GB/T 22394.2-2021
基本信息
标准号： GB/T 22394.2-2021
中文名称：机器状态监测与诊断 数据判读与诊断技术第2部分:数据驱动的应用
标准类别：国家标准(GB)
标准状态：现行
出版语种：简体中文
下载格式：.zip .pdf
下载大小：6040000
标准分类号
关联标准
出版信息
相关单位信息
标准简介
GB/T 22394.2-2021.Condition monitoring and diagnostics of machines-Data interpretation and
diagnostics techniques- Part 2 :Data-driven applications.
1范围
GB/T 22394的本部分给出了实施数据驱动监测与诊断方法的过程,以帮助专业人员,特别是监测中心的专业人员进行分析工作。
虽然现有的工具中已经内嵌了一些步骤,为了更好地使用,仍有必要注意下列步骤:
资产、关键故障以及可用过程参数的选择;
数据清洗和重采样;
模型开发;
模型初始化和调整;
模型性能评估;
诊断过程。
实施这些步骤不需要全面的统计学方法知识,但需要具有首先建立训练模型并将模型应用于监测和诊断过程的能力。
在正常工作状态的机器上实施数据驱动监测模型的训练。故障监测的原理是将观察数据与估计数据进行对比。参数的观察值与期望值之间的不同(称为残差)表示存在异常，该异常可能与设备或仪器有关。
在正常工作状态和故障状态的机器上实施数据驱动诊断模型的训练。诊断方法的原理不是去检测参数的偏差，而是通过将观察到的状况与训练阶段学到的故障进行比较从而识别故障。通常使用的技术是模式识别以及模式分类。
数据可以取自分散式控制系统(DCS)的历史数据,或者取自特定的监测系统。
2规范性引用文件
下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件,仅注日期的版本适用于本文件。凡是不注日期的引用文件,其最新版本(包括所有的修改单)适用于本文件。
ISO 13372机器状态监测与诊断词汇(Condition monitoring and diagnostics of machines- Vocabulary)
diagnostics techniques- Part 2 :Data-driven applications.
1范围
GB/T 22394的本部分给出了实施数据驱动监测与诊断方法的过程,以帮助专业人员,特别是监测中心的专业人员进行分析工作。
虽然现有的工具中已经内嵌了一些步骤,为了更好地使用,仍有必要注意下列步骤:
资产、关键故障以及可用过程参数的选择;
数据清洗和重采样;
模型开发;
模型初始化和调整;
模型性能评估;
诊断过程。
实施这些步骤不需要全面的统计学方法知识,但需要具有首先建立训练模型并将模型应用于监测和诊断过程的能力。
在正常工作状态的机器上实施数据驱动监测模型的训练。故障监测的原理是将观察数据与估计数据进行对比。参数的观察值与期望值之间的不同(称为残差)表示存在异常，该异常可能与设备或仪器有关。
在正常工作状态和故障状态的机器上实施数据驱动诊断模型的训练。诊断方法的原理不是去检测参数的偏差，而是通过将观察到的状况与训练阶段学到的故障进行比较从而识别故障。通常使用的技术是模式识别以及模式分类。
数据可以取自分散式控制系统(DCS)的历史数据,或者取自特定的监测系统。
2规范性引用文件
下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件,仅注日期的版本适用于本文件。凡是不注日期的引用文件,其最新版本(包括所有的修改单)适用于本文件。
ISO 13372机器状态监测与诊断词汇(Condition monitoring and diagnostics of machines- Vocabulary)
标准图片预览
标准内容
ICS17.160
中华人民共和国国家标准
GB/T22394.2—2021/ISO13379-2:2015机器状态监测与诊断
数据判读与诊断
技术第2部分：数据驱动的应用
Condition monitoring and diagnostics of machines--Data interpretation anddiagnostics techniquesPart 2:Data-driven applications(ISO 13379-2:2015.IDT)
2021-05-21发布
国家市场监督管理总局
国家标准化管理委员会
2021-12-01实施
GB/T 22394.2—2021/1S) 13379-2:2015前
规范性引用文件
术语和定义
实施数据驱动监测的过程
数据驱动监测方法原理
资产关键故障和过程参数选择
数据清洗和重采样
插值误差
数据品质问题
数据重采样
4.4模型开发
模型的定义和朴关输入的选择
相关工况和数据的选择
模型测试准各
模型性能评估
报警设置
5实施数据驱动诊断的过程
白动模式分类方法下载标准就来标准下载网
5.3简化的白动特征分类方法
6实施数据驱动监测方法的-般建议目
附录A（资料性附录）数据驱动监测应用示例附录13（资料性附录）数据驱动诊断成用示例参考文献
-rKaeerKa-
