[发明专利]一种用于旋转类设备的故障时间预测方法

权利要求书

1.一种用于旋转类设备的故障时间预测方法，其特征在于，包括以下步骤：

S1：获取旋转设备的历史运行数据；

S2：对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；

S3：基于各个关键因子构建并训练对应的单因子预测模型；

S4：对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；

S5：基于设备健康趋势预测模型进行旋转设备的故障时间预测。

2.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S1中，获取到旋转设备的历史运行数据后，对运行数据进行滤波降噪处理。

3.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：历史运行数据包括振动、噪声和温度三方面的相关数据。

4.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S2中，通过对旋转设备进行工业机理分析，得到旋转设备各个运行数据的关键指标，并基于关键指标确定对应的关键因子。

5.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S3中，首先对关键因子进行时序分析，然后基于时序分析的结果建立对应的ARIMA模型作为对应关键因子的单因子预测模型，并对各个单因子预测模型进行训练。

6.如权利要求5所述的用于旋转类设备的故障时间预测方法，其特征在于：进行时序分析时，基于各个关键因子选取对应的时间范围。

7.如权利要求5所述的用于旋转类设备的故障时间预测方法，其特征在于：建立单因子预测模型前，先将各个关键因子标准化至同一维度。

8.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S4中，首先对各个关键因子进行PCA主成分分析和因子分析，消除关键因子之间的相关性影响，并得到各个关键因子的影响权重，然后基于关键因子的影响权重对各个单因子预测模型进行融合，生成对应的设备健康趋势预测模型。

9.如权利要求1所述的用于旋转类设备的故障时间预测方法，其特征在于：步骤S5中，获取旋转设备的实时运行数据，并将实时运行数据输入设备健康趋势预测模型中，由设备健康趋势预测模型输出对应的故障预测时间。

10.如权利要求9所述的用于旋转类设备的故障时间预测方法，其特征在于：基于实时运行数据执行步骤S2至S4，以对设备健康趋势预测模型进行更新。