【技术实现步骤摘要】
本专利技术涉及故障诊断领域，具体来说，涉及一种机电设备故障诊断与健康趋势预测方法及系统。
技术介绍
1、机电设备作为生产活动的核心组件之一，其健康状态直接影响到整个生产过程的稳定性和效率。故障诊断和健康趋势预测成为确保设备可靠性和生产连续性的关键环节。
2、随着物联网和大数据分析等技术的迅猛发展，对于机电设备的智能化运维需求越来越强烈。机电设备作为现代生产流程中的核心环节，其稳定、高效、安全的运行对于生产效率和经济效益具有显著影响。然而，在高强度、长时间的工作过程中，机电设备难免会出现不同类型和级别的故障。因此，机电设备故障诊断与健康趋势预测在制造业、能源、交通、医疗等多个领域成为了一个关键性的技术和研究方向。
3、传统的机电设备维护方法主要依赖于经验丰富的操作和维护人员对设备运行状况的观察和判断，这种方法存在着很大的主观性和局限性。随着传感器技术和数据采集能力的提升，数据驱动的故障诊断方法逐渐显现出巨大的潜力。通过实时或定期收集机电设备的运行数据，如温度、振动、电流、电压等，然后利用先进的数据分析算法，例如机器学习、人工智能(ai)和时间序列分析，进行故障诊断和趋势预测。
4、例如中国专利202110796980.0公开了基于宽度学习的机电产品系统或设备实时故障诊断方法，其将代价权重、失活概率等设置为可调节参数，并仿照装袋算法bagging进行集成学习投票预测最终结果，解决故障诊断中普遍存在的不确定影响及类别不平衡问题；基于改进宽度学习系统训练快速、预测精准且稳定性、鲁棒性高，但是上述方法还
5、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种机电设备故障诊断与健康趋势预测方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一个方面，提供了一种机电设备故障诊断与健康趋势预测方法，该方法包括以下步骤：
4、s1、通过传感器采集机电设备单元中的机电设备的实时运行数据及历史故障数据。
5、s2、对机电设备单元中的每个机电设备的影响力进行评估。
6、s3、基于机电设备的影响力对机电设备单元中的机电设备进行故障诊断。
7、s4、根据历史故障数据及机电设备的影响力，预测每个机电设备的未来健康状况。
8、s5、根据机电设备的影响力及健康状况预测结果，对每个机电设备进行维护。
9、进一步的，所述对机电设备单元中的每个机电设备的影响力进行评估包括以下步骤：
10、s21、根据机电设备的结构及功能，确定各个机电设备之间的关联度，该关联度表示机电设备对机电设备单元运行状态的影响程度；
11、s22、根据关联度，构建机电设备的网络加权图；
12、s23、基于动态规划算法计算机电设备的网络加权图中任意两个机电设备之间的最短路径；
13、s24、计算机电设备的初始影响力，该初始影响力表示机电设备的故障概率及故障严重程度；
14、s25、根据机电设备处于其它机电设备到本身故障源的最短路径上的频率，分配每个机电设备的影响力权值；
15、s26、迭代更新机电设备的影响力，直到收敛，并得到最终的机电设备的影响力排名。
16、进一步的，所述根据机电设备的结构及功能，确定各个机电设备之间的关联度包括以下步骤：
17、s211、对用于评估两个机电设备关联度的各项评价指标进行确定；
18、s212、对于每一对机电设备，基于评价指标建立模糊评价矩阵，且该模糊评价矩阵的元素表示模糊隶属度，并描述两个机电设备在某个特定评价指标下的关联度；
19、s213、对评价指标进行权重的设定；
20、s214、使用模糊矩阵与权重矩阵进行相乘得到综合评价矩阵；
21、s215、从综合评价矩阵中提取具体的数值作为两个机电设备的关联度，且对关联度进行标准化处理。
22、进一步的，所述根据关联度，构建机电设备的网络加权图包括以下步骤：
23、s221、使用有向图g(v，e)表示机电设备网络加权图，其中v表示机电设备集合，e表示关联度集合；
24、s222、使用邻接表进行数据结构存储。
25、进一步的，所述计算机电设备的初始影响力时，若某一机电设备的故障概率越高，则该机电设备越重要，且初始影响力越大；
26、若具有特定初始影响力的机电设备指向另一个机电设备，则被指向的机电设备具有相同的初始影响力。
27、进一步的，所述根据机电设备处于其它机电设备到本身故障源的最短路径上的频率，分配每个机电设备的影响力权值包括以下步骤：
28、s251、根据任意两个机电设备之间的最短路径，统计出每个机电设备在所有最短路径中出现的次数；
29、s252、根据每个机电设备的故障源的数目，并计算出每个故障源贡献给某一机电设备的比例值，得到转移矩阵f；
30、其中，转移矩阵f为一个n×n的方阵，n表示机电设备的个数；
31、f(i，j)表示故障源i贡献给机电设备j的比例值；
