论文部分内容阅读
摘要：本文以提高设备的安全性、可靠性、可用度以及减少不必要损失为应用背景，以对设备退化状态的识别作为目标，有针对性的进行了以数据驱动的识别方法的研究。利用了自组织特征映射网络、比例协变量模型、剩余寿命预测、多方法协作等理论知识，根据设备不同退化时期状态的数据，以不同的方法对设备不同状态进行识别，包括正常状态、预警状态、报警状态。本文针对不同识别目标，提出了一种设备退化状态识别的方法，即基于SOM结合误分类成本矩阵和预测窗宽度的设备退化状态识别方法。
关键词：数据驱动;设备退化;SOM网络
机械设备的维修决策是通过综合考虑维修费用、生产效益等，作出最优维修决策，从而提高设备的可靠性以及把相关损失降至最低[1-2]。然而，传统的维修方法已经不能满足市场的需求。于是，应该不同设备的性质及不同时期，对应不同的维修方式，预防性维修方式的出现正是能满足此要求，其能保证设备正常运行的同时将维修成本减少[3]。
很多机械设备常因损坏或灾难性故障而停机[4-5]，为了降低设备故障造成的停机成本，预防性维修措施对于设备或部件的运行非常重要。当设备处于退化过程中时，维修不仅能避免设备故障，而且还能保证最低的成本。
然而，无论机械的失效故障的模式还是规律，都逐渐复杂化，据统计，因低效或无必要的维护，导致损失大约1/3～1/2的维护费用[6]。从相关资料可知，CBM能将设备的故障率降低75%，将设备维修费用减少25%～50%[7]。通过利用CBM每年能节约50亿美元的费用[8]，在我国通过CBM技术每年能节省几百亿元的维修费用[9]。
1相关技术
由于利用单纯的SOM模型识别设备退化状态的准确度较低，为提高识别准确度，本章节提出了一种基于SOM结合误分类成本矩阵和预测窗宽度对设备退化状态进行识别。以MQE（平均量化误差，MeanQuantizationError）为特征指标，结合误分类成本矩阵和预测窗宽度方法对设备状态进行识别，本方法主要针对设备报警状态的识别，提高设备报警状态的识别准确度。
2设备退化识别模型
2.1数据预处理
历史数据是设备从开始运行到失效的数据，实时数据是设备运行过程中未知时间段的一段数据。对数据进行预处理过程如下：
（1）数据降维及平滑处理
所用数据是由K种信号数据，但是在通常情况下，并不是每一种信号数据都在随时间变化，或者是在极微量的改变但不足以影响设备状态，于是，进行数据预处理的第一步就是先对数据进行特征变量提取，在这里本方法模型采用的提取特征变量方法是主成分分析法，这使得数据进行了初步的降维。在此之后对所提取数据进行平滑处理。
（2）历史数据的分类处理
历史数据是K台设备从开始投入运行至失效的数据，也就是已知设备的退化过程，作用是用来构造和训练SOM模型，以及优化相关参数。为了识别设备的退化状态，本研究以最小量化误差（即MQE）作为退化指标，MQE是測试向量ytest与最佳匹配单元BMU之间的距离，最小量化误差（MQE），能表示测试数据与用于训练SOM的数据所表示的状态的差别，即可以作为设备退化的指标。
2.2参数设置
设备数据中，每个时刻的数据向量都有对应的MQE值，为了根据MQE值评估设备的不同状态，设置了MQE的界线阈值。在这里通过两个阈值th1-2、th2-3，来识别设备三类状态，即正常状态、预警状态、报警状态。识别规则如下：
a.当MQE≥th1-2时，该时刻设备处于报警状态;
b.当th1-2>MQE≥th2-3时，该时刻设备处于预警状态;
c.当th2-3>MQE时，该时刻设备处于正常状态。
本方法为识别这三类状态设置了3个参数：
