基于數(shù)據(jù)自組織挖掘的機(jī)械設(shè)備狀態(tài)退化預(yù)警方法

胡瑾秋,張來(lái)斌,胡春艷,李文強(qiáng)

(中國(guó)石油大學(xué)機(jī)械與儲(chǔ)運(yùn)工程學(xué)院,北京102249)

基于數(shù)據(jù)自組織挖掘的機(jī)械設(shè)備狀態(tài)退化預(yù)警方法

胡瑾秋,張來(lái)斌,胡春艷,李文強(qiáng)

(中國(guó)石油大學(xué)機(jī)械與儲(chǔ)運(yùn)工程學(xué)院,北京102249)

在設(shè)備狀態(tài)監(jiān)測(cè)過(guò)程中引入數(shù)據(jù)自組織挖掘思想,建立一種設(shè)備狀態(tài)退化預(yù)警方法。采用隱馬爾科夫模型(HMM)對(duì)設(shè)備的早期退化狀態(tài)進(jìn)行準(zhǔn)確辨識(shí)和評(píng)估,并進(jìn)一步建立設(shè)備退化過(guò)程的自組織預(yù)測(cè)模型。案例分析中將該方法應(yīng)用到旋轉(zhuǎn)機(jī)械軸承運(yùn)行狀態(tài)退化的預(yù)警過(guò)程中。結(jié)果表明,基于自組織數(shù)據(jù)挖掘的設(shè)備狀態(tài)退化趨勢(shì)預(yù)測(cè)方法預(yù)測(cè)效果準(zhǔn)確、客觀性強(qiáng),預(yù)測(cè)值與實(shí)際值的擬合程度高,相對(duì)誤差僅為3.1%。新方法能夠預(yù)測(cè)設(shè)備未來(lái)時(shí)間段的退化狀態(tài)及其發(fā)展趨勢(shì),提前給出預(yù)警信息,有效地制定預(yù)知維修計(jì)劃,及時(shí)采取預(yù)防措施,防止因設(shè)備突發(fā)失效引起非計(jì)劃停機(jī)造成生產(chǎn)和經(jīng)濟(jì)損失。

數(shù)據(jù)自組織挖掘;隱馬爾科夫模型;數(shù)據(jù)分組處理方法;狀態(tài)退化預(yù)警

機(jī)械設(shè)備中一旦任何部件發(fā)生故障,常引發(fā)連鎖反應(yīng),造成重大生產(chǎn)損失,甚至導(dǎo)致災(zāi)難性的安全事故。曾慶虎等[1]提出一種基于小波相關(guān)特征尺度熵和隱半馬爾可夫模型的設(shè)備退化狀態(tài)識(shí)別方法。為消除多通道觀測(cè)信息冗余,壓縮高維故障特征,曾慶虎等[2]進(jìn)一步提出了基于KPCA-HSMM設(shè)備退化狀態(tài)識(shí)別方法。袁湘輝等[3]給出了一種MHMM-SVM混合模型,提高了電子裝備早期故障的識(shí)別率。雷金波[4]運(yùn)用邏輯回歸模型評(píng)估設(shè)備運(yùn)行狀態(tài)的退化情況,并采用支持向量機(jī)回歸對(duì)設(shè)備運(yùn)行狀態(tài)的趨勢(shì)進(jìn)行預(yù)測(cè)。呂克洪[5]提出基于時(shí)間應(yīng)力分析的故障預(yù)測(cè)技術(shù),提高了預(yù)測(cè)置信度。高甜容等[6]提出了一種基于故障先兆判定模型和動(dòng)態(tài)置信度匹配的故障預(yù)測(cè)方法,在線預(yù)測(cè)故障發(fā)生的概率及時(shí)間。美國(guó)普渡大學(xué)智能過(guò)程系統(tǒng)實(shí)驗(yàn)室(LIPS)研發(fā)診斷和預(yù)警系統(tǒng),給出建議或采取糾正性維護(hù)及控制的響應(yīng)[7-8]。美國(guó)智能維護(hù)系統(tǒng)中心(IMS)建立了Watchdog智能預(yù)警系統(tǒng)[9-10]。Kazuhiko Suzuki提出了一種智能過(guò)程支持系統(tǒng)[11](IOSS),能夠計(jì)算在異常事件中故障傳播的影響。筆者以設(shè)備狀態(tài)監(jiān)測(cè)為基礎(chǔ),建立基于數(shù)據(jù)自組織挖掘的油氣生產(chǎn)設(shè)備狀態(tài)退化預(yù)警方法,提前給出退化預(yù)警信息,防止設(shè)備因失效引起非計(jì)劃停機(jī)造成的生產(chǎn)和經(jīng)濟(jì)損失。