GB/T22394《机器状态监测与诊断第1部分：总则：
第2部分：数据驱动的应用：
一第3部分：基于知识的成用。
本部分是（G3/122391的第2部分）前言
GB/T 22394.2—2021/ISO) 13379-2:2015数据判读与诊断技术》分为以下3部分：本部分按照GB/T1.12009给出的规则起草。本部分使用翻译法等同采用IS0）13379-2：2015《机器状态监测与诊断数据判读与诊断技术第
2部分：数据驱动的应用》
与本部分中规范性引用的国际文件有致性对应美系的我国文件如下：—（GB3/T20921—2007机器状态监测与诊断词汇（1IS013372:2001，IDT)。GB/T22394.12005机器状态监测与诊断数据判读和诊断技术：第1部分：总则（IS0)13379-1:2012,IDT)
本部分由全国机械振动、冲击与状态监测标准化技术委员会（SAC/TC53)提出并归口本部分起草单位：华北电力大学、西安热工研究院有限公司、郑州机械研究所有限公司。本部分主要起草人：付忠广张学延、马卫平，-rKaeerkca-
GB/T22394.2—2021/1S013379-2:2015引
GB/T22394的本部分给出了可用丁确定机器相对一系列基线参数状态的一般过程。相对丁基线值的变化和与报警条件的刘比，用丁表示异常状态并产生报警，这样的过程通常称为状态监测。另外，为帮助确定合适的处理措施，识别异常状态原因的过程，通常称为诊断r kaeerkAca
1范围
GB/T22394.2—2021/IS013379-2:2015机器状态监测与诊断数据判读与诊断技术第2部分：数据驱动的应用
GB/T22394的本部分给出了实施数据驱动监测与诊断方法的过程，以帮助专业人员，特别是监测中心的专业人员进行分析工作
虽然现有的工具中已经内嵌厂·些步骤.为了史好地使用.仍有必要注意下列步骤：资产、关键故障以及可用过程参数的选择：—数据清洗和重采样：
模型开发；
一模型初始化和调整；
——模型性能评估；
一诊断过程。
实施这些步骤不需要全面的统计学方法知识，但需要具有首先建立训练模型并将模型应用丁监测和诊断过程的能力。
在正常工作状态的机器上实施数据驱动监测模型的训练：放障监测的原理是将观察数据与估计数据进行对比。参数的观察值与期望值之间的不同（称为残差)表示存在常，该异常可能与设备或仪器有美，
在正常工作状态和故障状态的机器上实施数据驱动诊断模型的训练。诊断方法的原理不是去检测参数的偏差，而是通过将观察到的状况与训练阶段学到的故障进行比较从而识别故障。通常使用的技术是模式识别以及模式分类，
数据可以取白分散式控制系统（DS)的历史数据：或者取白特定的监测系统：2规范性引用文件
下列文件对于本文件的应用是必不可少的。凡是注Ⅱ期的引用文件，仅注Ⅱ期的版本适用于本文件。凡是不注日期的引用文件，其最新版本(包括所有的修政单)适用丁本文件。1SO13372机器状态监测与诊断词汇（Conclitionmonitoringanldiagnosticsofmachines—Vocabulary)
1SO 3379-14
机器状态监测与诊断数据判读和诊断技术第部分；总则（Conditiormonitoring and diagnostics of machineData interpretation and dliagnostics techniques-Part l: Gereral guidelines)
3术语和定义
ISO13372和ISO13379-1界定的术语和定义适用于本文件。1
riKaeerKAca-
GB/T22394.2—2021/1S013379-2:20154实施数据驱动监测的过程
4.1数据驱动监测方法原理
在状态监测方面传统统计方法是基丁单个信号趋势进行观察，现代统计方法则是同时考虑多个设备信号并构建这些信号之间的内在关系。现代统计方法正开始替代传统统计方法。这此监测方法依照相同的原理监测故障，即将监测数热与估计数势进行对比在监测阶段之前，需要在训练阶段建立正常设备状态的模型。这样，可通过系统参数的观察值和期望值之问的偏差进行故障监测，图1所示为在一台燃气轮机1应用的示例，标是停机后俭测常的轴位移。模型中考虑了几个输人量：有功功率、尤功功率和轴承位移90
0801406
说明：
15/01/06
15/01/06
绿色为训练数据：
蓝色为监测数据：
红色为预测数据。
22/01/06
22/01/06
图1燃气轮机位移大小和残差
29/01/06
29/01/06
数据驱动监测常用方法有白相关核回归法（AAKR）、聚类和偏最小二乘法（PLS）、支持向量机法（SVM）和马氏日口法（MT）。
4.2资产关键故障和过程参数选择实施数据驱动监测的过程在IS017359中有精确的描述。包括两个重要的审核：2
-rrKaeerKa-
一设备中核：识别设备及其功能；GB/T22394.2—2021/IS013379-2:2015一靠性和关键性中核：绘制可靠性框图，建立设备关键性并完成失效模式、影响及危害度分析。一口完成初步研究和识别出关键故障清单，就有必要列出历史数据中或者特定监测系统中的可用过程数据：振动监测系统就是这样的例子：如果监测关键故障的范围没有完全覆盖，就有可能需要考虑增加传感器或者考虑调整现有传感器的位置
