标准规范下载简介
GB／T 22394.2-2021 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.pdfICS,17. 160 L04
机器状态监测与诊断数据判读与诊断
T／CECS 653-2019 铝合金电力电缆工程技术规程 (完整正版扫描、清晰无水印)范围 规范性引用文件 术语和定义 实施数据驱动监测的过程 4.1 数据驱动监测方法原理 4.2 资产关键故障和过程参数选择 4.3 数据清洗和重采样 4.3.1 总则 4.3.2 插值误差 4.3.3 数据品质问题 4.3.4 数据重采样 4.4模型开发 4.4.1 总则 4.4.2 模型的定义和相关输入的选择 4.4.3 相关工况和数据的选择 4.4.4 模型测试准备 4.5 模型性能评估 4.6 报警设置 实施数据驱动诊断的过程 5.1 总则 5.2 自动模式分类方法 5.3简化的自动特征分类方法 实施数据驱动监测方法的一般建议 录A（资料性附录）数据驱动监测应用示例 录B（资料性附录）数据驱动诊断应用示例 考文献
4.3.1 总则 4.3.2 插值误差 4.3.3 数据品质问题 4.3.4 数据重采样
GB/T22394的本部分给出了可用于确定机器相对一系列基线参数状态的一般过程。相对于基线 值的变化和与报警条件的对比，用于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。
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； 一模型性能评估； 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
4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于单个信号趋势进行观察，现代统计方法则是同时考多个设 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。 这些监测方法依照相同的原理监测故障，即将监测数据与估计数据进行对比 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 望值之间的偏差进行故障监测。 图1所示为在一台燃气轮机上应用的示例，目标是停机后检测异常的轴位移。模型中考虑了几个 输人量：有功功率、无功功率和轴承位移
DB11／ 554.4-2008 公共生活取水定额 第4部分：医院图1燃气轮机位移大小和残差
数据驱动监测常用方法有自相关核回归法（AAKR）、聚类和偏最小二乘法（PLS）、支持向量机法 （SVM）和马氏田口法（MT）
数据驱动监测常用方法有自相关核回归法（AAKR）、聚类和偏最小二乘法（PLS （SVM）和马氏田口法（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ISO17359中有精确的描述。包括两个重要的审核
设备审核：识别设备及其功能； 可靠性和关键性审核：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。 一且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
4.3数据清洗和重采样
为了构建一个稳健性强的模型，应首先收集信号验证所需要的、涵盖所有系统工况的数据JGJ 39-2016标准下载，这些数 据是已收集并储存的历史数据。事实上，由于一些诸如插值误差、随机数据误差、缺失数据、重要数据丢 失、数据卡顿及其他等异常情况的发生，这些数据可能并不总是表示真实的设备状态。宜一直进行数据 检查和纠正数据， 注意：删除数据前应慎重