(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211144411.9 (22)申请日 2022.09.20 (71)申请人 重庆忽米网络科技有限公司 地址 400041 重庆市高新区万科023创意天 地万科锦尚4幢3单 元 (72)发明人 巩书凯　杜承志　姜仁杰　卢仁谦　 向红先　陈涛　胡兵兵　张玉洁　 邹惠宇　刘凤　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 黄河 (51)Int.Cl. G01M 13/00(2019.01) G06K 9/00(2022.01) G06K 9/62(2022.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的设备健康状态检测方 法 (57)摘要 本发明涉及工业设备检测技术领域， 尤其涉 及一种基于机器学习的设备健康状态检测方法， 包括以下步骤： S1、 获取工业设备的全生命周期 的历史数据； 所述历史数据包 括振动数据； S2、 分 析工业设备的设备状态与振动数据的关系； 所述 设备状态包括运行状态、 停机状态和离线状态； S3、 筛选出历史数据中的运行状态数据并进行预 处理， 得到运行状态的建模数据； S4、 对运行状态 的建模数据进行时域频率的特征提取， 并对提取 的特征进行处理得到运行状态的健康 参照数据； S5、 采集工业设备的实时数据， 并对实时运行数 据进行关键特征提取， 并结合运行状态的健康参 照数据对工业设备进行健康状态分析。 本发明可 以在保证准确的基础上， 便捷的对工业设备的状 态进行检测。 权利要求书1页 说明书4页 附图2页 CN 115307896 A 2022.11.08 CN 115307896 A 1.一种基于 机器学习的设备健康状态检测方法， 其特 征在于， 包括以下步骤： S1、 获取工业设备的全生命周期的历史数据； 所述历史数据包括振动数据； S2、 分析工业设备的设备状态与振动数据， 得到振动数据与各设备状态之间的关系； 所 述设备状态包括 运行状态、 停机状态和离线状态； S3、 根据振动数据与各设备状态之间的关系， 筛选出历史数据中的运行状态数据并进 行预处理， 得到运行状态的建模数据； S4、 对运行状态的建模数据进行时域频率的特征提取， 并对提取的特征进行处理得到 运行状态的健康参照数据； S5、 采集工业设备的实时数据， 并根据振动数据与各设备状态之间的关系筛选出实时 运行数据， 再对实时运行数据进行关键特征提取， 并结合运行状态的健康参照数据对工业 设备进行健康状态分析。 2.如权利要求1所述的基于机器学习的设备健康状态检测方法， 其特征在于： S2中， 所 述振动数据与各运行状态之间的关系包括： 若振动数据为空且持续时间超过X秒则为离线 状态； 若振动数据大于运行阈值则为 运行状态； 若振动数据小于等于阈值则为停机状态。 3.如权利要求2所述的基于机器学习的设备健康状态检测方法， 其特征在于： 所述运行 阈值的获取过程包括： 将运行状态的振动数据和停机状态的振动数据分别打上对应的标签 后， 通过SVM支持向量机将两组不同的数据区分开 来， 并将得到的中线值作为 运行阈值。 4.如权利要求1所述的基于机器学习的设备健康状态检测方法， 其特征在于： S3中， 预 处理包括： 采用卡尔曼 滤波进行滤波后， 按照预设的精度要求对数据进行筛 选修正。 5.如权利要求1所述的基于机器学习的设备健康状态检测方法， 其特征在于： S4中， 提 取的特征包括峰值、 峭度因子和信息熵。 6.如权利要求5所述的基于机器学习的设备健康状态检测方法， 其特征在于： S4中， 所 述健康参照数据包括均值 μ和方差σ 。 7.