一种基于设备全生命周期模型的设备故障预测方法技术

本发明专利技术公开了一种基于设备全生命周期模型的设备故障预测方法，包括：建立设备全生命周期四维视图模型；确定设备及各设备部件的生命周期阶段；建立基于设备全生命周期及设备部件全生命周期的故障预测模型；基于设备及各设备部件生命周期阶段进行设备故障预测。本发明专利技术在进行预测前先确定设备的生命周期阶段和机理特征值所在设备部件的生命周期阶段，基于两者采用匹配的故障预测模型进行预测，从而提高故障预测的准确度和适用性。故障预测的准确度和适用性。故障预测的准确度和适用性。

【技术实现步骤摘要】
一种基于设备全生命周期模型的设备故障预测方法


[0001]本专利技术涉及设备管理
，尤其是涉及一种基于设备全生命周期模型的设备故障预测方法。

技术介绍

[0002]大型设备结构复杂，同时在投入运行后有着有着运行连续性、精密性和自动化方面的要求，因此对设备的管理和维修提出了更高的要求。设备在全生命周期的不同阶段，故障的机理特征表现和故障的原因各不相同，同时设备部件在设备的全生命周期内存在维修、报废、替换等情况，设备部件有着自己独立是生命周期的同时对设备的全生命周期属性产生影响。因此对设备进行故障预测，不仅要考虑设备生命周期阶段的因素，还要考虑设备部件生命周期阶段的因素。
[0003]在中国专利文献中公开的“基于模型全生命周期管理的设备故障预警系统”，其公开号为CN109947088B，公开日期为2020
‑
09
‑
08，包括数据准备模块、实时故障预警模块、模型风险管理模块、模型自学习模块和模型库；数据准备模块读入外部实时数据并进行预处理，把处理好的外部实时数据传递至实时故障预警模块和模型风险管理模块进行分析；实时故障预警模块对故障风险进行预测，生成预警信息和维护建议；模型风险管理模块对模型结果可靠性进行评估；模型自学习模块读入积累的标注样本，对实时故障预警模块中的模型进行重新训练。本申请能够实现对设备的故障预警和模型全生命周期的在线监控，并且能够实现模型的动态更新，保证了模型结果的持续可靠性；并且同时引入了运行数据和运营数据，使得预警误差更小。但是该技术中并没有考虑到设备中的不同设备部件存在各自独立的生命周期，会使得实际的预测产生较大偏差或失效。