1 基于HMM的設(shè)備早期退化狀態(tài)辨識(shí)

在設(shè)備狀態(tài)監(jiān)測(cè)基礎(chǔ)上,對(duì)于設(shè)備早期退化狀態(tài)辨識(shí),應(yīng)用隱馬爾科夫模型(HMM)須解決兩個(gè)基本問(wèn)題:

(1)已知設(shè)備狀態(tài)觀測(cè)值,如可觀測(cè)的振動(dòng)加速度、軸承溫度、滑油壓力等參數(shù)值,如何辨識(shí)設(shè)備當(dāng)前的退化狀態(tài)。即對(duì)于一定的觀測(cè)序列O=[o1, o2,…,oT]和既定的狀態(tài)模型λ,如何計(jì)算觀測(cè)序列在已知模型下的概率P(O|λ)。

(2)通過(guò)對(duì)設(shè)備狀態(tài)進(jìn)行的長(zhǎng)期監(jiān)測(cè),如何建立設(shè)備在各個(gè)退化狀態(tài)下的辨識(shí)模型。即如何調(diào)整合適的模型參數(shù)使P(O|λ)最大,即模型的訓(xùn)練問(wèn)題。

因此,基于Markov鏈建立設(shè)備狀態(tài)的退化模型,通過(guò)歷史數(shù)據(jù)訓(xùn)練獲得各個(gè)退化狀態(tài)的轉(zhuǎn)移概率,用以描述設(shè)備退化的動(dòng)態(tài)過(guò)程。建模過(guò)程相關(guān)的基本概念如下:

有N個(gè)狀態(tài)的設(shè)備退化HMM模型可表示為λ ={H,A,B},其中:

(1)假設(shè)設(shè)備退化的N種狀態(tài)為s1,s2,…,sN; qt為在當(dāng)前t時(shí)刻Markov鏈所處的狀態(tài),即qt∈(s1,s2,…,sN)。

(2)設(shè)備狀態(tài)是不可觀測(cè)的,能獲得的只是隱含狀態(tài)表現(xiàn)出的觀測(cè)量O。設(shè)備在t時(shí)刻某個(gè)隱含狀態(tài)的觀測(cè)值為Ot,則有Ot∈(V1,V2,…,VM),其中M為該隱含狀態(tài)的觀測(cè)量個(gè)數(shù)。

(3)給定設(shè)備初始狀態(tài),設(shè)備位于各個(gè)狀態(tài)的概率定義為矢量H=(h1,h2,…,hN),其中,hi=P(q1=si),1≤i≤N。

(4)設(shè)備在長(zhǎng)期運(yùn)行過(guò)程中逐漸退化,其狀態(tài)由si轉(zhuǎn)移到狀態(tài)sj,這是一個(gè)條件概率aij,即,1≤i,j≤N。對(duì)應(yīng)設(shè)備N種可能的狀態(tài),用概率矩陣表示為A=(aij)N×N,1≤i,j≤N。