数据清洗和重采样
4.3.1总则
为了构建一个稳健性强的模型，应百先收集信号验证所需要的、涵盖所有系统工况的数据，这些数据是已收集并储存的历史数据，事实上，由于-些诺如捕估误差、随机数据误差、缺失数据重要数据去失、数据下顿及其他等异常情况的发生，这此数据可能并不总是表示真实的设备状态。宜直进行数检查和纠正数据。
注意：删除数据前应慎重
4.3.2插值误差
使用历史数据训练模型时.道常巡到的第个问题是可用的、处埋过的数据与实际数据并不致。但可以用数据归档程序巾压缩的数据代替：通常，历史数插记录软件创建的数据库文件是时间序列数据库文件，然而，并非所有时刻采集的数据都存储。只有数据值的变化超过规定的量时才存储其数据并川上个时间裁，这种方法只需要很少的存储空间·但却损失广数据的保真。当从历史数据巾提取数据时，记录数据之闻的数据值或名通过简单的线性插值计算，或者通过第二个数据点的步长订算。数据结果显得是锯齿时间序列，可能严重改变传感器之间的相关性总之，用丁模型训练的数据宜是实际数据，允差的设定宜尽可能地小或者不设允差4.3.3数据品质问题
几个最常见的数据品质问题是：数据缺失；
—噪声或随机数据：
一有缺陷的传感器导致的未史新或标定失效的数据：一不合理的数据（超出范围），大多数这样的数据问题可以直观地识别，或者通过数清洗实用程序监测到。这此实用程序可剔除坏的数据或者用某种算法得到最可能的数据替代坏数据。常见的是从训练数据集内删除所有的坏数据。大多数软件系统都包插自动数抛清洗干具，这此工具软件能很容易地识别极度偏离期望的数据，但是刘期望运行域内的数据偏差通常不感。训练数据集内的坏数据点会使模型失效。4.3.4数据重采样
数据·且清洗，可能需要在史低的速率下重采样，该速率由运行模式决定。这样，建议保留所有的时问截以描述重要运行参数（如：机器停机)的瞬态特征。然而在稳态运行工况，每10 min来集一个数鹅样本(平均或不平均获得)可能就足够。4.4模型开发
4.4.1总则
模型开发不是简单的。需要完成儿个步骤，包括：3
riKaeerkAca-
GB/T 22394.2—2021/1S() 13379-2:2015选择租美特征；
—一选择相关运行工况和训练数据；准备模型测试。
构建一个数据驱动模型需要：
一关注丁特定类型故障（机械的、电气的、热力的等)的一组参数(传感器)；已知机器处于良好健康状态期间的数样本4.4.2模型的定义和相关输入的选择一日数据的品质经过了检验，就应定义模型特征。特征可以是原始传感器数值本身，也川以是从传感器值（指数加权移动平均值、平均值、峭度值)导出的数值：一个过程装备有数自个参数需要监测用于关设备评行因此，这此参数会被分成此小的美联组·以美注设备的特定功能（热力的、机械的、冷却的等）。
模型的性能会受到所含特征的强烈影响。多余的特征会诱发虑假报警或屏蔽真实事件，从而降低模型的性能。多余的特征可包含不变的或随机的特征，缺失重要的特征会使一些故障可能监测不到。构建模型时为了获得精度和稳健性，记选择功能方面的特征（对特定故障组的监测有用的参数）以及数字量方而的特征，建议在模型中采用相关联的特征，并考虑到独立的参数（如外部过程参数)能说明机器状态正常变化这样的事实，4.4.3相关工况和数据的选择
模型应使用沥盖所有工况的数据逆行训练：山丁工况是出系统结构、传感器值和作业程序界定的、所以不同设各的下况会有显著不同，一个工况变化的例了是备用泵的定期使用，或者兀余泵的周期使用，为了模型能正确工作，对系统的每个工况都应进行训练。们是对某些不常用工况的过分训练会降低最常用工况下模型的性能。因此，某些设备的工况川能从不列人训练集合。工况还会出丁设备的维修而政变。这种情况下模型应进行重新训练以考新的工况。最后.工况也会由于-些周期性的现象而改变，如：季节变化，如果个模型是用夏季收集的数排训练的，在冬不时气温和冷却水温等有了显著的不同，模型可能表现不好，乃外，外界坏境的兄常变化也会影响模型的性能，例如：如果一个模型是用典型夏手数据训练出的，在只常热的夏天冷却水温更高，模型可能不能正确工作。这种情况下，新工况的数据应加到训练数据中。谨记一些特殊工况如下：
一注意机器维修的时间，因为维修会显著改变机器的性能：一有必要考患维修时间间隔很长的机器，那表明机器性能会显著劣化：构建模型时要注意当前运行工况之前的瞬态影响（例如：之前的功率或速度变化）。4.4.4模型测试准备
在识别了所有的典型下况之后.下步就是选择输入数据并将数据划分为训练数据、检验数据以及测试数据，通常，用户没有优先的分类方法可选，因为其取决于监测工具。训练和检验数据用于元发和测试生产设备的模型。使用带附加偏差的检验模型红成的测试集，米评估模型的监测性能：
4.5模型性能评估
监测过程的下一步是选择和优化模型参数，这些参数对于不同的方法可能是不同的（例如：核函数宽度、最人簇直径、特征值的数量和隐层数量等）。-riKacerKAca-
GB/T22394.2—2021/IS0)13379-2:2015利用训练数据对模型进行训练，利用检验数据进行评估。选取检验数据上性能最好的模型参数。且最终的模型参数通过训练数据和检验数据选定后.就可以利用测试数据集评估模型的总体性能，重要的是测试数不用于调整模型参数.而只是对模型进行总体性能的偏差评估。另外，当传感器有漂移时.模型的性能评存可通过依次给每个传感器读数个逐渐加大的偏荒，并用模型的输出校止传感器放障的方法来完成，然后，利用有缺陷输人数的预测估来确定模型的稳健性和溢出效成，稳健性可解释为当传感器由于某种故障导致数侦不止确时，数据驱动模型做出止确的传感器预测的能力度量，溢出效应是有缺陷的传感器输人对其他传感器输出的影响。4.6报警设置
