一种装备健康评估方法、存储设备及终端

技术领域

本发明属于装备维修保障领域，具体涉及一种装备健康评估方法、存储设备及终端。

背景技术

健康管理概念于20世纪80年代后期到90年代被引入到装备维修保障领域。随着人们对装备质量管理研究的深入，形成了早期的全面质量管理概念，即一种基于过程的可靠性改进方法。最初，人们主要利用传感器和软件监测装备的“健康”，但不久工程师们便发现仅仅监控是不够的，关键是根据所监控的参数采取什么措施，因此人们用“管理”一词取代“监控”。装备健康状态评估是装备健康管理系统的一项重要功能，对装备的健康状态作出正确的评估，不仅能为装备的故障预测和维修决策提供依据，而且能为装备的精确化维修提供技术支持。然而目前大部分系统的的状态检测和日常检修仍然偏重于对已经发生的故障的诊断和检修，对于故障的早期检测尚且缺乏适用方法和技术，为了提高效率，降低生产运营成本，保证运营安全，急需提供一种科学可行的健康评估方案。

另一方面，随着近年来机器学习和AI技术的不断发展，为故障预测与状态维修提供了丰富的框架和工具，使得健康管理成为可能而不仅仅局限于概念。结合实测先进的AI技术运用于健康管理已成为主流发展趋势。由国防工业出版社出版的，周林、赵杰、冯广飞编著的《装备故障预测与健康管理技术》一书中详细的介绍了多种健康评估技术，但这些方法都没有很好的利用人工智能工具，且往往依赖于过多的专家经验，使得具体实现存在阻碍。

发明内容

本发明的目在于提供一种装备健康评估方法、存储设备及终端，可得到装备的健康评估状态，为实现基于状态的维修决策提供支持。

本发明第一方面提供了一种装备健康评估方法，包括以下步骤：

S100、获取样本装备的无退化参数，所述无退化参数包括：样本装备正常运行且无性能退化阶段的指标特征参数和影响因素特征参数；

S200、根据所述无退化参数生成训练样本；

S300、根据所述训练样本训练并得到正常行为模型，所述正常行为模型包括：样本装备正常运行且无性能退化阶段的指标特征参数和影响因素特征参数之间的函数关系；

S400、获取待评估装备的实测指标特征参数和实测影响因素特征参数；

S500、将实测影响因素特征参数输入所述正常行为模型并得到预期指标特征参数；

S600、根据所述预期指标特征参数与所述实测指标特征参数得到待评估装备的健康评估结果。

在一种可行的方案中，在步骤S200中，具体包括以下步骤：

S210、对所述无退化参数进行分片处理，并得到若干个分片参数；

S220、根据所述若干个分片参数生成训练样本。

在一种可行的方案中，在步骤S220中，具体包括以下步骤：

S221、对所述若干个分片参数进行预处理，所述预处理包括：缺失值处理或异常值处理；

S222、根据预处理后的若干个分片参数生成训练样本。

在一种可行的方案中，在步骤S600中，具体包括以下步骤：

S610、根据所述预期指标特征参数与所述实测指标特征参数得到性能指标参数；

S620、获取性能指标参数的极限值，并根据所述性能指标参数和所述性能指标参数的极限值获取劣化度；

S630、确定装备健康等级数，并根据所述装备健康等级数获取隶属度分布函数；

S640、根据所述劣化度和所述隶属度分布函数获得各个装备健康等级下的隶属度向量；

S650、根据各个装备健康等级下的隶属度向量获取待评估装备的装备健康等级；

S660、根据待评估装备的装备健康等级得到待评估装备的健康评估结果。

在一种可行的方案中，在步骤S610中，具体为根据公式：

得到性能指标参数Δy，其中，

在一种可行的方案中，在步骤S620中，具体为根据公式：

或者公式：

或者公式：

中的一个公式获取劣化度u，

其中，Δy为性能指标参数，δ为性能指标参数的极限值，

k为调整系数，abs为绝对值函数。

在一种可行的方案中，在步骤S640中，具体为根据公式：

得到劣化度u对应的隶属于各个装备健康等级的隶属度向量g

在一种可行的方案中，在步骤S650中，具体为根据公式：

l＝{i|max(g

得到装备等级l，i为装备健康等级数，g

在一种可行的方案中，将步骤S600替换为：在多个维度下，依次重复步骤S100、S200、S300、S400、S500、S610、S620、S630和S640，以得到各个维度下的待评估装备的劣化度和隶属度向量；

