(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 202210724695.2 (22)申请日 2022.06.24 (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　陈虎　卢仁谦　向红先　 李宏　 (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. G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 一种融合专家经验及智能算法的设备健康 评估方法 (57)摘要 本发明涉及设备监控维护技术领域， 具体涉 及一种融合专家经验及智能算法的设备健康评 估方法， 包括以下步骤： S1、 采集设备的信号数 据， 并由专家同步对设备的健康状态进行评估， 并标注对应的标签数据； S2、 对采集的信号数据 进行预处理后进行计算分析， 得到设备的状态参 数； S3、 对设备的状态参数进行处理和聚类， 得到 设备各状态的聚类中心， 并根据设备各状态的聚 类中心建立设备的状态矩阵； S4、 对设备某个状 态对应的聚类中心、 状态参数及标签数据进行处 理后， 对预设的基础模型进行训练， 得到设备该 状态对应的初始的评估模型。 本方法可以减少采 集的数据量， 同时可以对单台设备的健康状态进 行准确的评估。 权利要求书2页 说明书5页 附图1页 CN 115203905 A 2022.10.18 CN 115203905 A 1.一种融合专 家经验及智能算法的设备健康评估方法， 其特 征在于， 包括以下步骤： S1、 采集设备的信号数据， 并由专家同步对设备的健康状态进行评估， 并标注对应的标 签数据； S2、 对采集的信号数据进行 预处理后进行计算分析， 得到设备的状态参数； S3、 对设备的状态参数进行处理和聚类， 得到设备各状态的聚类 中心， 并根据设备各状 态的聚类中心建立设备的状态 矩阵； S4、 对设备某个状态对应的聚类 中心、 状态参数及标签数据进行处理后， 对预设的基础 模型进行训练， 得到 设备该状态对应的初始的评估模型； 并重复该过程， 直到分别得到 设备 所有状态的初始的评估 模型； S5， 采集设备实际运行时的信号数据并进行处理， 得到设备的当前状态参数； 根据当前 状态参数及状态矩阵得到设备 的当前状态后， 调用当前状态对应的评估模型， 结合设备 的 当前状态参数， 对设备当前的健康状态进行评估。 2.如权利要求1所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S2 中， 所述预处 理包括异常值的剔除、 缺失值的填充和时序信号滤波处 理。 3.如权利要求2所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S2 中， 所述状态参数包括时域状态参数、 频域状态参数和时频域状态参数。 4.如权利要求3所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S3 包括： S31、 按时间顺序， 将各时刻的状态参数组成向量的形式， 并记为各时刻的状态向量； S32、 对各 时刻的状态向量进行无监督学习， 采用K ‑Means算法聚类， 得到设备运行 时的 各运行状态； S33、 获取聚类结果中的各运行状态的聚类中心， 组成设备的状态 矩阵。 5.如权利要求4所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S4 包括： S41、 计算设备某个状态下的各时刻的信号数据的状态向量与该状态 的聚类中心的残 差值， 得到该状态的残差序列； S42、 按照预设的滑动窗口， 计算该状态的残差序列的标准差； S43、 通过该状态的残差值、 标准差以及对应的标签数据， 对预设的基础模型进行训练， 得到该状态的初始的评估 模型； S44、 重复S1 ‑S43， 直到分别得到设备 所有状态的初始的评估 模型。 6.如权利要求5所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S5 包括： S51、 对实际采集的信号数据进行处理， 得到当前的状态向量， 根据当前的状态向量及 状态矩阵， 确定设备的当前状态； S51、 根据当前的状态向量及对应的聚类中心， 计算当前的状态向量的残差值， 并得到 当前的残差序列； S52、 按照预设的滑动窗口， 计算当前的残差序列的标准差； S53、 调用当前状态对应的评估模型， 并根据当前的残差值及标准差， 对设备的当前健 康状态进行评估。权　利　要　求　书 1/2 页 2 CN 115203905 A 27.如权利要求6所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S5 后， 还包括S 6， 对评估 结果及装置的实际状态进 行分析， 若某状态的评估模型的评估结果为 存在异常， 或设备在该状态下实际出现异常， 则由专家给出对应的标签数据后作为新的训 练数据， 对该状态对应的评估 模型进行 再次训练， 得到该状态的训练更新后的评估 模型。 8.如权利要求7所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S6 包括： S61、 对评估结果及装置的实际状态进行分析， 若某状态的评估模型的评估结果为存在 异常， 或设备在该状态下实际出现异常， 则由专 家进行实时评估， 并给 出对应的标签数据； S62、 对S61中专 家实时评估所对应的信号数据进行处 理， 得到对应的残差及标准差； S63、 将专家实时给出的标签数据、 对应的残差及标准差， 加入对应状态的评估模型的 历史训练数据中， 并对该评估 模型进行训练更新， 得到该状态的训练更新后的评估 模型。 9.如权利要求1所述的融合专家经验及智能算法的设备健康评估方法， 其特征在于： S1 中， 所述信号数据的采集装置包括振动传感器、 温度传感器和噪声传感器的一个或多个。权　利　要　求　书 2/2 页 3 CN 115203905 A 3