一种基于历史数据的装备健康评估及退化趋势分析方法与流程

本发明涉及数据分析，具体为一种基于历史数据的装备健康评估及退化趋势分析方法。

背景技术：

1、智能制造装备在运行过程中，其性能和健康状况会逐渐退化，为了保障装备的正常运行和延长使用寿命，对装备的健康状况进行评估和退化趋势分析显得尤为重要。

2、然而，现有的评估方法通常基于实时的故障数据，无法全面反映装备的历史运行状况，因此难以准确预测装备的退化趋势。

3、因此，现在急需一种基于历史数据的装备健康评估及退化趋势分析方法，能进行多维度的装备健康评估，且能提高退化趋势分析的准确度。

技术实现思路

1、本发明意在提供一种基于历史数据的装备健康评估及退化趋势分析方法，能进行多维度的装备健康评估，且能提高退化趋势分析的准确度。

2、本发明提供如下基础方案：一种基于历史数据的装备健康评估及退化趋势分析方法，包括如下内容：

3、s1、周期性采集装备的数据；

4、s2、对数据进行预处理；

5、s3、从预处理后的数据中提取出特征数据；

6、s4、构建装备健康评估模型，装备健康评估模型根据提取出的特征数据，对装备的健康状况进行分析评估，生成健康评估值；

7、s5、根据装备所有的健康评估值，采用第一退化趋势分析模型，分析预测装备的退化趋势，生成第一退化趋势结果；第一退化趋势分析模型，通过装备所有的健康评估值，分析预测装备的退化趋势，生成第一退化趋势结果；

8、s6、根据装备最新的特征数据，采用第二退化趋势分析模型，分析预测装备的第二退化趋势；第二退化趋势分析模型，根据相似装备的退化数据训练得到；第二退化趋势分析模型，根据装备最新的特征数据，分析预测装备的退化趋势，生成第二退化趋势结果；

9、s7、判断第一退化趋势结果和第二退化趋势结果的差值是否属于预设差值范围，若是，则执行s8或s9；

10、s8、融合第一退化趋势结果和第二退化趋势结果，生成最终退化趋势结果，并输出；

11、s9、将第一退化趋势结果作为最终退化趋势结果，并输出。

12、进一步，所述s7，还包括，若否，则执行s10；

13、s10、判断第一退化趋势结果的退化速度是否大于第二退化趋势结果的退化速度，若是，则执行s11，若否，则执行s12；

14、s11、分析退化加速的原因，生成减缓退化加速的维护方案；

15、s12、分析退化减缓的原因，生成运行维护参考建议。当第一退化趋势结果和第二退化趋势结果的差值不属于预设差值范围，则说明两者差距过大，因此要具体分析差异原因，对应生成减缓退化加速的维护方案或运行维护参考建议，基于退化趋势结果制定的维护方案或运行维护参考建议更具针对性和实效性，有助于降低维护成本和提高装备的运行效率。

16、进一步，所述s11和s12，包括：

17、调取装备和相似装备在相同时间长度内的相关数据，对比相关数据，获取相关数据的差异，分析差异和装备当前健康评估值的关联度；其中相关数据，包括：使用记录、使用过程的参数设置、使用过程采用的材料；

18、判断关联度是否大于预设关联度值，若是，则判定差异原因和相关数据有关；

19、根据相关数据生成对应的减缓退化加速的维护方案或运行维护参考建议。

20、进一步，所述周期性采集装备的数据，包括：运行数据和故障数据；

21、运行数据，包括：工作时间、振动信号、工作效率和工作环境信息中的一种或多种。

22、进一步，所述装备健康评估模型，包括：若干目标适应度函数；

23、每一个目标适应度函数，对一个特征数据进行计算，获取其对应的评分值；

24、根据评分值，进行加权计算，生成健康评估值。

25、进一步，所述装备健康评估模型为装备健康评估神经网络模型，用于根据特征数据，生成健康评估值；其中装备健康评估神经网络模型为一监督学习模型，包括输入层、隐层和输出层，以特征数据作为输入，输出为根据特征数据评估的装备的健康评估值。

26、进一步，所述第一退化趋势分析模型为基于健康评估值的退化趋势分析神经网络模型，用于根据健康评估值，生成第一退化趋势结果；

27、其中基于健康评估值的退化趋势分析神经网络模型，采用lstm模型，根据输入的时间点和健康评估值的时间序列预测未来m个时间点的健康评估值；根据时间序列和预测的未来m个时间点的健康评估值绘制第一退化趋势图，横轴表示时间步长，纵轴表示健康评估值，作为第一退化趋势结果。