在一个成功的监测应用中，设置监测模型的预警值和报警值是一项关键的任务。设置模型的预警侦是·项平衡模型谢报警和误报菩的可能性和敏感度的行为设置预警伯最常用的方法是选择个从工程的负度看合埋的数（阅伯），该设置伯可基干单个参数的残差或者实际样本与训练模型之问的整体差距逝行调整，或者基丁两者逊行调整。此外，建议对开发的数批驱动模型性能进行量化表示，并根批模型的估计精度对预警设置值进行调整
报警值定义的最常用方法是使用逻辑滤波规定在给定窗口内发生预警的数目：这类逻辑窗的应用过滤掉了出现大残差值的虚假点，有效地减少了预警的数目：设定预警值和报警值的决定性要素是选择用哪个监视器的信号给出报警：通常，没必要对模型中所有的信号给出报警：息的来说，决策要基于下程判断，即给定信号对被监测设备健康状态的响成是如何表尔的。
5实施数据驱动诊断的过程
5.1总则
数据驱动模型能根据模型设置产生系列的带有相应预警和报警的残差数据流。因此，最终的步骤是利用残差识别观察到的预警和报警处的故障各种原因都能在参数残差中引起偏差：首先需要确认观察到的偏差不是因为模型的调整引起的。如果不是模型引起的.其他根本原因可能是仪表或设备故障引起。目前的数据驱动监测经验通常依赖丁人工判读过程许多设备劣化的途径是已知的重复的市件。如果义了这些途径的失效特征，则异常过程的判读就能百动完成：
诊断机器的状态能采用两个主要的方法，参见IS0133791的措述：数据驱动的方法：
一基丁知识的方法：
很多数据驱动的方法在ISO133791有详细解释：下列段落给出两个简单数据驱动方法的应用：一白动模式分类：
一简化的白动特征分类。
另一个实现白动诊断过程的简单方法是基丁所有可用的存储信息（残差、绝对值、预警和报警阐值）编制规则。基丁规则的诊断是基丁知识诊断的一部分。5.2自动模式分类方法
模式分类的日标是根据先验的知识或者根据从模式中提取的统计信息对数据模式进行分类。被分类成的模式通常是一些测量组，在适当多维空问中的定义点群。5
-riKacerKAca-
GB/T22394.2—2021/1S013379-2:2015分类或描述方案通常基于组己分类或描述模式的可用性，这组模式叫做训练集（见图2），产生的学习方法特征是有监督的学习。10
说明：
蓝色为健康状态：
红色为故障状态！：
黑色为收障状态2；
绿色为做障状态3.
图2模式分类示例
模式可能是基丁参数的原始值，也川能是基丁数据驱动模型监测阶段处理后生的残差数据。应清晰界定可以按受的区域边界，以避免错误诊断和允许自动诊断：残差数据的应用能使模型不受机器的初始状态的影响.而仪考虑数据流特征因监测到的故障而发生的演变。对于具有稳定状态特征的故障.模式分类可能容易地实现，对于具有随时间变化特征的故障（磨损、摩擦、裂纹等)分类是可能的仙比较困难。5.3简化的自动特征分类方法
简单的自动分类方法可使用带有相成预警和报警的差数据实现，部件过程测量的报警列表相当于一组状态指示器.例如：参数1高（或正报警）：参数2和参数3无警报：参数4低（或负报警）等。使用这些信息的一种方法是把预警和报警列表转化为数值模式.如[100-1]。这表小一种确定部件劣化原因的遂辑方法（见表1）：表1样本
入个传感器给出的故障特征
-rrKaeerKAca-
状态评估
部件故障No.1
表1(续）
六个传感器给出的故障特征
实施数据驱动监测方法的一般建议0
为达到优化实施数据驱动监测和诊断方法的日的，宜：GB/T 22394.2—2021/IS0)13379-2:2015状态评估
部件故障No.2
部件故障No.3
传感器故障X1
传感器故障X2
传感器故障X3
传感器故障x4
传感器故障x5
传感器技险X6
传感器改障X1
传感器液障X2
传感器改障X3
传感器放障X4
传感器故障X5
传感器故障X6
列出待识别的严重故障和历史数据库或特定监测系统中的数据；为了监测和诊断的月的，利用不超过20个描述符构建模型；为模型中监测数据驱动方法集成相关的描述符：为了监测的日的，清洗相应止常状态的历史数据；为广诊断的日的·清洗相应止常和故障状态的历史数据；为了数据的解释和重新训练，记录训练数据和监测组态：验证不同故障对应的模式之间有清晰的分隔；集成诊断模型中故障描述符的趋势值时，注意模型的稳健性；为广监测的的，设置合埋的残差报警阅估（例如：三级阔估会产牛很多报警）-riKaeerkca-
GB/T 22394.2—2021/1S 13379-2:2015附录A
(资料性附录）
数据驱动监测应用示例
A.1总则
本附录给出一个数据驱动监测应用的示例。A.2联合循环汽轮机的振动特性
运行过程中，这台汽轮机的轴承绝对振动达到异常水平，产生运行报警本示例研究的日的.是利用经验模型识别振动变化趋势是由于运行参数的变化引起的，还是由于汽轮机中间轴承的机械问题引起的。木示例中考了儿个输入量：有功功率、蒸汽输人流量和背压。输出参数是汽轮机两个中问轴承振动的均方根值，单位：mm/s.