(5)假定設(shè)備處于狀態(tài)sj,外界獲得該狀態(tài)的觀測(cè)值Vk的概率表示為該狀態(tài)的觀測(cè)概率bjk,bjk=P,1≤j≤N,1≤k≤M。對(duì)應(yīng)設(shè)備N種可能的狀態(tài)及每種狀態(tài)的M種可能觀測(cè)值,用概率矩陣表示為B=(bjk)N×M。

因此,給定觀測(cè)序列O=(o1,o2,…,o3)以及模型λ={H,A,B},對(duì)設(shè)備退化狀態(tài)的評(píng)估轉(zhuǎn)化為計(jì)算觀測(cè)變量在模型λ下的輸出概率。具體計(jì)算步驟如下:

假定一個(gè)固定狀態(tài)序列Q=[q1,q2,…,qT],觀察序列O,定義前向變量為

初始化:

遞歸:

終止:

其算法的遞推示意圖如圖1所示。

圖1 計(jì)算前向變量的遞推過(guò)程示意圖Fig.1 Illustration of recursive process required for computation of forward variable

當(dāng)設(shè)備運(yùn)行全壽命過(guò)程中各個(gè)階段的狀態(tài)退化信息均具備時(shí),可進(jìn)一步對(duì)各個(gè)退化階段訓(xùn)練一個(gè)相應(yīng)的HMM退化模型。把待評(píng)估的觀察值序列送入各個(gè)HMM退化模型,分別計(jì)算輸出概率,輸出概率最大的退化模型所對(duì)應(yīng)的退化階段(或退化等級(jí))就是設(shè)備所處的實(shí)際退化狀態(tài)。

在實(shí)際的工程應(yīng)用中,模型的對(duì)數(shù)似然概率值還和觀測(cè)序列的長(zhǎng)度T相關(guān)。為了避免受到序列長(zhǎng)度T的影響,將模型所得到的對(duì)數(shù)似然概率除以T作為設(shè)備退化過(guò)程的退化評(píng)估指標(biāo)PV(Performance Value),則:

由式(5)所得的退化指標(biāo)PV可以理解為設(shè)備目前的退化狀況和正常狀態(tài)的相似程度,反映設(shè)備的退化程度,即在設(shè)備的不同退化階段,退化指標(biāo)PV的概率分布也不相同。因此可用退化指標(biāo)的概率分布來(lái)確定報(bào)警閾值。當(dāng)正常狀態(tài)的性能退化指標(biāo)達(dá)到一定長(zhǎng)度時(shí),計(jì)算其均值和標(biāo)準(zhǔn)差,得到一級(jí)警報(bào)線的上下閾值。如果退化指標(biāo)在上下閾值內(nèi),則視為正常狀態(tài);如果發(fā)現(xiàn)有多個(gè)退化指標(biāo)在上下閾值之外,則觸發(fā)一級(jí)警報(bào)。同理可以獲得二級(jí)警報(bào)閾值。

2 設(shè)備退化狀態(tài)的GMDH預(yù)測(cè)模型

在設(shè)備退化狀態(tài)評(píng)估的基礎(chǔ)上進(jìn)一步開(kāi)展?fàn)顟B(tài)預(yù)測(cè),通過(guò)預(yù)知的設(shè)備退化狀態(tài)信息提前報(bào)警,提前發(fā)現(xiàn)事故苗頭,從而及時(shí)采取主動(dòng)預(yù)測(cè)維修策略。本文中提出的基于自組織數(shù)據(jù)挖掘[12]思想的設(shè)備退化狀態(tài)預(yù)測(cè)方法能夠根據(jù)數(shù)據(jù)內(nèi)在規(guī)律自適應(yīng)地生成預(yù)測(cè)模型,并完成數(shù)據(jù)約簡(jiǎn)、預(yù)處理和模型檢驗(yàn)等過(guò)程,從而減少用戶在預(yù)測(cè)過(guò)程中的主觀干預(yù),提高預(yù)測(cè)精度和客觀性。