并且，在重复动作完成之后，还包括以下步骤：

S700、根据各个维度下的待评估装备的劣化度和隶属度向量得到待评估装备的健康评估结果。

在一种可行的方案中，步骤S700中，具体包括以下步骤：

S710、根据多个维度下的劣化度获得权重向量；

S720、根据多个维度下的隶属度向量构建模糊判断矩阵；

S730、根据所述权重向量和所述模糊判断矩阵获得综合隶属度向量；

S740、根据所述综合隶属度向量获取待评估装备的装备健康等级；

S750、根据待评估装备的装备健康等级得到待评估装备的健康评估结果。

在一种可行的方案中，在步骤S710中，具体为根据公式：

得到权重w

并进一步根据公式：

{W}

得到权重向量{W}

在一种可行的方案中，在步骤S730中，具体为根据公式：

V＝WB

得到综合隶属度向量V，其中，W为权重向量，B为模糊评判矩阵。

在一种可行的方案中，在步骤S740中，具体为根据公式：

V＝[v

以及公式：

l＝{i|max(v

得到装备等级l，

其中，综合隶属度向量V，v

本发明第二方面提供了一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行如上述第一方面所涉及的任意一种可行方案中的装备健康评估方法。

本发明第三方面提供了一种终端，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如上述第一方面所涉及的任意一种可行方案中的装备健康评估方法。

本发明提供的装备健康评估方法、存储设备及终端，相对于现有技术，可以充分利用实测先进的AI技术对装备性能指标进行挖掘，为评价装备健康等级提供可靠数据支撑，而性能指标的“实时性”保证了评估结果是对实测实时状态的评估，而非仅仅通过统计规律得到的粗糙评估结果，从而为装备整体性能评价和早期故障预警提供有力依据。另一方面，正常行为模型的训练只需正常运行阶段的数据，而不需要大量的故障样本，使得数据更加容易获取，整个流程更易于实现。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一中的装备健康评估方法的流程图；

图2为本发明实施例一中步骤S600的具体流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例一，提供了一种装备健康评估方法的实施方法，该种方法为单指标情形下的装备健康评估，如图1所示，其具体步骤如下：

S100、获取样本装备的无退化参数，所述无退化参数包括：样本装备正常运行且无性能退化阶段的指标特征参数和影响因素特征参数；

S200、根据所述无退化参数生成训练样本；

S300、根据所述训练样本训练并得到正常行为模型，所述正常行为模型包括：样本装备正常运行且无性能退化阶段的指标特征参数和影响因素特征参数之间的函数关系；

S400、获取待评估装备的实测指标特征参数和实测影响因素特征参数；

S500、将实测影响因素特征参数输入所述正常行为模型并得到预期指标特征参数；

S600、根据所述预期指标特征参数与所述实测指标特征参数得到待评估装备的健康评估结果。

举例来说，将该装备健康评估方法用于评估驱动电机的使用寿命。

步骤S100可以为，以多台同型号的驱动电机为样本装备，并采集这些同型号的驱动电机的无退化参数，无退化参数是指驱动电机正常运行且无性能退化阶段的参数。由于设备运行过程中的参数较多，例如：电流、电压、转速、温度等，可预先根据业务逻辑及数据探索过程，确定指标特征参数和影响因素特征参数。举例来说，指标特征参数为运行公里数，影响因素特征参数为最大转速，无退化参数即包括运行公里数和最大转速。