28、进一步，所述相似装备为与装备为相同型号的装备，若存在多个相似装备，则计算装备和相似装备的所有特征数据对应的相似度，获取相似度最高的相似装备的历史最终退化趋势数据，作为与装备的相似装备的退化数据；

29、或者，根据所有相似装备的历史最终退化趋势数据，求取平均值，形成历史平均退化趋势数据，作为与装备的相似装备的退化数据；

30、根据特征数据对应的健康评估值，确定相似装备的退化数据中相同健康评估值的数据点，将数据点后的退化趋势，作为第二退化趋势结果装备。

31、进一步，所述融合第一退化趋势结果和第二退化趋势结果为取融合第一退化趋势结果和第二退化趋势结果的平均值。

32、本方案的有益效果：本方案周期性采集装备的数据，数据包括运行数据和故障数据，从多维度采集装备的数据，通过全面考虑装备的数据，能够更准确地评估装备的健康状况和预测退化趋势；

33、对数据进行预处理，从预处理后的数据中提取出特征数据，提取的关键特征指标具有代表性，能够反映装备的主要健康特征和退化规律；

34、构建装备健康评估模型，装备健康评估模型根据提取出的特征数据，对装备的健康状况进行分析评估，生成健康评估值，从而完成装备健康评估；

35、根据装备所有的健康评估值，采用第一退化趋势分析模型，分析预测装备的退化趋势，生成第一退化趋势结果；第一退化趋势分析模型，通过装备所有的健康评估值，分析预测装备的退化趋势，生成第一退化趋势结果；根据装备最新的特征数据，采用第二退化趋势分析模型，分析预测装备的第二退化趋势；第二退化趋势分析模型，根据相似装备的退化数据训练得到；第二退化趋势分析模型，根据装备最新的特征数据，分析预测装备的退化趋势，生成第二退化趋势结果；

36、两种退化趋势分析，第一种考虑装备自身变化情况，根据自身变化的情况进行后续变化的预测；第二种考虑同类型装备的整体变化情况，根据装备的相似装备的历史最终退化趋势数据，预测装备后续变化；第一种退化趋势分析的方式能适应不同的装备，根据装备自身情况，进行准确预测，但是考虑到装备变化可能出现突变，而后又正常退化，通过第一种方式无法应对突变情况，后续的预测会极大的受到突变的影响，预测的结果会保持突变的变化速度，导致预测出的退化趋势严重不符合实际情况；第二种退化趋势分析的方式能减少对装备突变的影响，遵循同类型装备的一般退化结果，但是即使是同类型装备其衰变也不会完全相同，因此第二种方式针对性较弱；

37、本方案中结合两种退化趋势分析的方式，分别进行两种方式的退化趋势分析，再通过判断第一退化趋势结果和第二退化趋势结果的差值是否属于预设差值范围，来确定退化趋势分析的准确性，若第一退化趋势结果和第二退化趋势结果的差值预设差值范围，则两种方式预测的退化趋势结果都相对准确，可以考虑直接采用第一退化趋势结果作为最终退化趋势结果，也可以考虑融合第一退化趋势结果和第二退化趋势结果，生成最终退化趋势结果，使得退化趋势分析结果更准确；

38、并且本方案中第一退化趋势分析模型是只考虑装备本身的数据，不受任何相似装备的数据影响，但是这样的情况下，如果装备发生突变对其退化趋势分析结果的准确性影响较大，而第一退化趋势分析模型采用lstm模型，理论上，训练lstm模型时，采用的输入时间序列涉及的时间越长，训练出来的lstm模型更准确，但是这样训练数据中包含突变的可能也会更高，进而影响第一退化趋势结果，因此本方案中对lstm模型进行训练时，构建了多时间尺度的训练集，训练出不同时间尺度的lstm模型，再根据训练集涉及的时间长度，在第一退化趋势结果和第二退化趋势结果差值过大，即第一退化趋势结果和第二退化趋势结果的差值不属于预设差值范围的情况下，逐一更新lstm模型，按时间依次减短，进行lstm模型的更新，再进行趋势分析以及和第二退化趋势结果的分析，从而减少突变点对第一退化趋势结果的影响，又尽可能保障第一退化趋势模型分析的针对性，进一步保障生成最终退化趋势结果的准确性。

39、综上所述，本方案能进行多维度的装备健康评估，且能提高退化趋势分析的准确度。