利用自組織數(shù)據(jù)挖掘思想中的數(shù)據(jù)分組處理方法(GMDH),以多層神經(jīng)網(wǎng)絡(luò)的自組織思路構(gòu)造預(yù)測(cè)模型,通過(guò)多層神經(jīng)元的取舍和權(quán)值調(diào)整擬合數(shù)據(jù)趨勢(shì)變化中復(fù)雜的非線性規(guī)律,預(yù)測(cè)設(shè)備的未來(lái)退化狀態(tài)進(jìn)行安全預(yù)警。

2.1 建模過(guò)程

GMDH預(yù)測(cè)模型建立過(guò)程中不需要提前對(duì)待預(yù)測(cè)的設(shè)備狀態(tài)時(shí)間序列的特征進(jìn)行主觀分析,而是一種啟發(fā)式自組織建模,具有自選擇回歸模式冪次特點(diǎn)。

建模過(guò)程分為幾個(gè)步驟:

(1)數(shù)據(jù)集的劃分。設(shè)系統(tǒng)的輸入為x,輸出為y,數(shù)據(jù)點(diǎn)數(shù)為n,變量數(shù)為m,把數(shù)據(jù)分為訓(xùn)練樣本和檢驗(yàn)樣本,設(shè)訓(xùn)練樣本數(shù)目為nt,系統(tǒng)輸入輸出變量構(gòu)成矩陣W,即

(2)回歸計(jì)算。對(duì)輸入變量進(jìn)行兩兩組合,建立多項(xiàng)式網(wǎng)絡(luò)

式中系數(shù)由矩陣W中的訓(xùn)練矩陣根據(jù)最小二乘法估計(jì)得到。

(3)優(yōu)化選擇。利用檢驗(yàn)矩陣數(shù)據(jù),采用均方根判據(jù)法對(duì)式(7)得到的所有擬合方程(多項(xiàng)式網(wǎng)絡(luò))進(jìn)行評(píng)估,計(jì)算公式為

其中,yij為輸出yi的估計(jì)值。設(shè)定閾值rg,若擬合方程的評(píng)估值rj＞rg,則舍去。保留下來(lái)的擬合方程為當(dāng)前輪次的優(yōu)勝模型,其再作為下一輪篩選的備選輸入,同時(shí)記錄該輪評(píng)估的最小方均根Rmin。

(4)優(yōu)化檢驗(yàn)計(jì)算。如果該輪評(píng)估產(chǎn)生的Rmin比上一輪次的小,則以該層所得模型的輸出作為下一層篩選的輸入,然后繼續(xù)重復(fù)第(2)至第(3)步的計(jì)算過(guò)程進(jìn)行模型的優(yōu)選與檢驗(yàn),直至產(chǎn)生的Rmin比上一輪次輸出的數(shù)值大,則停止計(jì)算,此時(shí)得到最優(yōu)的設(shè)備狀態(tài)預(yù)測(cè)模型。

2.2 設(shè)備退化狀態(tài)趨勢(shì)預(yù)測(cè)

設(shè)備退化狀態(tài)趨勢(shì)預(yù)測(cè)及告警實(shí)施步驟見(jiàn)圖2。

圖2 設(shè)備退化狀態(tài)預(yù)測(cè)預(yù)警實(shí)施流程Fig.2 Predicting procedure based on GMDH model

(1)建立原始數(shù)據(jù)集。對(duì)設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)所得的數(shù)據(jù)(振動(dòng)、壓力、流量等)作為一個(gè)時(shí)間序列,由n時(shí)刻的前k個(gè)值來(lái)預(yù)測(cè)xn,即尋找對(duì)應(yīng)最優(yōu)函數(shù)關(guān)系xn=f(xn-1,xn-2,…xn-k),對(duì)應(yīng)的矩陣為W,其中k為預(yù)測(cè)階數(shù)。

