[发明专利]一种设备健康评估方法、评估系统以及设备健康预测方法

权利要求书

1.一种设备健康评估方法，其特征在于，包括：

S1、在各振动采集时刻同步采集待评估设备上不同振动采集位置的振动数据，并在各温度采集时刻同步采集该设备上不同温度采集位置的温度数据；

S2、对所有所述温度数据进行均值计算，计算结果作为评估补偿因子；

S3、基于所有所述振动数据，采用已训练的振动评估状态模型，评估得到由各评估状态下的数据样本条数所构成的评估状态向量，将所述评估状态向量中各评估状态对应的概率密度之间加权平均，并采用所述评估补偿因子补偿所述加权平均的结果，得到评估值，完成设备健康评估；

所述S2包括：

对每个温度采集位置下由所有温度采集时刻采集构成的一组温度数据进行标准化处理，其中，将该组温度数据中小于标准值的温度数据转换为0、大于报警值的温度数据转换为1以及介于所述标准值和所述报警值之间的温度数据转换为第一差值与第二差值的比值，所述第一差值为该温度数据和所述标准值的差值，所述第二差值为所述标准值和所述报警值的差值；

对每个温度采集时刻下各温度采集位置的所述标准化后的温度数据之间取平均值，得到该温度采集时刻下的温度数据补偿值；

将每个温度采集时刻下的所述温度数据补偿值与该温度采集时刻下的建议补偿值相乘，并取各该乘积间的平均值作为所述补偿因子。

2.根据权利要求1所述的一种设备健康评估方法，其特征在于，相邻两个所述温度采集时刻的时间间距为秒级，相邻两个所述振动采集时刻的时间间距为毫秒级；

所述S1还包括：对所有所述温度数据清洗去噪；对所有所述振动数据清洗以去除异常值。

3.根据权利要求1所述的一种设备健康评估方法，其特征在于，所述振动评估状态模型为通过基于设备振动数据训练集对CatBoost模型训练而得到。

4.根据权利要求1所述的一种设备健康评估方法，其特征在于，在所述振动评估状态模型的训练过程中，采用萤火虫算法，将模型学习率参数以及树的最大深度参数构成一个向量，该向量代表萤火虫的位置，定义目标函数，该目标函数的输入为所述萤火虫的位置、输出为振动评估状态模型的评价标准，通过迭代计算，同步得到所述学习率参数以及所述树的最大深度参数的最优解。

5.根据权利要求1所述的一种设备健康评估方法，其特征在于，所述S3中，将所述评估状态向量中各评估状态对应的概率密度加权平均之前，根据所述评估状态向量中每种评估状态的概率密度以及模型诊断误差率，从所述评估状态向量中过滤掉部分评估状态及其对应的数据样本条数，得到新的评估状态向量。

6.根据权利要求1所述的一种设备健康评估方法，其特征在于，所述S3中，采用所述评估补偿因子补偿所述加权平均的结果，具体为：将所述评估补偿因子与所述加权平均的结果相加，以进行修正；

在所述加权平均中，每个评估状态对应的权重为：所述评估状态向量中该种评估状态的数据样本条数与总数据样本条数的比值；或者，采用基于模糊隶属度的加权平均法确定。

7.根据权利要求1至6任一项所述的一种设备健康评估方法，其特征在于，所述基于所有振动数据，采用已训练的振动评估状态模型，得到评估状态向量，具体为：

采用局部异常因子算法对所有振动数据清洗，并采用局部均值分解算法对清洗后的振动数据进行特征提取，得到振动特征评估集；基于振动特征评估集，采用已训练的振动评估状态模型，得到评估状态向量。

8.一种设备健康评估系统，其特征在于，包括：

数据采集与处理模块，用于执行如权利要求1至7任一项所述的一种设备健康评估方法中的S1；补偿因子计算模块，用于基于所述数据采集与处理模块得到的所有温度数据，执行如权利要求1至7任一项所述的一种设备健康评估方法中的S2；设备健康评估模型，用于基于所述数据采集与处理模块得到的所有振动数据以及所述补偿因子计算模块得到的评估补偿因子，执行如权利要求1至7任一项所述的一种设备健康评估方法中的S3。