基于POC与iDistance的工业装备可测性健康分析方法研究

Industrial equipment health analysis is an extension of the traditional fault diagnosis, which is the frontier research field of information science. Aiming at the problem of difficult to obtain the physical or mathematical model of industrial equipment and lack of empirical knowledge, this project will systematically and deeply investigate the generation of four classes of data-oriented (real-time data of sensors, historical data, related soft data and "cross-border" data )status feature vector from three aspects: fusion of multi-source and large industry data, assessment of health status and life prediction, to propose the construction idea of distance similarity calculation based measurable health analysis model and the calculation method of residual life based on fitting degree of real-time health value under variable working conditions is investigated. On the basis of the investigation of the fusion of multi-source and large data, this project focuses on how to establish the index system of health status assessment suiting for the problems to solve. Through proposing the fusion method of the four classes data and the testing, verification and application demonstration for the built models. This project will provide a new analysis technique and a new tool for the applications of industrial equipment health management, and also offer a new thought and approach for exploring intelligent operation and maintenance in information science.

工业装备健康分析是对传统的工业装备故障诊断的扩展，是信息科学的前沿研究领域。针对工业装备物理/数学模型难以获取，经验知识缺少等难题，本项目拟从多源工业大数据融合方法、健康状态评估及寿命预测等三方面，系统深入地研究求解4类数据（传感器实时数据、历史数据、相关软数据及“跨界”数据）的状态特征向量的生成方法，提出基于距离相似度计算的可测性健康分析方法和变工况条件下基于实时健康值的拟合度计算剩余使用寿命预测方法。以多源大数据融合为基础，着力解决如何建立与求解问题相匹配的健康状态综合评估指标体系这一关键问题。通过融合4类数据，以及对所构建的模型在典型的装备系统中进行测试、验证和示范应用，为工业装备健康管理提供新的分析方法和工具，同时也为信息科学探索实现智能运维提供新的理论及技术思路。

工业装备健康分析是对传统的工业装备故障诊断的扩展，是信息科学的前沿研究领域。本项目从监测数据的特性出发，将统计学习、深度学习等理论和方法引入到装备健康状态分析中，重点研究了信号分解、多源特征提取与融合、特征降维方法，实现了早期、少样本、多工况下装备健康状态的定量计算，取得了一系列创新性成果：1) 为解决早期故障信号特征之间的相关性和冗余对故障分类计算复杂性和精确度的干扰, 提出了一种基于距离和密度计算的时域、频域和时频域混合特征提取的滚动轴承早期故障诊断方法，使得分类性能大幅提升；2）针对振动信号容易受到环境噪声影响，导致故障特征难以提取、故障诊断的分类准确度降低等问题，提出融合峭度、相关系数和Wassterstein距离三个指标的信号分解及特征提取方法，使生成的状态特征向量更准确；3）针对故障样本不足情况，提出了一种生成对抗网络的平衡数据集方法，解决样本不均衡问题；4）针对现有的时间序列滑动窗口的降维方法采用经验值确定窗口大小，无法最大限度地保留数据的重要信息，提出了一种确定滑动窗口初始规模的算法，实现大数据量下故障特征降维和自动筛选；5）针对多位置、多类型故障诊断及剩余寿命预测面临的挑战，提出基于时间和空间特征融合构建健康指标的剩余寿命预测方法。课题研究成果最终突破工业装备健康监管在实际应用中的理论及技术瓶颈，提高了现有分析方法的自适应性和诊断精度。围绕相关研究成果，共发表学术论文16篇，其中SCI检索7篇，中文EI检索3篇，CSCD检索6篇；申请国家发明专利15项，授权国家发明专利4项。