步骤S200可以为，将运行公里数和最大转速通过计算机算法转化为适用于机器学习的训练样本。

步骤S300可以为，将这些训练样本输入机器学习模型，经过机器训练后，得到一个正常行为模型。即训练正常运行阶段，指标特征参数和影响因素特征参数之间的关系y＝f(x)，这里y为标量，代表指标特征参数，x为向量，代表影响因素特征参数，f为机器学习模型学得的函数，刻画了正常运行阶段x和y之间的对应关系。具体的模型可选用现有技术中的线性模型，神经网络模型，支持向量回归模型或随机森林等。

步骤S400可以为，对待评估的驱动电机进行测试，并得到实测的运行公里数和最大转速，即分别对应实测指标特征参数和实测影响因素特征参数。

步骤S500可以为，将实测的最大转速输入所述正常行为模型并得到预期运行公里数。

步骤S600可以为，根据实测的运行公里数和预期运行公里数作比较，从而得到待评估驱动电机的健康评估结果，例如，实测的运行公里数小于预期运行公里数，则驱动电机的健康评估结果为“恶化”，实测的运行公里数等于预期运行公里数，则驱动电机的健康评估结果为“良好”，实测的运行公里数大于预期运行公里数，则驱动电机的健康评估结果为“健康”。

通过上述内容不难发现，本实施例提供的装备健康评估方法可以充分利用实测先进的AI技术对装备性能指标进行挖掘，为评价装备健康等级提供可靠数据支撑，而性能指标的“实时性”保证了评估结果是对实测实时状态的评估，而非仅仅通过统计规律得到的粗糙评估结果，从而为装备整体性能评价和早期故障预警提供有力依据。另一方面，正常行为模型的训练只需正常运行阶段的数据，而不需要大量的故障样本，使得数据更加容易获取，整个流程更易于实现。通过分析装备实际运行时的指标特征参数与其期望值的偏离情况，刻画装备劣化情况，进而评估装备健康等级，为实现基于状态的维修决策提供支持。通过本发明的方法，可以解决目前大部分装备监控系统存在缺乏整体性能分析和评价方法，以及缺乏早期故障检测和预警的问题，并且为基于状态的维修提供决策支持，增加装备安全性的同时，也减少不必要的开支。

可选地，在步骤S200中，具体包括以下步骤：

S210、对所述无退化参数进行分片处理，并得到若干个分片参数；

S220、根据所述若干个分片参数生成训练样本。

其中，分片规则可根据业务规律确定并根据探索过程优化。例如，可以通过对数据库中数据打标签实现对数据的分片效果。

进一步的，在步骤S220中，具体包括以下步骤：

S221、对所述若干个分片参数进行预处理，所述预处理包括：缺失值处理或异常值处理；

S222、根据预处理后的若干个分片参数生成训练样本。

其中，在对分片后的数据进行预处理后，可利用预处理后的数据提取每个分片的特征用于构建训练样本，每一个分片将生成一个训练样本。预处理方法与特征提取方案由数据探索过程确定。常用的预处理方法可以为现有技术中的缺失值处理与异常值处理。缺失值通常抛弃或使用线性插值或三次样条插值补齐，异常值通过箱线图方法去除。特征提取方法可根据研究目标、业务逻辑确定，常用的特征有均值或极值等。

可选地，如图2所示，在步骤S600中，具体包括以下步骤：

S610、根据所述预期指标特征参数与所述实测指标特征参数得到性能指标参数；

S620、获取性能指标参数的极限值，并根据所述性能指标参数和所述性能指标参数的极限值获取劣化度；

S630、确定装备健康等级数，并根据所述装备健康等级数获取隶属度分布函数；

S640、根据所述劣化度和所述隶属度分布函数获得各个装备健康等级下的隶属度向量；

S650、根据各个装备健康等级下的隶属度向量获取待评估装备的装备健康等级；

S660、根据待评估装备的装备健康等级得到待评估装备的健康评估结果。

可选地，在步骤S610中，具体为根据公式：

得到性能指标参数Δy，其中，

可选地，在步骤S620中，具体为根据公式一：

或者公式二：

或者公式三：

中的一个公式获取劣化度u，

其中，Δy为性能指标参数，δ为性能指标参数的极限值，

k为调整系数，k通常取1或2，abs为绝对值函数。

值得说明的是，性能指标参数的极限值δ可由业务专家或数据专家提供，对越大越优型指标y,以公式一定义劣化度，对越小越优型指标y，以公式二定义劣化度，对处于一定范围内最佳型指标y，以公式三定义劣化度。