图A1中用红色表示三个阶段（训练阶段，止常行为阶段和异常行为阶段）模型估计的振动值这里提出两个理由米解释这种振动特性的变化：a），在1次停机过程中，整体结构刚度出现漂移或名改变，或名两名兼而有之；b）以前从未达到过这么高的背压。出图A.1的分析推断：
残差(红线和蓝线之间的差别)的微弱变化趋势，要经过数月的时间才能检测到；变化趋势与运行参数的长期变化无关，7
01/03/06
a）训练阶段
图A，1三种汽轮机状态的估计振动值-rrKaeerKa-
01/04/06
小提示：此标准内容仅展示完整标准里的部分截取内容，若需要完整标准请到上方自行免费下载完整标准文档。
中华人民共和国国家标准
GB/T22394.2—2021/ISO13379-2:2015机器状态监测与诊断
数据判读与诊断
技术第2部分：数据驱动的应用
Condition monitoring and diagnostics of machines--Data interpretation anddiagnostics techniquesPart 2:Data-driven applications(ISO 13379-2:2015.IDT)
2021-05-21发布
国家市场监督管理总局
国家标准化管理委员会
2021-12-01实施
GB/T 22394.2—2021/1S) 13379-2:2015前
规范性引用文件
术语和定义
实施数据驱动监测的过程
数据驱动监测方法原理
资产关键故障和过程参数选择
数据清洗和重采样
插值误差
数据品质问题
数据重采样
4.4模型开发
模型的定义和朴关输入的选择
相关工况和数据的选择
模型测试准各
模型性能评估
报警设置
5实施数据驱动诊断的过程
白动模式分类方法下载标准就来标准下载网
5.3简化的白动特征分类方法
6实施数据驱动监测方法的-般建议目
附录A（资料性附录）数据驱动监测应用示例附录13（资料性附录）数据驱动诊断成用示例参考文献
-rKaeerKa-
GB/T22394《机器状态监测与诊断第1部分：总则：
第2部分：数据驱动的应用：
一第3部分：基于知识的成用。
本部分是（G3/122391的第2部分）前言
GB/T 22394.2—2021/ISO) 13379-2:2015数据判读与诊断技术》分为以下3部分：本部分按照GB/T1.12009给出的规则起草。本部分使用翻译法等同采用IS0）13379-2：2015《机器状态监测与诊断数据判读与诊断技术第
2部分：数据驱动的应用》
与本部分中规范性引用的国际文件有致性对应美系的我国文件如下：—（GB3/T20921—2007机器状态监测与诊断词汇（1IS013372:2001，IDT)。GB/T22394.12005机器状态监测与诊断数据判读和诊断技术：第1部分：总则（IS0)13379-1:2012,IDT)
本部分由全国机械振动、冲击与状态监测标准化技术委员会（SAC/TC53)提出并归口本部分起草单位：华北电力大学、西安热工研究院有限公司、郑州机械研究所有限公司。本部分主要起草人：付忠广张学延、马卫平，-rKaeerkca-
GB/T22394.2—2021/1S013379-2:2015引
GB/T22394的本部分给出了可用丁确定机器相对一系列基线参数状态的一般过程。相对丁基线值的变化和与报警条件的刘比，用丁表示异常状态并产生报警，这样的过程通常称为状态监测。另外，为帮助确定合适的处理措施，识别异常状态原因的过程，通常称为诊断r kaeerkAca
1范围
GB/T22394.2—2021/IS013379-2:2015机器状态监测与诊断数据判读与诊断技术第2部分：数据驱动的应用
GB/T22394的本部分给出了实施数据驱动监测与诊断方法的过程，以帮助专业人员，特别是监测中心的专业人员进行分析工作
虽然现有的工具中已经内嵌厂·些步骤.为了史好地使用.仍有必要注意下列步骤：资产、关键故障以及可用过程参数的选择：—数据清洗和重采样：
模型开发；
一模型初始化和调整；
——模型性能评估；
一诊断过程。
实施这些步骤不需要全面的统计学方法知识，但需要具有首先建立训练模型并将模型应用丁监测和诊断过程的能力。
在正常工作状态的机器上实施数据驱动监测模型的训练：放障监测的原理是将观察数据与估计数据进行对比。参数的观察值与期望值之间的不同（称为残差)表示存在常，该异常可能与设备或仪器有美，
在正常工作状态和故障状态的机器上实施数据驱动诊断模型的训练。诊断方法的原理不是去检测参数的偏差，而是通过将观察到的状况与训练阶段学到的故障进行比较从而识别故障。通常使用的技术是模式识别以及模式分类，
