本文结合某型号汽车发动机零件清洗机监控数据的特点,将运筹学和人工智能引入设备健康管理领域,提出了基于层次分析法的汽车发动机零件清洗机综合性能评估,基于自编码器的汽车发动机零件清洗机点异常检测和基于k均值聚类法的汽车发动机零件清洗机参数波动异常检测。使用层次分析法,针对汽车发动机零件清洗机17个评估指标各自的区别和联系,首先根据各评估指标的特点和专家建议系统的建立递阶层次结构,得到17个指标的两两比较判断矩阵,然后对其进行一致性检验,若不满足一致性检验,则和专家商讨修改判断矩阵,使其通过一致性检验。最后便可以通过层次分析法得到汽车发动机零件清洗机各评估指标的相对重要性,从而结合监控参数对四台设备进行打分。最后根据评估指标相对重要性,对汽车发动机零件清洗机原点检建议做修改。针对汽车发动机零件清洗机的监控数据可能存在大量的点异常的特点,以及数据标签的不完善性,包括稀疏自动编码器在内的无监督学习方法在这一问题上拥有无可比拟的优势,从而提出了一种基于稀疏自编码器特征提取和箱线图异常检测的汽车发动机零件清洗机点异常检测方法。首先使用自编码器对多维输入数据进行特征提取,将原有三维监控数据降维成一维数据,然后进行基于箱线图的异常检测,最后找出汽车发动机零件清洗机运行时的异常点。受无监督学习领域常用的聚类方法的启发,将k均值聚类法引入汽车发动机零件清洗机参数波动异常检测中,实现了基于k-Means的设备运行参数波动异常检测方法。首先对汽车发动机零件清洗机监控数据中的三维数值形输入数据进行数据标准化处理,以减少量纲不同对后续步骤的潜在影响,然后通过手肘法确定标准化处理后的数据的最佳初始聚类个数,以减少人工设置聚类个数带来的误差。通过上一步确定的初始聚类个数,对设备监控数据的波动值进行k-Means聚类。最后通过设定阈值筛选异常。考虑到参数波动对汽车发动机零件清洗机健康管理与故障诊断的重要性,基于k-Means的参数波动异常检测能够得到普通的点异常检测所忽略的信息,这对汽车发动机零件清洗机的全面而准确的健康管理具有极其重要的意义。