（1）测试数据所需提取的预测窗口宽度WWP;这里的WWP指的是评估每台设备状态时，所需末尾时间点的数量，作用是用来评估该设备最后的时间点处于哪一个状态。根据这WWP个时间点，评估这WWP个时间点相应状态，若某状态A众数最大，即将该设备最后的时间点评定为该状态A.例如，已知某引擎的数据时间段为（n，N），选取WWP为S，则利用SOM评估（N-S，N）这段中S个时间点的状态，通过众数来评定该设备在时间点N的状态。
（2）区分报警状态和预警状态的阈值th1-2;
（3）差值Δqe，用于得出区分预警状态和正常状态的阈值th2-3
2.3参数优化
（1）设置3个相关系数：错误分类比例αij、分类权值IFij、错误分类系数P，错误分类比例αij：表示所有i类中将i类错误分类为j类的比例，成本矩阵 IFij：表示将 i 类错误分类为 j 类的权值。实际状态与预测状态一样，则ij相同;实际状态比预测状态紧急，则i<j;预测状态比实际状态紧急，则i>j。
3总结
本章节提出了一种基于 SOM 结合误分类成本矩阵和预测窗宽度的方法（SOM-COST-WWP），旨在提高报警状态的预测准确度。本章节提出的方法主要用于识别设备的报警状态。通过对数据的利用、参数的设置、模型的建立等方面的研究，该方法对报警状态的预测准确度达到了 0.9 以上。与其他分类方法相比，其性能有了很大的提高。
参考文献
[1] 廖和滨，林天勤，吴永生， et al.有效降低机械设备故障停机时间的方法研究[J].机械研究与应用，2011（5）：147-150.
[2] 许立学.设备管理中的机械故障诊断技术与状态监测维修[J].中山大学学报：自然科学版，2005，44（B06）：185-188.
[3] 李常有.维修决策理论研究及其在离心压缩机转子系统中的应用[D].哈尔滨：哈尔滨工业大学，2009.
[4] 刘勤明.基于状态监测信息的设备在线健康预测及维护优化研究[D].上海：上海交通大学，2014.
作者简介：
王嘉政，性别：男，出生年：1999，籍贯：黑龙江省克东县，民族：汉，学历：本科学士，研究方向：计算机科学与技术。
（哈尔滨商业大学计算机科学与技术专业 黑龙江 哈尔滨 150000）
关键词：数据驱动;设备退化;SOM网络
机械设备的维修决策是通过综合考虑维修费用、生产效益等，作出最优维修决策，从而提高设备的可靠性以及把相关损失降至最低[1-2]。然而，传统的维修方法已经不能满足市场的需求。于是，应该不同设备的性质及不同时期，对应不同的维修方式，预防性维修方式的出现正是能满足此要求，其能保证设备正常运行的同时将维修成本减少[3]。
很多机械设备常因损坏或灾难性故障而停机[4-5]，为了降低设备故障造成的停机成本，预防性维修措施对于设备或部件的运行非常重要。当设备处于退化过程中时，维修不仅能避免设备故障，而且还能保证最低的成本。
然而，无论机械的失效故障的模式还是规律，都逐渐复杂化，据统计，因低效或无必要的维护，导致损失大约1/3～1/2的维护费用[6]。从相关资料可知，CBM能将设备的故障率降低75%，将设备维修费用减少25%～50%[7]。通过利用CBM每年能节约50亿美元的费用[8]，在我国通过CBM技术每年能节省几百亿元的维修费用[9]。
1相关技术
由于利用单纯的SOM模型识别设备退化状态的准确度较低，为提高识别准确度，本章节提出了一种基于SOM结合误分类成本矩阵和预测窗宽度对设备退化状态进行识别。以MQE（平均量化误差，MeanQuantizationError）为特征指标，结合误分类成本矩阵和预测窗宽度方法对设备状态进行识别，本方法主要针对设备报警状态的识别，提高设备报警状态的识别准确度。
2设备退化识别模型
2.1数据预处理