数据可以取白分散式控制系统（DS)的历史数据：或者取白特定的监测系统：2规范性引用文件
下列文件对于本文件的应用是必不可少的。凡是注Ⅱ期的引用文件，仅注Ⅱ期的版本适用于本文件。凡是不注日期的引用文件，其最新版本(包括所有的修政单)适用丁本文件。1SO13372机器状态监测与诊断词汇（Conclitionmonitoringanldiagnosticsofmachines—Vocabulary)
1SO 3379-14
机器状态监测与诊断数据判读和诊断技术第部分；总则（Conditiormonitoring and diagnostics of machineData interpretation and dliagnostics techniques-Part l: Gereral guidelines)
3术语和定义
ISO13372和ISO13379-1界定的术语和定义适用于本文件。1
riKaeerKAca-
GB/T22394.2—2021/1S013379-2:20154实施数据驱动监测的过程
4.1数据驱动监测方法原理
在状态监测方面传统统计方法是基丁单个信号趋势进行观察，现代统计方法则是同时考虑多个设备信号并构建这些信号之间的内在关系。现代统计方法正开始替代传统统计方法。这此监测方法依照相同的原理监测故障，即将监测数热与估计数势进行对比在监测阶段之前，需要在训练阶段建立正常设备状态的模型。这样，可通过系统参数的观察值和期望值之问的偏差进行故障监测，图1所示为在一台燃气轮机1应用的示例，标是停机后俭测常的轴位移。模型中考虑了几个输人量：有功功率、尤功功率和轴承位移90
0801406
说明：
15/01/06
15/01/06
绿色为训练数据：
蓝色为监测数据：
红色为预测数据。
22/01/06
22/01/06
图1燃气轮机位移大小和残差
29/01/06
29/01/06
数据驱动监测常用方法有白相关核回归法（AAKR）、聚类和偏最小二乘法（PLS）、支持向量机法（SVM）和马氏日口法（MT）。
4.2资产关键故障和过程参数选择实施数据驱动监测的过程在IS017359中有精确的描述。包括两个重要的审核：2
-rrKaeerKa-
一设备中核：识别设备及其功能；GB/T22394.2—2021/IS013379-2:2015一靠性和关键性中核：绘制可靠性框图，建立设备关键性并完成失效模式、影响及危害度分析。一口完成初步研究和识别出关键故障清单，就有必要列出历史数据中或者特定监测系统中的可用过程数据：振动监测系统就是这样的例子：如果监测关键故障的范围没有完全覆盖，就有可能需要考虑增加传感器或者考虑调整现有传感器的位置
数据清洗和重采样
4.3.1总则
为了构建一个稳健性强的模型，应百先收集信号验证所需要的、涵盖所有系统工况的数据，这些数据是已收集并储存的历史数据，事实上，由于-些诺如捕估误差、随机数据误差、缺失数据重要数据去失、数据下顿及其他等异常情况的发生，这此数据可能并不总是表示真实的设备状态。宜直进行数检查和纠正数据。
注意：删除数据前应慎重
4.3.2插值误差
使用历史数据训练模型时.道常巡到的第个问题是可用的、处埋过的数据与实际数据并不致。但可以用数据归档程序巾压缩的数据代替：通常，历史数插记录软件创建的数据库文件是时间序列数据库文件，然而，并非所有时刻采集的数据都存储。只有数据值的变化超过规定的量时才存储其数据并川上个时间裁，这种方法只需要很少的存储空间·但却损失广数据的保真。当从历史数据巾提取数据时，记录数据之闻的数据值或名通过简单的线性插值计算，或者通过第二个数据点的步长订算。数据结果显得是锯齿时间序列，可能严重改变传感器之间的相关性总之，用丁模型训练的数据宜是实际数据，允差的设定宜尽可能地小或者不设允差4.3.3数据品质问题
几个最常见的数据品质问题是：数据缺失；
—噪声或随机数据：
一有缺陷的传感器导致的未史新或标定失效的数据：一不合理的数据（超出范围），大多数这样的数据问题可以直观地识别，或者通过数清洗实用程序监测到。这此实用程序可剔除坏的数据或者用某种算法得到最可能的数据替代坏数据。常见的是从训练数据集内删除所有的坏数据。大多数软件系统都包插自动数抛清洗干具，这此工具软件能很容易地识别极度偏离期望的数据，但是刘期望运行域内的数据偏差通常不感。训练数据集内的坏数据点会使模型失效。4.3.4数据重采样
数据·且清洗，可能需要在史低的速率下重采样，该速率由运行模式决定。这样，建议保留所有的时问截以描述重要运行参数（如：机器停机)的瞬态特征。然而在稳态运行工况，每10 min来集一个数鹅样本(平均或不平均获得)可能就足够。4.4模型开发
4.4.1总则
