[发明专利]一种盾构机系统的润滑失效在线预测方法及系统

权利要求书

1.一种盾构机系统的润滑失效在线预测方法，其特征在于，所述方法包括：

获取传感器实时测量的数据；

对所述数据进行预处理；

对所述预处理后的数据进行特征提取和归一化处理；

对所述特征提取和归一化处理后的数据进行特征选择；

对所述特征提取和归一化处理后的数据进行特征选择具体包括：提取润滑正常情况下的多组特征量，当特征量组数大于等于100时，此类数据为正常情况数据，添加正常标签；提取润滑异常或者失效情况下的多组特征量，当特征量组数大于等于10时，此类数据为异常情况数据，添加异常标签；按照Fisher计算公式得出各个特征量对正常情况和异常情况差异性的贡献度；其中，P和Q为正常和异常两类情况，f_l为第l个特征，μ为特征向量的均值，σ为特征向量的方差；选取前10个贡献度最高的特征值作为用于建立润滑衰退模型的特征量；

基于特征选择后的数据建立润滑衰退逻辑回归模型；

对所述润滑衰退逻辑回归模型进行训练；

基于所述训练后的润滑衰退逻辑回归模型进行润滑失效预警。

2.根据权利要求1所述的盾构机系统的润滑失效在线预测方法，其特征在于，对所述数据进行预处理包括：

数据时间同步、工况分割以及数据清洗。

3.根据权利要求2所述的盾构机系统的润滑失效在线预测方法，其特征在于，所述方法在对所述数据进行预处理之后还包括：

获取工况信息；所述工况包括：工况1：非工作状态；此状态下无需监测；工况2：无负载工作状态；此状态下降低监测频率至30分钟一次；工况3：有负载工作状态；此状态下提高监测频率至5分钟一次；

基于所述工况信息判断是否进行后续步骤处理。

4.根据权利要求3所述的盾构机系统的润滑失效在线预测方法，其特征在于，基于所述工况信息判断是否进行后续步骤处理具体包括：

判断当前工况处于哪种工况；

当处于工况1时，不进行后续步骤处理；

当处于工况2和工况3时，进行后续步骤处理。

5.根据权利要求1所述的盾构机系统的润滑失效在线预测方法，其特征在于，对所述预处理后的数据进行特征提取具体包括：

按照污染度颗粒尺寸的大小对原始的污染度传感器通道测量值进行聚合获得二次特征；

对原始数据进行求和；

对原始数据进行平均值计算。

6.根据权利要求1所述的盾构机系统的润滑失效在线预测方法，其特征在于，对所述润滑衰退逻辑回归模型进行训练具体包括：

获取训练样本；所述训练样本为10个贡献度最高的特征值；

基于所述训练样本对所述润滑衰退逻辑回归模型线性化处理；其中，Y_i为第i个样本的对应的输出结果，即归一化之后的健康度数值，取值范围为[0,1]，β₀,β₁是逻辑回归模型相关参数，X_i是连续的输入特征向量；

根据k组训练样本数及基于牛顿-拉夫森迭代算法求解所述润滑衰退逻辑回归模型公式，得到β₀、β₁数值。

7.一种盾构机系统的润滑失效在线预测系统，其特征在于，所述系统包括：

数据获取模块，用于获取传感器实时测量的数据；

预处理模块，用于对所述数据进行预处理；

特征提取和归一化处理模块，用于对所述预处理后的数据进行特征提取和归一化处理；

特征选择模块，用于对所述特征提取和归一化处理后的数据进行特征选择；

所述特征选择模块用于提取润滑正常情况下的多组特征量，当特征量组数大于等于100时，此类数据为正常情况数据，添加正常标签；提取润滑异常或者失效情况下的多组特征量，当特征量组数大于等于10时，此类数据为异常情况数据，添加异常标签；按照Fisher计算公式得出各个特征量对正常情况和异常情况差异性的贡献度；其中，P和Q为正常和异常两类情况，f_l为第l个特征，μ为特征向量的均值，σ为特征向量的方差；选取前10个贡献度最高的特征值作为用于建立润滑衰退模型的特征量；

润滑衰退逻辑回归模型建立模块，用于基于特征选择后的数据建立润滑衰退逻辑回归模型；

训练模块，用于对所述润滑衰退逻辑回归模型进行训练；

润滑失效预警模块，用于基于所述训练后的润滑衰退逻辑回归模型进行润滑失效预警。