(2)將試驗(yàn)或現(xiàn)場(chǎng)狀態(tài)監(jiān)測(cè)數(shù)據(jù)分為訓(xùn)練集和檢驗(yàn)集,式(9)中取訓(xùn)練集數(shù)據(jù)點(diǎn)個(gè)數(shù)為m,檢驗(yàn)集數(shù)據(jù)點(diǎn)個(gè)數(shù)為n-k-m。其中,m=3/4(n-k);n-k-m =1/4(n-k)。

(3)根據(jù)式(7)建立預(yù)測(cè)模型的參考函數(shù)。將參考函數(shù)中每個(gè)加法單元中的非系數(shù)部分看成一個(gè)新的自變量(局部函數(shù)),并將其作為第一輪次的輸入。分別在訓(xùn)練集和集合W上通過(guò)最小二乘法對(duì)這些局部函數(shù)的系數(shù)進(jìn)行擬合,得到中間模型。

(4)根據(jù)式(8)進(jìn)行模型優(yōu)選。通過(guò)獲得的最優(yōu)模型對(duì)未來(lái)的設(shè)備退化狀態(tài)進(jìn)行預(yù)測(cè),得到最終的設(shè)備退化狀態(tài)預(yù)警結(jié)果,從而可制定相應(yīng)的預(yù)知維修策略或應(yīng)急預(yù)案。

3 案例分析

對(duì)油氣生產(chǎn)設(shè)備中的關(guān)鍵易損部件開(kāi)展室內(nèi)試驗(yàn)研究。以油氣輸送旋轉(zhuǎn)機(jī)械中的軸承為例進(jìn)行狀態(tài)退化預(yù)警分析。采用ABLT-1A型壽命強(qiáng)化試驗(yàn)機(jī)(圖3、4),對(duì)軸承進(jìn)行全壽命加速失效試驗(yàn),獲得其全壽命振動(dòng)監(jiān)測(cè)數(shù)據(jù),部件失效如圖5所示。加速失效試驗(yàn)全過(guò)程共489 min,即其加速失效壽命為8.15 h,共取得489組數(shù)據(jù),每組數(shù)據(jù)的長(zhǎng)度為2048個(gè)點(diǎn)。

圖3 ABLT-1A加速疲勞壽命試驗(yàn)臺(tái)Fig.3 Accelerated bearing life test rig ABLT-1A

圖4 傳感器安裝位置Fig.4 Installation position of sensors

圖5 軸承內(nèi)圈點(diǎn)蝕照片F(xiàn)ig.5 Inner failure of bearing

3.1 試驗(yàn)條件

采用的軸承型號(hào)為6208,軸承節(jié)徑為60 mm,滾動(dòng)體直徑為12 mm,滾子9個(gè),接觸角0 rad。轉(zhuǎn)軸轉(zhuǎn)頻為50 Hz,試驗(yàn)加載質(zhì)量為14.7 kg,轉(zhuǎn)速為3000 r/ min,潤(rùn)滑和冷卻方式采用脂潤(rùn)滑,采樣頻率為20 kHz,數(shù)據(jù)長(zhǎng)度為2048。6208軸承額定載荷18 kN,根據(jù)加速失效試驗(yàn)要求,試驗(yàn)載荷范圍應(yīng)設(shè)為額定載荷的0.25～0.30倍。為了進(jìn)一步縮短加速失效試驗(yàn)時(shí)間,本例中選取額定載荷的0.4倍,并選用質(zhì)量一般的普通軸承。因此每個(gè)軸承需要添加的徑向載荷為P=7.2 kN。ABLT-1A型軸承壽命試驗(yàn)機(jī)加載計(jì)算公式為:m=F/98(kg),其中,F=2P,m為加載砝碼質(zhì)量。由此得出,試驗(yàn)機(jī)加載砝碼質(zhì)量為14.7 kg。