32、转移矩阵f的计算公式为：
33、f(i，j)＝t(i，j，k)/t(i，j)；
34、式中，t(i，j，k)表示网络加权图中其它任意机电设备i经过机电设备j达到机电设备k的最短路径数目；
35、t(i，j)表示网络加权图中其它任意机电设备i到机电设备j的最短路径数目。
36、进一步的，所述迭代更新机电设备的影响力，直到收敛，并得到最终的机电设备的影响力排名时，更新影响力的公式为：
37、uia-psp(k+1)＝(1-d)e+df×uia-psp(k)；
38、式中，uia-psp(k+1)表示第k+1次迭代后的机电设备的影响力向量；
39、d表示阻尼系数，e表示单位向量，f表示转移矩阵；
40、uia-psp(k)表示第k次迭代后的机电设备的影响力向量；
41、迭代终止条件为：
42、[uia-psp(k+1)]-[uia-psp(k)]＜ε；
43、式中，ε表示阈值。
44、进一步的，所述根据历史故障数据及机电设备的影响力，预测每个机电设备的未来健康状况包括以下步骤：
45、s41、使用k-means聚类算法对历史故障数据进行离散化，并构建离散数据集d；
46、s42、使用bic评分函数和贪婪搜索算法，从离散数据集d中得到初始网络结构及前后两个时间片之间的转移结构；
47、s43、用最大似然估计法本文档来自技高网...
【技术保护点】
1.一种机电设备故障诊断与健康趋势预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述对机电设备单元中的每个机电设备的影响力进行评估包括以下步骤：
3.根据权利要求2所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据机电设备的结构及功能，确定各个机电设备之间的关联度包括以下步骤：
4.根据权利要求2所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据关联度，构建机电设备的网络加权图包括以下步骤：
5.根据权利要求4所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述计算机电设备的初始影响力时，若某一机电设备的故障概率越高，则该机电设备越重要，且初始影响力越大；
6.根据权利要求5所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据机电设备处于其它机电设备到本身故障源的最短路径上的频率，分配每个机电设备的影响力权值包括以下步骤：
7.根据权利要求6所述的一种机电设备故障诊断与健康趋势预测
8.根据权利要求7所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据历史故障数据及机电设备的影响力，预测每个机电设备的未来健康状况包括以下步骤：
9.根据权利要求8所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述使用BIC评分函数和贪婪搜索算法，从离散数据集D中得到初始网络结构及前后两个时间片之间的转移结构包括以下步骤：
10.一种机电设备故障诊断与健康趋势预测系统，用于实现权利要求1-9任一项所述的机电设备故障诊断与健康趋势预测方法，其特征在于，该系统包括采集模块、影响力评估模块、故障诊断模块、预测模块及维护模块；
...【技术特征摘要】
1.一种机电设备故障诊断与健康趋势预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述对机电设备单元中的每个机电设备的影响力进行评估包括以下步骤：
3.根据权利要求2所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据机电设备的结构及功能，确定各个机电设备之间的关联度包括以下步骤：
4.根据权利要求2所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据关联度，构建机电设备的网络加权图包括以下步骤：
5.根据权利要求4所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述计算机电设备的初始影响力时，若某一机电设备的故障概率越高，则该机电设备越重要，且初始影响力越大；
6.根据权利要求5所述的一种机电设备故障诊断与健康趋势预测方法，其特征在于，所述根据机电设备处于其它机电设备到...
【专利技术属性】
技术研发人员：陆忠辉，陆一泓，陈晓峰，
申请(专利权)人：启东大同电机有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。