备的状态则可以由其子部件的状态表征；而一个子部件的状态则可以由安装在该部件上的各类传感器状态表征；因此，一个设备的状态可以由该设备所有部件上安装的传感器状态来表征。从这点上分析，采用多数据源(传感器)对设备进行状态评价和预警有效可行。从工业应角度出发，设备模型简易化、运算量小、预警结果切合实际设备运行工况是设备状态预警的终极目标，而设备状态数据源头来自各类传感器，因此如何保障传感器的数据正确性是状态预警的前提。

发明内容

针对上述技术问题，本发明提供一种适用的、可信的设备状态量化模型和多源数据融合分析的旋转设备状态预警方法，对设备实施状态预警，以提高设备状态报警的准确性、保障设备的运行安全性。

本发明采用的技术方案是：一种基于多源数据融合分析的旋转设备状态预警方法，其包括以下步骤：

(1)建立被监测设备的层次模型；

(2)配置被监测设备各状态变量归一化规则；

(3)获取被监测设备多个传感器的感应信号，得到多源信号；

(4)证实上述多源信号，并剔除无效数据；

(5)将上述证实的多源信号按照上述层次模型和状态变量归一化规则进行状态融合量化；

(6)将上述状态融合量化的量化值与状态变量归一化规则对比，获得被监测设备的状态。

作为优选，以a＝(b1,b2,b3)表示上层设备由子设备b1、b2、b3组成的模型，建立被监测设备的以下层次模型：

D＝(SD1，SD2,SD3，….SDm)

SDi＝(P1,P2,P3,…Pn)

Pi＝(V1,V2,V3,..Vr)

其中，D表示设备，SDi表示第i个子设备，Pi表示第i个子部件，Vi表示i个传感器。

作为优选，对于被监测设备的状态变量x，根据标准设置或挖掘的门限值，配置以下归一化基数：

并按照归一化方法，计算得到以下各状态变量的量化曲线：

1)正常区，