[发明专利]一种仪表的故障预测装置

摘要

一种仪表的故障预测装置，包括A/D采集模块，信号处理模块、存储模块、故障预测模块和报警模块。定期采集在相同工作环境下工作的两个同型号仪表的输出信号，A/D采集模块将仪表输出的模拟信号转换为数字信号；通过信号处理模块计算输出差值；将差值数据进行归一化处理并提取时域特征向量，发送至存储模块；故障预测模块对特征向量进行特征降维、聚类分析、交叉验证、状态转移概率计算、状态识别和剩余使用寿命预测，实现仪表的故障预测；显示模块显示得到预测结果；报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。本装置可根据两个同型号仪表的输出信号的差值预测仪表的剩余使用寿命。

主权项

1.一种仪表的故障预测装置，包括：A/D采集模块(1)、信号处理模块(2)、存储模块(3)、故障预测模块(4)、显示模块(5)、报警模块(6)，其特征在于，为准确预测故障的发生，该预测装置执行如下步骤：/na)定期采集在相同工作环境下工作的两个同型号仪表的输出信号，通过A/D采集模块(1)把仪表输出的模拟信号转变为数字信号；/nb)通过信号处理模块(2)处理经过A/D采集模块(1)传送的数字量信号，计算两个同型号仪表的输出差值；/nc)对差值进行归一化处理，将数据规整到[0，1]范围内，提高后续预测的精确性；/nd)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征向量，并把特征向量发送至存储模块(3)中；/ne)故障预测模块(4)基于PCA(主元分析法)对步骤d)中获得的特征向量进行降维，通过构造一组新的潜隐变量来降低特征向量的维数，从新的映射空间抽取主要变化信息，进行特征向量的提取；再对降维之后的特征向量采用SOM(自组织特征映射神经网络)进行聚类，对具有相似性的数据进行自组织分类，设置多个全寿命下不同劣化状态数，将聚类后的状态利用交叉验证思想，得到仪表从健康到故障所经历的最佳劣化状态数；将最优状态数下的状态分类结果采用马尔可夫过程对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，根据计算得到的状态转移矩阵采用蒙特卡罗仿真方法对未来劣化状态进行RUL预测，得到当前仪表的剩余使用寿命，将预测结果发送给显示模块(5)；/nf)报警模块(6)实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。/n