工程上常采用有效值或峰峰值作為設(shè)備退化的衰退指標(biāo),見(jiàn)圖6。由圖6可見(jiàn),有效值在470 min左右迅速上升,這時(shí)軸承的退化程度已經(jīng)相當(dāng)嚴(yán)重,其剩余壽命也較短,已喪失了充分的時(shí)間規(guī)劃維修工作,將不可避免地出現(xiàn)非計(jì)劃停機(jī)事故。在軸承出現(xiàn)退化的早期,無(wú)法從有效值或峰峰值的變化程度判斷退化的發(fā)生,用該特征值作為設(shè)備退化評(píng)估指標(biāo)時(shí)其敏感性差,較難辨識(shí)設(shè)備的早期退化狀態(tài)。

圖6 軸承壽命過(guò)程時(shí)域特征值變化Fig.6 Change of time domain features in bearing?s life process

3.2 軸承性能退化評(píng)估分析

將軸承失效的全壽命周期數(shù)據(jù)分為兩個(gè)數(shù)據(jù)集,分別作為訓(xùn)練集和測(cè)試集。對(duì)滾動(dòng)軸承進(jìn)行狀態(tài)退化辨識(shí)與評(píng)估。其步驟如下:

(1)從訓(xùn)練集中取前50組數(shù)據(jù)作為正常數(shù)據(jù)組成觀測(cè)序列。

(2)在滿足基本的約束條件情況下,隨機(jī)地選取初始狀態(tài)概率矢量H,各狀態(tài)轉(zhuǎn)移概率矩陣以及觀測(cè)值概率矩陣。在訓(xùn)練過(guò)程中,取訓(xùn)練的迭代步數(shù)不超過(guò)100,算法的收斂誤差為0.0001。

(3)訓(xùn)練設(shè)備退化狀態(tài)辨識(shí)模型,得到正常狀態(tài)模型λnormal。

(4)將測(cè)試數(shù)據(jù)經(jīng)預(yù)處理后輸入λnormal,得到對(duì)數(shù)似然概率值。對(duì)該值經(jīng)式(5)處理后得到設(shè)備狀態(tài)退化指標(biāo)PV,如圖7所示。

由圖7可以看出,軸承狀態(tài)退化指標(biāo)PV值在全壽命加速失效過(guò)程中有兩次明顯的下降,第一次在200 min左右,說(shuō)明該階段軸承進(jìn)入退化的初始階段;第二次在470 min附近,退化指標(biāo)在該階段迅速下降,表明設(shè)備已經(jīng)處于嚴(yán)重的退化狀態(tài),其性能也急劇惡化。

相比圖6中的指標(biāo)變化趨勢(shì),退化指標(biāo)PV能顯著識(shí)別設(shè)備的早期退化階段,而且在整個(gè)過(guò)程中PV值比較平穩(wěn),沒(méi)有出現(xiàn)圖6中在同一退化階段某些參數(shù)出現(xiàn)的躍變現(xiàn)象。

3.3 軸承狀態(tài)退化趨勢(shì)預(yù)測(cè)及預(yù)警分析

為了監(jiān)測(cè)軸承的退化趨勢(shì)并進(jìn)行預(yù)警分析,進(jìn)一步對(duì)退化指標(biāo)PV值進(jìn)行預(yù)測(cè),根據(jù)模型的建模步驟最后一次迭代完成時(shí)得到多項(xiàng)式中最優(yōu)的預(yù)測(cè)模型為

圖7 軸承全壽命加速失效退化過(guò)程PV指標(biāo)曲線Fig.7 PV index curve of bearing life accelerated failure degradation process

圖8 基于GMDH方法滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)結(jié)果Fig.8 Degradation trend prediction results based on GMDH

設(shè)備退化狀態(tài)預(yù)測(cè)結(jié)果如圖8所示。由圖8可見(jiàn),其性能退化指標(biāo)PV將軸承的全壽命加速失效周期劃分為3段:第一段1～180 min左右為正常狀態(tài);第二段181～460 min左右為早期退化階段,啟動(dòng)一級(jí)警報(bào),需要制定維修計(jì)劃;第三段從461 min直至點(diǎn)蝕失效,這時(shí)軸承已經(jīng)發(fā)生嚴(yán)重退化,處于臨近報(bào)廢階段。從461 min開(kāi)始啟動(dòng)二級(jí)警報(bào),需要及時(shí)采取計(jì)劃停機(jī)或啟動(dòng)應(yīng)急預(yù)案。