技术实现思路

[0004]本专利技术是为了克服现有技术中进行故障预测时没有考虑设备部件的生命周期因素从而导致实际预测偏差较大或失效的问题，提供了一种基于设备全生命周期模型的设备故障预测方法，对设备以及设备部件在其全生命周期的各个阶段进行故障预测，从而提高故障预测的准确性。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]一种基于设备全生命周期模型的设备故障预测方法，包括：
[0007]S1、建立设备全生命周期四维视图模型；
[0008]S2、确定设备及各设备部件的生命周期阶段；
[0009]S3、建立基于设备全生命周期及设备部件全生命周期的故障预测模型；
[0010]S4、基于设备及各设备部件生命周期阶段进行设备故障预测。
[0011]本专利技术中首先建立设备全生命周期四维视图模型，四维分别是静态属性维、动态属性维、设备生命周期属性维、设备部件生命周期属性维，包含了设备及设备部件在各个阶段的所有数据。然后从被预测设备和设备部件的全生命周期模型中提取生命周期评价指标
数据，通过模糊综合评价模型确定设备和设备部件得生命周期阶段。从同品牌同型号设备的全生命周期模型中按设备生命周期阶段和设备部件生命周期阶段采集样本数据，建立和验证故障预测模型，归入故障预测模型库。再从故障预测模型库选择匹配故障预测模型进行故障预测。
[0012]所述四维视图模型包括：
[0013]静态属性维，包含设备的基础信息和技术属性；
[0014]动态属性维，包含设备的维修、保养和运行记录以及状态属性；
[0015]设备生命周期维，包含设备全生命周期的阶段属性；
[0016]设备部件生命周期维，包含了设备部件的全生命周期的阶段属性。
[0017]本专利技术中，静态属性维是指设备固有的基础信息和技术属性，基本不变或变动幅度微小；动态属性维是指设备运行的整个生命周期中不断变动的维修保养记录、运行记录和状态属性，随时间变化而不断变化；设备生命周期为和设备部件生命周期维包含了设备和设备部件的全生命周期的阶段属性，由于在设备的全生命周期阶段内，设备部件会存在完全更换的情况，设备部件的全生命周期阶段属性会随着部件的更换而刷新，从而影响设备的各项属性。
[0018]所述S2包括以下步骤：
[0019]S21、确定设备生命周期评价指标体系；
[0020]S22、层次分析法确定设备生命周期指标权重；
[0021]S23、模糊综合评价模型确定设备生命周期阶段。
[0022]本专利技术中设备生命周期评价指标体系包括设备生命周期评价等级集、设备生命周期划分因素集、等级评价表，用于对设备生命周期进行定量划分；利用一级指标判断矩阵和二级指标判断矩阵计算设备生命周期指标权重，并利用得到的权重确定设备生命周期阶段。对于设备部件的生命周期阶段的确定方法与设备生命周期阶段相同。
[0023]所述确定设备生命周期指标权重包括：
[0024]S221、确定一级指标判断矩阵C以及二级指标判断矩阵Ck；
[0025]S222、计算一级指标判断矩阵C和二级指标判断矩阵Ck的最大特征根值；
[0026]S223、计算一级指标判断矩阵C和二级指标判断矩阵Ck的一致性比率CR；
[0027]S224、进行一致性验证，当CR小于设定值时进入下一步，否则返回S221；
[0028]S225、计算一级指标权重集A和二级指标权重集Ai。
[0029]本专利技术中判断矩阵内的各项数值用来表示一个因素相对另一个因素的重要程度，通过计算得到的最大特征根值来推算出一致性指标，根据一致性指标与查表得到的随机一致性指标的比值得到一致性比率CR，并判断是否通过一致性验证。通过验证后计算一级指标权重集和二级指标权重集，一级指标权重集通过一级判断矩阵运算得到，二级指标权重集通过二级判断矩阵运算得到。对于设备部件生命周期指标权重的确定方法与设备生命周期指标权重相同。
[0030]所述确定设备生命周期阶段包括：
[0031]S231、建立因素评价矩阵；
[0032]S232、依次计算二级指标评价向量和一级指标评价向量；
[0033]S233、计算评价值并根据评价值确定设备生命周期阶段。
[0034]所述S2中设备部件生命周期阶段的确定方法与设备生命周期阶段的确定方法相同。
[0035]本专利技术中因素评价矩阵由等级评价表经过转换得到，运用模糊矩阵合成运算得到二级指标评价向量，在获得二级指标评价向量的基础上继续运用模糊矩阵合成运算得到一级指标评价向量，根据一级指标评价向量计算得到评价值，根据评价值在等级评价表中确定对应的设备生命周期阶段。对于设备部件生命周期阶段的确定方法与设备生命周期阶段相同。
[0036]所述故障预测模型的建立包括以下步骤：
[0037]S31、采集同品牌同型号设备的运行数据；
[0038]S32、筛选数据并处理形成时间样本序列；
[0039]S33、根据时间样本序列建立故障预测模型；
[0040]S34、验证故障预测模型，通过验证则加入故障预测模型库，不通过验证则返回S33。
[0041]本专利技术中根据选取的样本的数据类型建立对应的预测模型，根据需要进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于设备全生命周期模型的设备故障预测方法，其特征在于，包括：S1、建立设备全生命周期四维视图模型；S2、确定设备及各设备部件的生命周期阶段；S3、建立基于设备全生命周期及设备部件全生命周期的故障预测模型；S4、基于设备及各设备部件生命周期阶段进行设备故障预测。2.根据权利要求1所述的一种基于设备全生命周期模型的设备故障预测方法，其特征在于，所述四维视图模型包括：静态属性维，包含设备的基础信息和技术属性；动态属性维，包含设备的维修、保养和运行记录以及状态属性；设备生命周期维，包含设备全生命周期的阶段属性；设备部件生命周期维，包含了设备部件的全生命周期的阶段属性。3.根据权利要求1或2所述的一种基于设备全生命周期模型的设备故障预测方法，其特征在于，所述S2包括以下步骤：S21、确定设备生命周期评价指标体系；S22、层次分析法确定设备生命周期指标权重；S23、模糊综合评价模型确定设备生命周期阶段。4.根据权利要求3所述的一种基于设备全生命周期模型的设备故障预测方法，其特征在于，所述确定设备生命周期指标权重包括：S221、确定一级指标判断矩阵以及二级指标判断矩阵；S222、计算一级指标判断矩阵和二级指标判断矩阵的最大特征根值；S223、计算一级指标判断矩阵和二级指标判断矩阵的一致性比率CR；S224、进行一致性验证，当CR小于设定...

【专利技术属性】
技术研发人员：蒋锋，徐腾云，刘卫红，何红宇，
申请(专利权)人：浙江浙大中控信息技术有限公司，
类型：发明
国别省市：