[发明专利]基于数据驱动的长期加电设备健康状态实时异常检测方法

说明书

本发明公开了一种基于数据驱动的长期加电设备健康状态实时异常检测方法，该方法包括如下步骤：步骤一：对长期加电设备采集到的加电设备数据，进行数据处理得到观测数据，将观测数据进行转换或增强处理，得到有效测量数据；步骤二：对步骤一中的有效测量数据进行降维处理得到降维处理后的数据，对降维处理后的数据采用随机森林模型和相关性分析选取重要变量；步骤三：根据步骤二筛选得到的重要变量通过时域特征提取以及频域特征提取得到寿命特征；对寿命特征进行平滑处理得到加电设备寿命特征；步骤四：根据步骤三中的加电设备寿命特征，采用基于多变量聚类与主成分分析的故障趋势预测算法得到故障因子；步骤五：根据步骤三计算得到的加电设备寿命特征,建立故障预测模型。本发明提高了预测准确性和模型的鲁棒性。

技术领域

本发明属于加电设备健康状态检测技术领域，尤其涉及一种基于数据驱动的长期加电设备健康状态实时异常检测方法。

背景技术

长期加电设备试验数据是某设备在运行过程中由不同传感器实时监测的各项数据，其中某些参数量直接或者间接关系到设备的运行状况。通过分析长期加电数据，构建出故障预测与健康管理系统(PHM)，以实时进行健康状态评估能够有效保障设备所在系统的正常运转。

数据驱动的长期加电数据健康状况实时监测的核心和基础在于故障诊断和预测技术。随着测试技术的迅速发展，尤其是测试信息采集、传输和存储能力的快速提高，目标对象系统可用的状态监测数据(含传感器数据)、测试数据、试验数据呈级数增长，由此，对于数据驱动的长期加电设备的PHM方法能够获得更多的支撑，其研究获得了越来越多的关注，多种新颖的算法、不同领域的应用拓展和深入等，使得数据驱动型长期加电设备的健康监测中获得了快速的发展。

数据驱动型长期加电设备的健康监测方法，通过对象系统的状态监测，从历史数据中认识或学习对象系统的健康/非健康行为，将原始监测数据转化为相关信息和行为模型，以对未来对象系统行为进行预测。机器学习和统计分析方法是数据驱动型长期加电设备的健康监测的主流算法，现有的健康检测方法存在预测准确性不够、模型的鲁棒性不够强的问题。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种基于数据驱动的长期加电设备健康状态实时异常检测方法，提高了预测准确性和模型的鲁棒性。

本发明目的通过以下技术方案予以实现：一种基于数据驱动的长期加电设备健康状态实时异常检测方法，所述方法包括如下步骤：

步骤一：对长期加电设备采集到的加电设备数据，进行数据清理、数据集成、数据变换以及数据归约得到观测数据，将观测数据进行转换或增强处理，得到有效测量数据；

步骤二：对步骤一中的有效测量数据进行降维处理得到降维处理后的数据，对降维处理后的数据采用随机森林模型和相关性分析选取重要变量；

步骤三：根据步骤二筛选得到的重要变量通过时域特征提取以及频域特征提取得到寿命特征；对寿命特征进行平滑处理得到加电设备寿命特征；

步骤四：根据步骤三中的加电设备寿命特征，采用基于多变量聚类与主成分分析的故障趋势预测算法得到故障因子H(i′)；

步骤五：根据步骤三计算得到的加电设备寿命特征，建立故障预测模型。

上述基于数据驱动的长期加电设备健康状态实时异常检测方法中，在步骤一中，加电设备数据包括振动数据、环境数据、电气数据。

上述基于数据驱动的长期加电设备健康状态实时异常检测方法中，在步骤二中，使用主元分析对有效测量数据进行降维处理，从多变量中筛选出少数对故障有影响的变量，并尝试在可视化较低维度进行观察以及聚类处理。其中，较低维为2至3维。

上述基于数据驱动的长期加电设备健康状态实时异常检测方法中，在步骤二中，随机森林变量重要性主要的量化分类方法包含利用基尼指数或者袋外数据错误两种评价指标。