從圖8中還可以看出,基于自組織數(shù)據(jù)挖掘的設(shè)備狀態(tài)退化趨勢(shì)預(yù)測(cè)方法預(yù)測(cè)效果準(zhǔn)確、客觀性強(qiáng),預(yù)測(cè)值與實(shí)際值的擬合程度高,相對(duì)誤差僅為3.1%。

4 結(jié) 論

(1)提出的基于數(shù)據(jù)自組織挖掘的設(shè)備狀態(tài)退化預(yù)警方法能夠減少在數(shù)據(jù)挖掘過(guò)程中的主觀干預(yù),提高預(yù)測(cè)準(zhǔn)確性。該方法能夠?qū)υO(shè)備的早期微弱退化狀態(tài)進(jìn)行準(zhǔn)確辨識(shí)和評(píng)估。

(2)新方法提前給出退化預(yù)警信息,防止因設(shè)備失效引起非計(jì)劃停機(jī)帶來(lái)的生產(chǎn)和經(jīng)濟(jì)損失,有利于提高油氣生產(chǎn)過(guò)程的本質(zhì)安全水平。

(3)新方法可進(jìn)一步推廣應(yīng)用于油氣生產(chǎn)機(jī)械設(shè)備的其他關(guān)鍵部件(如旋轉(zhuǎn)設(shè)備的齒輪箱、葉輪,往復(fù)設(shè)備的氣閥、十字頭等)的狀態(tài)退化預(yù)警分析中。

[1] 曾慶虎,邱靜,劉冠軍.小波相關(guān)特征尺度熵和隱半馬爾可夫模型在設(shè)備退化狀態(tài)識(shí)別中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2008,44(11):236-241. ZENG Qing-hu,QIU Jing,LIU Guan-jun.Application of wavelet correlation feature scale entropy and hidden semi-Markov models to equipment degradation state recognition [J].Chinese Journal of Mechanical Engineering,2008, 44(11):236-241.

[2] 曾慶虎,邱靜,劉冠軍,等.基于KPCA-HSMM設(shè)備退化狀態(tài)識(shí)別方法的研究[J].兵工學(xué)報(bào),2009,30(6): 740-745. ZENG Qing-hu,QIU Jing,LIU Guan-jun,et al.The study of equipment degradation state recognition method based on KPCA-HSMM[J].Acta Armamentarii,2009, 30(6):740-745.

[3] 袁湘輝,吳文全,盧建斌,等.基于MHMM-SVM混合模型的雷達(dá)發(fā)射機(jī)性能退化狀態(tài)監(jiān)測(cè)[J].海軍工程大學(xué)學(xué)報(bào),2012,24(3):89-93. YUAN Xiang-hui,WU Wen-quan,LU Jian-bin,et al. Fault monitoring based on MHMM-SVM for radar transmitter[J].Journal of Naval University of Engineering, 2012,24(3):89-93.

[4] 雷金波.基于邏輯回歸和支持向量機(jī)的設(shè)備狀態(tài)退化評(píng)估與趨勢(shì)預(yù)測(cè)研究[D].上海:上海交通大學(xué)機(jī)械設(shè)計(jì)與理論,2008. LEI Jin-bo.Research on deneration assessment and trend prediction about machine based on logistic regression and SVM[D].Shanghai:Mechanical Design&Theory, Shanghai Jiaotong University,2008.

[5] 呂克洪.基于時(shí)間應(yīng)力分析的BIT降虛警與故障預(yù)測(cè)技術(shù)研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué)機(jī)械電子工程,2008. Lü Ke-hong.Research on BIT false alarm reducing and fault prediction technologies based on time stress analysis [D].Changsha:Mechanical Engineering,National University of Defense Technology,2008.

