[发明专利]基于自学习收敛故障知识库的设备故障预测方法及其应用

权利要求书

1.基于自学习收敛故障知识库的设备故障预测方法，其特征在于：

通过监控机电设备关键零部件的多维状态信息，通过对TB级样本监控数据离线分析，基于机理判断下，进行动态阈值判断，判断是否为异常信号，其中，所述多维状态信息包括振动、位移、温度、噪声和电流的信息；

若存在异常信号，则启动监控设备，回溯数个周期，判断其是否具有周期性；

若无周期性，则结束；

若存在周期性，判断为故障信号；

将故障信号与故障模型库进行对比；

若为已知模型，则进行离线收敛分析，与故障知识库进行对比，提出故障建议；

若故障模型库中无相关模型，则对未知模型进行模型编码，经过人工复核，确定是否为已有故障；

若故障已存在，则对故障信息进行修正融合；

若为新故障，则建立新故障的故障信息，基于神经网络并用遗传算法优化算法对新的故障信息进行离线收敛分析；

当准确率大于或等于阈值时，则将故障存入故障知识库；当准确率小于阈值时，则退回故障模型库等待训练；

遗传算法优化神经网络的方法为，基于TB级离线样本数据，分析并提取关键零部件的产生故障时的特征，利用主观权重、客观权重组合，进行故障模型库到故障知识库的收敛分析，经多次自学习训练后，记录在故障知识库中，其提取的特征包括幅值、特征频率、多尺度排列熵；

所述故障知识库的建立过程包括：

首先对于多维传感器信号进行数据提取TB级离线数据，然后针对不同零部件的不同的特征信号作特征提取，通过经验和人工验证，确定报警阈值及其相应的偏差预警；在基于模型、基于信号、基于知识与经验和基于大数据的统计方法分析，利用神经网络构建特征信号与零部件健康度的映射关系，对零部件的健康度给出预兆评估，并提出建议；整个设备故障预测方法的模型及其数据库离线存储于故障知识库中，通过显示设备进行信息显示；

遗传算法优化神经网络训练的权值和阈值的过程包括：

(1)编码，生成初始种群：

当神经网络规模大于规模预设值，用实数编码，即将一个实数直接作为一个染色体的一个基因位；编码串包括四部分：隐含层与输入层连接权值、输出层与隐含层连接权值、隐含层阈值、输出层阈值；将网络的权值和阈值按预定的顺序级联起来，形成一个实数数组，作为遗传算法的一个染色体；遗传操作在这样的染色体群中进行；

(2)评价函数：

遗传算法在进化搜索以适应度数为依据，利用种群中每个染色体的适应度值搜索；神经网络的评估标准就是MSE越小越好；

(3)执行遗传操作：

选择操作采用排序选择方法；根据每个个体适应度值的大小，由小到大排列，然后根据每个个体的相对适应度值的大小，按照适应度比例选择法计算个体的选择概率；交叉操作采用单点交叉，变异操作采用均匀变异；然后计算当前群体中每个染色体的适应度值，找出当前最优适应度值的个体，反复迭代，直到满足条件为止；若达不到条件，则以指定的最大遗传代数为终止计算准则；

(4)获得神经网络的初始权值和阈值：

经过遗传运算，得到神经网络误差最小的一组完整初始权值和阈值；

(5)执行神经网络过程。

2.如权利要求1所述的基于自学习收敛故障知识库的设备故障预测方法在自动扶梯故障预测上的应用，其特征在于：将如权利要1所述的基于自学习收敛故障知识库的设备故障预测方法用于对自动扶梯进行故障预测。

3.如权利要求2所述的自动扶梯故障预测上的应用，其特征在于：

自动扶梯的关键零部件包括驱动主机、主驱动轮、梯级链张紧轮、制动器、梯级、扶手带、电机、减速器；

监控的内容包括：

驱动主机的振动与位移；

主驱动轮的振动、位移、噪音；

梯级链张紧轮的振动、温度、噪音；

制动器的位移；

梯级的振动、位移；

扶手带的噪音、温度；

电机的振动、噪音、电流、温度；

减速器的振动、噪音、电流。

4.如权利要求3所述的自动扶梯故障预测上的应用，其特征在于：已存在的故障包括：

驱动主机的固定螺栓松动；

主驱动轮的轴承故障；

梯级链张紧轮的轴承故障；

制动器制动距离故障、溜梯距离故障；

梯级的梯级故障；

扶手带的扶手带温度故障；

电机的转子故障、轴承故障、电机功耗故障；

减速器的齿轮故障、轴承故障。