为了方便解释，将装备健康等级分为“A”、“B”、“C”、“D”、“E”五个等级，分别表示“健康”、“良好”、“注意”、“恶化”、“疾病”五种状态。选择合适的健康状态隶属度分布函数g

i＝1,2,3,4,5。将劣化度代入隶属度分布函数，得到该劣化度对应的隶属于各个等级的隶属度向量[g

可选地，在步骤S640中，选用三角形隶属度函数，具体为根据公式：

得到劣化度u对应的隶属于各个装备健康等级的隶属度向量g

可选地，在步骤S650中，具体为根据公式：

l＝{i|max(g

得到装备等级l，i为装备健康等级数，g

即根据最大隶属度原则,根据l确定驱动电机属于“健康”、“良好”、“注意”、“恶化”、“疾病”中的哪个状态。

实施例二是实施例一的替换方案，实施例二提供了一种装备健康评估方法的实施方法，该种方法为多指标情形下的装备健康评估，实施例二与实施例一的区别在于，将实施例一中的步骤S600替换为：在多个维度下，依次重复实施例一中的步骤S100、S200、S300、S400、S500、S610、S620、S630和S640，以得到各个维度下的待评估装备的劣化度和隶属度向量；

并且，在重复动作完成之后，还包括以下步骤：

S700、根据各个维度下的待评估装备的劣化度和隶属度向量得到待评估装备的健康评估结果。

可选地，步骤S700中，具体包括以下步骤：

S710、根据多个维度下的劣化度获得权重向量；

S720、根据多个维度下的隶属度向量构建模糊判断矩阵；

S730、根据所述权重向量和所述模糊判断矩阵获得综合隶属度向量；

S740、根据所述综合隶属度向量获取待评估装备的装备健康等级；

S750、根据待评估装备的装备健康等级得到待评估装备的健康评估结果。

举例来说，多维指标特征参数为运行公里数和电流，影响因素特征参数为最大转速和电压，无退化参数即包括运行公里数、电流、最大转速和电压。

多个维度下的劣化度为最大转速的劣化度和电压的劣化度，多个维度下的隶属度向量为最大转速的隶属度向量和电压的隶属度向量。

通过上述内容不难发现，本发明可以充分利用当前先进的AI技术对装备性能指标进行挖掘，为评价装备健康等级提供可靠数据支撑，而性能指标的“实时性”保证了评估结果是对当前实时状态的评估，而非仅仅通过统计规律得到的粗糙评估结果，从而为装备整体性能评价和早期故障预警提供有力依据。此外，多指标健康等级的合成技术避免了需要专家提供权重向量的要求，增加了评估过程的可操作性。

可选地，在步骤S710中，具体为根据公式：

得到权重w

并进一步根据公式：

{W}

得到权重向量{W}

可选地，在步骤S730中，具体为根据公式：

V＝WB

得到综合隶属度向量V，其中，W为权重向量，B为模糊评判矩阵。举例来说，隶属度向量构成的模糊评判矩阵{B}

可选地，在步骤S740中，具体为根据公式：

V＝[v

以及公式：

l＝{i|max(v

得到装备等级l，

其中，综合隶属度向量V，v

即根据最大隶属度原则,从而可根据l确定驱动电机的健康状态。

实施例二，提供了一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行上述实施例一或实施例二涉及的装备健康评估方法。

实施例三，提供了一种终端，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，其特征在于，所述指令适于由处理器加载并执行上述实施例一或实施例二涉及的装备健康评估方法。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。