[6] 高甜容,于東,岳東峰,等.基于故障先兆判定模型和動(dòng)態(tài)置信度匹配的主軸潤(rùn)滑故障預(yù)測(cè)方法[J].機(jī)械工程學(xué)報(bào),2012,48(17):75-82. GAO Tian-rong,YU Dong,YUE Dong-feng,et al.Spindle lubrication fault prediction based on fault symptom decision model and dynamic confidence matching[J].Chinese Journal of Mechanical Engineering,2012,48(17): 75-82.

[7] VENKATASUBRAMANIAN V.Prognostic and diagnostic monitoring of complex systems for product lifecycle management:challenges and opportunities[J].Computers& Chemical Engineering,2005,29(6):1253-1263.

[8] VENKATASUBRAMANIAN V.Systemic failures:challenges and opportunities in risk management in complex systems[J].AIChE Journal,2011,57(1):2-9.

[9] LEE J,NI J,DJURDJANOVIC D,et al.Intelligent prognostics tools and e-maintenance[J].Computers in Industry,2006,57(6):476-489.

[10] DJURDJANOVIC D,LEE J,NI J.Watchdog agent—an infotronics based prognostics approach for product performance degradation assessment and prediction[J]. Advanced Engineering Informatics,2003,17(3):109-125.

[11] KAZUHIKO S,YOSHIOMI M.How to prevent accidents in process industries?recent accidents and safety activities in Japan:the 4th World Conference of Safety of Oil and Gas Industry,June 27-30,2012[C].Seoul:Korea, c2012.

[12] MULLER J,LEMKE F.Self-organizing data mining [M].Berlin,Hamburg:Libri Books,2000.

(編輯 沈玉英)

An early warning method of degradation for mechanical facilities based on data self-organization mining technology

HU Jin-qiu,ZHANG Lai-bin,HU Chun-yan,LI Wen-qiang
(Faculty of Mechanical and Oil-Gas-Storage and Transportation Engineering in China University of Petroleum,Beijing 102249,China)

Data self-organization mining technology was introduced during facility condition monitoring process,and an early warning method of degradation for facilities was developed.Hidden Markov model(HMM)was used to identify and assess the early degradation state of the facility,and the predictive model was further developed to predict the future degradation trend.In the case study,the proposed method was applied to bearings in the rotating machinery.The results show that the effectiveness,objectivity and accuracy of this method are validated by the test results.The predictive states are consistent with the actual situation,and the relative error is only 3.1%.In this way,the early warning of the degradation states can be given to make engineer carry out appropriate maintenance strategies effectively and timely,which can avoid production and economic losses due to unplanned shutdown of machine.

data self-organization mining;hidden Markov model(HMM);group method of data handling(GMDH);early warning of degradation

TH 17

:A

1673-5005(2014)03-0142-06

10.3969/j.issn.1673-5005.2014.03.023

2013-12-01

國(guó)家自然科學(xué)基金項(xiàng)目(51104168);教育部新世紀(jì)優(yōu)秀人才支持計(jì)劃項(xiàng)目(NCET-12-0972);北京市自然科學(xué)基金項(xiàng)目(3132027);中國(guó)石油大學(xué)(北京)科研基金項(xiàng)目(YJRC-2013-35);北京市優(yōu)秀博士學(xué)位論文指導(dǎo)教師科技項(xiàng)目(YB20111141401);中國(guó)石油天然氣集團(tuán)公司科學(xué)研究與技術(shù)開(kāi)發(fā)項(xiàng)目(2012B-3407)

胡瑾秋(1983-),女,副教授,博士,碩士生導(dǎo)師,主要研究方向?yàn)橛蜌馍a(chǎn)系統(tǒng)故障診斷、安全評(píng)價(jià)及預(yù)警。E-mail:hujinqiu@ gmail.com。