模型开发不是简单的。需要完成儿个步骤，包括：3
riKaeerkAca-
GB/T 22394.2—2021/1S() 13379-2:2015选择租美特征；
—一选择相关运行工况和训练数据；准备模型测试。
构建一个数据驱动模型需要：
一关注丁特定类型故障（机械的、电气的、热力的等)的一组参数(传感器)；已知机器处于良好健康状态期间的数样本4.4.2模型的定义和相关输入的选择一日数据的品质经过了检验，就应定义模型特征。特征可以是原始传感器数值本身，也川以是从传感器值（指数加权移动平均值、平均值、峭度值)导出的数值：一个过程装备有数自个参数需要监测用于关设备评行因此，这此参数会被分成此小的美联组·以美注设备的特定功能（热力的、机械的、冷却的等）。
模型的性能会受到所含特征的强烈影响。多余的特征会诱发虑假报警或屏蔽真实事件，从而降低模型的性能。多余的特征可包含不变的或随机的特征，缺失重要的特征会使一些故障可能监测不到。构建模型时为了获得精度和稳健性，记选择功能方面的特征（对特定故障组的监测有用的参数）以及数字量方而的特征，建议在模型中采用相关联的特征，并考虑到独立的参数（如外部过程参数)能说明机器状态正常变化这样的事实，4.4.3相关工况和数据的选择
模型应使用沥盖所有工况的数据逆行训练：山丁工况是出系统结构、传感器值和作业程序界定的、所以不同设各的下况会有显著不同，一个工况变化的例了是备用泵的定期使用，或者兀余泵的周期使用，为了模型能正确工作，对系统的每个工况都应进行训练。们是对某些不常用工况的过分训练会降低最常用工况下模型的性能。因此，某些设备的工况川能从不列人训练集合。工况还会出丁设备的维修而政变。这种情况下模型应进行重新训练以考新的工况。最后.工况也会由于-些周期性的现象而改变，如：季节变化，如果个模型是用夏季收集的数排训练的，在冬不时气温和冷却水温等有了显著的不同，模型可能表现不好，乃外，外界坏境的兄常变化也会影响模型的性能，例如：如果一个模型是用典型夏手数据训练出的，在只常热的夏天冷却水温更高，模型可能不能正确工作。这种情况下，新工况的数据应加到训练数据中。谨记一些特殊工况如下：
一注意机器维修的时间，因为维修会显著改变机器的性能：一有必要考患维修时间间隔很长的机器，那表明机器性能会显著劣化：构建模型时要注意当前运行工况之前的瞬态影响（例如：之前的功率或速度变化）。4.4.4模型测试准备
在识别了所有的典型下况之后.下步就是选择输入数据并将数据划分为训练数据、检验数据以及测试数据，通常，用户没有优先的分类方法可选，因为其取决于监测工具。训练和检验数据用于元发和测试生产设备的模型。使用带附加偏差的检验模型红成的测试集，米评估模型的监测性能：
4.5模型性能评估
监测过程的下一步是选择和优化模型参数，这些参数对于不同的方法可能是不同的（例如：核函数宽度、最人簇直径、特征值的数量和隐层数量等）。-riKacerKAca-
GB/T22394.2—2021/IS0)13379-2:2015利用训练数据对模型进行训练，利用检验数据进行评估。选取检验数据上性能最好的模型参数。且最终的模型参数通过训练数据和检验数据选定后.就可以利用测试数据集评估模型的总体性能，重要的是测试数不用于调整模型参数.而只是对模型进行总体性能的偏差评估。另外，当传感器有漂移时.模型的性能评存可通过依次给每个传感器读数个逐渐加大的偏荒，并用模型的输出校止传感器放障的方法来完成，然后，利用有缺陷输人数的预测估来确定模型的稳健性和溢出效成，稳健性可解释为当传感器由于某种故障导致数侦不止确时，数据驱动模型做出止确的传感器预测的能力度量，溢出效应是有缺陷的传感器输人对其他传感器输出的影响。4.6报警设置
在一个成功的监测应用中，设置监测模型的预警值和报警值是一项关键的任务。设置模型的预警侦是·项平衡模型谢报警和误报菩的可能性和敏感度的行为设置预警伯最常用的方法是选择个从工程的负度看合埋的数（阅伯），该设置伯可基干单个参数的残差或者实际样本与训练模型之问的整体差距逝行调整，或者基丁两者逊行调整。此外，建议对开发的数批驱动模型性能进行量化表示，并根批模型的估计精度对预警设置值进行调整
报警值定义的最常用方法是使用逻辑滤波规定在给定窗口内发生预警的数目：这类逻辑窗的应用过滤掉了出现大残差值的虚假点，有效地减少了预警的数目：设定预警值和报警值的决定性要素是选择用哪个监视器的信号给出报警：通常，没必要对模型中所有的信号给出报警：息的来说，决策要基于下程判断，即给定信号对被监测设备健康状态的响成是如何表尔的。
5实施数据驱动诊断的过程
5.1总则