如权利要求6所述的基于机器学习的设备健康状态检测方法， 其特征在于： S4中， 所 述健康参照数据的获取过程包括： 将提取的特征用P CA降维得到 关键特征矩阵后， 计算关键 矩阵特征的均值中心 点， 得到运行状态的均值 μ； 再根据关键矩阵特征中个点与均值中心 点 的欧式距离， 计算 运行状态的方差σ 。 8.如权利要求7所述的基于机器学习的设备健康状态检测方法， 其特征在于： S5中， 所 述结合对应状态的参照数据进行健康状态判断包括： 将实施数据的关键特征用PCA降维得 到对应的位置点数值后， 计算该位置点数值与均值 μ 的距离值d； 再将d与方差σ 比较， 并按照 预设的状态标准， 得到 工业设备的健康状态。 9.如权利要求8所述的基于机器学习的设备健康状态检测方法， 其特征在于： 预设的状 态标准包括： 所述 健康状态包括 健康、 亚健康及不 健康。 10.如权利要求9所述的基于机器学习的设备健康状态检测方法， 其特征在于： 预设的 状态标准包括： 若d＜2σ， 则工业设备的健康状态为健康； 若2σ ＜d＜3σ， 则工业设备的健康 状态为亚健康； 若d＞3σ， 则工业设备的健康状态为 不健康。权　利　要　求　书 1/1 页 2 CN 115307896 A 2一种基于机 器学习的设 备健康状态检测方 法 技术领域 [0001]本发明涉及工业设备检测技术领域， 尤其涉及一种基于机器学习的设备健康状态 检测方法。 背景技术 [0002]对于工业型企业而言， 工业设备的安全稳定运行至关重要， 因为这不仅关系到企 业的生产， 还关系到 工作人员的安全问题。 [0003]当前， 工业设备的各种状态主要是通过开关量来表达的。 开关量， 指非连续性信号 的采集和输出， 包括遥控采集和遥控输出， 它有1和0两种状态， 这是数字电路中的开关性 质， 而电力上是指电路的开和关或者说是触点的接通和断开。 “开”和“关”是电器最基本、 最 典型的功能。 一般开关量装置通过内部继电器实现开关量的输出。 目前对工业设备进行健 康状态分析时， 通常需要采集工业设备 的状态相关的若干开关量后， 再对工业设备 的健康 状态进行分析。 这样的技术方案， 在实际操作中当检测设备的工作状态时， 设备的状态显示 需要大量的开关信号以及人工反复操作， 存在很大的局限性和不便性。 [0004]因此， 怎样才能在保证准确的基础上， 便捷的对工业设备的状态进行检测， 成为目 前亟待解决的问题。 发明内容 [0005]针对上述现有技术的不足， 本发明提供了一种基于机器学习的设备健康状态检测 方法， 可以在保证准确的基础上， 便捷的对工业设备的状态进行检测。 [0006]为了解决上述 技术问题， 本发明采用了如下的技 术方案： 一种基于 机器学习的设备健康状态检测方法， 包括以下步骤： S1、 获取工业设备的全生命周期的历史数据； 所述历史数据包括振动数据； S2、 分析工业设备的设备状态与振动数据， 得到振动数据与各设备状态之间的关 系； 所述设备状态包括 运行状态、 停机状态和离线状态； S3、 根据振动数据与各设备状态之间的关系， 筛选出历史数据 中的运行状态数据 并进行预处理， 得到运行状态的建模数据； S4、 对运行状态的建模数据进行时域频率的特征提取， 并对提取的特征进行处理 得到运行状态的健康参照数据； S5、 采集工业设备的实时数据， 并根据振动数据与各设备状态之间的关系筛选出 实时运行数据， 再对实时运行数据进行关键特征提取， 并结合运行状态的健康参照数据对 工业设备进行健康状态分析。 [0007]优选地， S2中， 所述振动数据与各运行状态之间的关系包括： 若振动数据为空且 持 续时间超过X秒则为离线状态； 若振动数据大于运行阈值则为运行状态； 若振动数据小于等 于阈值则为停机状态。 [0008]优选地， 所述运行阈值的获取过程包括： 将运行状态的振动数据和停机状态的振说　明　书 1/4 页 3 CN 115307896 A 3