历史数据是设备从开始运行到失效的数据，实时数据是设备运行过程中未知时间段的一段数据。对数据进行预处理过程如下：
（1）数据降维及平滑处理
所用数据是由K种信号数据，但是在通常情况下，并不是每一种信号数据都在随时间变化，或者是在极微量的改变但不足以影响设备状态，于是，进行数据预处理的第一步就是先对数据进行特征变量提取，在这里本方法模型采用的提取特征变量方法是主成分分析法，这使得数据进行了初步的降维。在此之后对所提取数据进行平滑处理。
（2）历史数据的分类处理
历史数据是K台设备从开始投入运行至失效的数据，也就是已知设备的退化过程，作用是用来构造和训练SOM模型，以及优化相关参数。为了识别设备的退化状态，本研究以最小量化误差（即MQE）作为退化指标，MQE是測试向量ytest与最佳匹配单元BMU之间的距离，最小量化误差（MQE），能表示测试数据与用于训练SOM的数据所表示的状态的差别，即可以作为设备退化的指标。
2.2参数设置
设备数据中，每个时刻的数据向量都有对应的MQE值，为了根据MQE值评估设备的不同状态，设置了MQE的界线阈值。在这里通过两个阈值th1-2、th2-3，来识别设备三类状态，即正常状态、预警状态、报警状态。识别规则如下：
a.当MQE≥th1-2时，该时刻设备处于报警状态;
b.当th1-2>MQE≥th2-3时，该时刻设备处于预警状态;
c.当th2-3>MQE时，该时刻设备处于正常状态。
本方法为识别这三类状态设置了3个参数：
（1）测试数据所需提取的预测窗口宽度WWP;这里的WWP指的是评估每台设备状态时，所需末尾时间点的数量，作用是用来评估该设备最后的时间点处于哪一个状态。根据这WWP个时间点，评估这WWP个时间点相应状态，若某状态A众数最大，即将该设备最后的时间点评定为该状态A.例如，已知某引擎的数据时间段为（n，N），选取WWP为S，则利用SOM评估（N-S，N）这段中S个时间点的状态，通过众数来评定该设备在时间点N的状态。
（2）区分报警状态和预警状态的阈值th1-2;
（3）差值Δqe，用于得出区分预警状态和正常状态的阈值th2-3
2.3参数优化
（1）设置3个相关系数：错误分类比例αij、分类权值IFij、错误分类系数P，错误分类比例αij：表示所有i类中将i类错误分类为j类的比例，成本矩阵 IFij：表示将 i 类错误分类为 j 类的权值。实际状态与预测状态一样，则ij相同;实际状态比预测状态紧急，则i<j;预测状态比实际状态紧急，则i>j。
3总结
本章节提出了一种基于 SOM 结合误分类成本矩阵和预测窗宽度的方法（SOM-COST-WWP），旨在提高报警状态的预测准确度。本章节提出的方法主要用于识别设备的报警状态。通过对数据的利用、参数的设置、模型的建立等方面的研究，该方法对报警状态的预测准确度达到了 0.9 以上。与其他分类方法相比，其性能有了很大的提高。
参考文献
[1] 廖和滨，林天勤，吴永生， et al.有效降低机械设备故障停机时间的方法研究[J].机械研究与应用，2011（5）：147-150.
[2] 许立学.设备管理中的机械故障诊断技术与状态监测维修[J].中山大学学报：自然科学版，2005，44（B06）：185-188.
[3] 李常有.维修决策理论研究及其在离心压缩机转子系统中的应用[D].哈尔滨：哈尔滨工业大学，2009.
[4] 刘勤明.基于状态监测信息的设备在线健康预测及维护优化研究[D].上海：上海交通大学，2014.
作者简介：
王嘉政，性别：男，出生年：1999，籍贯：黑龙江省克东县，民族：汉，学历：本科学士，研究方向：计算机科学与技术。
（哈尔滨商业大学计算机科学与技术专业 黑龙江 哈尔滨 150000）