数据驱动模型能根据模型设置产生系列的带有相应预警和报警的残差数据流。因此，最终的步骤是利用残差识别观察到的预警和报警处的故障各种原因都能在参数残差中引起偏差：首先需要确认观察到的偏差不是因为模型的调整引起的。如果不是模型引起的.其他根本原因可能是仪表或设备故障引起。目前的数据驱动监测经验通常依赖丁人工判读过程许多设备劣化的途径是已知的重复的市件。如果义了这些途径的失效特征，则异常过程的判读就能百动完成：
诊断机器的状态能采用两个主要的方法，参见IS0133791的措述：数据驱动的方法：
一基丁知识的方法：
很多数据驱动的方法在ISO133791有详细解释：下列段落给出两个简单数据驱动方法的应用：一白动模式分类：
一简化的白动特征分类。
另一个实现白动诊断过程的简单方法是基丁所有可用的存储信息（残差、绝对值、预警和报警阐值）编制规则。基丁规则的诊断是基丁知识诊断的一部分。5.2自动模式分类方法
模式分类的日标是根据先验的知识或者根据从模式中提取的统计信息对数据模式进行分类。被分类成的模式通常是一些测量组，在适当多维空问中的定义点群。5
-riKacerKAca-
GB/T22394.2—2021/1S013379-2:2015分类或描述方案通常基于组己分类或描述模式的可用性，这组模式叫做训练集（见图2），产生的学习方法特征是有监督的学习。10
说明：
蓝色为健康状态：
红色为故障状态！：
黑色为收障状态2；
绿色为做障状态3.
图2模式分类示例
模式可能是基丁参数的原始值，也川能是基丁数据驱动模型监测阶段处理后生的残差数据。应清晰界定可以按受的区域边界，以避免错误诊断和允许自动诊断：残差数据的应用能使模型不受机器的初始状态的影响.而仪考虑数据流特征因监测到的故障而发生的演变。对于具有稳定状态特征的故障.模式分类可能容易地实现，对于具有随时间变化特征的故障（磨损、摩擦、裂纹等)分类是可能的仙比较困难。5.3简化的自动特征分类方法
简单的自动分类方法可使用带有相成预警和报警的差数据实现，部件过程测量的报警列表相当于一组状态指示器.例如：参数1高（或正报警）：参数2和参数3无警报：参数4低（或负报警）等。使用这些信息的一种方法是把预警和报警列表转化为数值模式.如[100-1]。这表小一种确定部件劣化原因的遂辑方法（见表1）：表1样本
入个传感器给出的故障特征
-rrKaeerKAca-
状态评估
部件故障No.1
表1(续）
六个传感器给出的故障特征
实施数据驱动监测方法的一般建议0
为达到优化实施数据驱动监测和诊断方法的日的，宜：GB/T 22394.2—2021/IS0)13379-2:2015状态评估
部件故障No.2
部件故障No.3
传感器故障X1
传感器故障X2
传感器故障X3
传感器故障x4
传感器故障x5
传感器技险X6
传感器改障X1
传感器液障X2
传感器改障X3
传感器放障X4
传感器故障X5
传感器故障X6
列出待识别的严重故障和历史数据库或特定监测系统中的数据；为了监测和诊断的月的，利用不超过20个描述符构建模型；为模型中监测数据驱动方法集成相关的描述符：为了监测的日的，清洗相应止常状态的历史数据；为广诊断的日的·清洗相应止常和故障状态的历史数据；为了数据的解释和重新训练，记录训练数据和监测组态：验证不同故障对应的模式之间有清晰的分隔；集成诊断模型中故障描述符的趋势值时，注意模型的稳健性；为广监测的的，设置合埋的残差报警阅估（例如：三级阔估会产牛很多报警）-riKaeerkca-
GB/T 22394.2—2021/1S 13379-2:2015附录A
(资料性附录）
数据驱动监测应用示例
A.1总则
本附录给出一个数据驱动监测应用的示例。A.2联合循环汽轮机的振动特性
运行过程中，这台汽轮机的轴承绝对振动达到异常水平，产生运行报警本示例研究的日的.是利用经验模型识别振动变化趋势是由于运行参数的变化引起的，还是由于汽轮机中间轴承的机械问题引起的。木示例中考了儿个输入量：有功功率、蒸汽输人流量和背压。输出参数是汽轮机两个中问轴承振动的均方根值，单位：mm/s.
图A1中用红色表示三个阶段（训练阶段，止常行为阶段和异常行为阶段）模型估计的振动值这里提出两个理由米解释这种振动特性的变化：a），在1次停机过程中，整体结构刚度出现漂移或名改变，或名两名兼而有之；b）以前从未达到过这么高的背压。出图A.1的分析推断：
残差(红线和蓝线之间的差别)的微弱变化趋势，要经过数月的时间才能检测到；变化趋势与运行参数的长期变化无关，7
01/03/06
a）训练阶段
图A，1三种汽轮机状态的估计振动值-rrKaeerKa-
01/04/06
小提示：此标准内容仅展示完整标准里的部分截取内容，若需要完整标准请到上方自行免费下载完整标准文档。