ICS 17. 160 J 04
GB
中华人民共和国国家标准
GB/T 22394.2—2021/ISO 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
Condition monitoring and diagnostics of machinesData interpretation and
diagnostics techniquesPart 2 :Data-driven applications
(ISO 13379-2:2015,IDT)
2021-12-01实施
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 发布 GB/T 22394.2—2021/ISO 13379-2 :2015
目 次
前言引言 范围 2　规范性引用文件 3术语和定义 4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人的选择 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
5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
6　实施数据驱动监测方法的一般建议附录A（资料性附录）数据驱动监测应用示例附录B（资料性附录）数据驱动诊断应用示例参考文献
人
10
11 GB/T 22394.2—2021/ISO 13379-2:2015
前言
GB/T22394《机器状态监测与诊断 数据判读与诊断技术》分为以下3部分：
第1部分：总则; 第2部分：数据驱动的应用; 第3部分：基于知识的应用。
本部分是GB/T 22394的第2部分。 本部分按照GB/T 1.1一2009给出的规则起草。 本部分使用翻译法等同采用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》。
与本部分中规范性引用的国际文件有一致性对应关系的我国文件如下：一GB/T 20921一2007机器状态监测与诊断词汇（ISO 13372:2004，IDT）。
GB/T 22394.1一2005机器状态监测与诊断　数据判读和诊断技术第1部分：总则（ISO 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/TC 53)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。 GB/T 22394.2—2021/ISO 13379-2 :2015
引言
GB/T 22394 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。
Ⅱ GB/T 22394.2—2021/ISO 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
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;
一模型开发; 一模型初始化和调整；
模型性能评估; 诊断过程。
一
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—Vo- cabulary)
ISO 13379-1 机器状态监测与诊断　数据判读和诊断技术　第 1 部分：总则（Condition monitoring and diagnostics of machine—Data interpretation and diagnostics techniquesPart l: Gen eral guidelines)
3术语和定义
ISO 13372 和ISO 13379-1 界定的术语和定义适用于本文件
1 GB/T 22394.2—2021/ISO 13379-2:2015
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
90 85
小 80 大75 移
wn N
70
位
65
3
60106
15/01/06
29/01/06
22/01/06
40 h 20 10
2
差残
O
-10 20 801/06
15/01/06
29/01/06
22/01/06
说明：
绿色为训练数据； 2- 蓝色为监测数据；
A
-红色为预测数据。
3-
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）。 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：
2 GB/T 22394.2—2021/ISO 13379-2:2015
——设备审核:识别设备及其功能; 一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。 -旦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 4.3.1总则
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,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
4.3.2插值误差
使用历史数据训练模型时,通常遇到的第一个问题是可用的、处理过的数据与实际数据并不一致，但可以用数据归档程序中压缩的数据代替。通常，历史数据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加上一个时间戳。这种方法只需要很少的存储空间，但却损失了数据的保真。当从历史数据中提取数据时，记录数据之间的数据值或者通过简单的线性插值计算，或者通过第二个数据点的步长计算。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，用于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; —一噪声或随机数据;
有缺陷的传感器导致的未更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,或者通过数据清洗实用程序监测到。这些实用程序可剔
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括自动数据清洗工具。这些工具软件能很容易地识别极度偏离期望值的数据，但是对期望运行域内的数据偏差通常不敏感。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
数据一旦清洗,可能需要在更低的速率下重采样,该速率由运行模式决定。这样,建议保留所有的时间戳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采集一个数据样本(平均或不平均获得)可能就足够了。 4.4模型开发 4.4.1总则
模型开发不是简单的。需要完成几个步骤,包括：
3 GB/T 22394.2—2021/ISO 13379-2:2015
一选择相关特征; 一选择相关运行工况和训练数据；一准备模型测试。 构建一个数据驱动模型需要：
关注于特定类型故障(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据样本。
4.4.2模型的定义和相关输入的选择
一旦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，也可以是从传感器值(指数加权移动平均值、平均值、峭度值)导出的数值。一个过程装备有数百个参数需要监测用于关键设备评估。因此,这些参数会被分成一些小的关联组，以关注设备的特定功能(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。多余的特征会诱发虚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，记住选择功能方面的特征（对特定故障组的监测有用的参数）
以及数字量方面的特征。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
模型应使用涵盖所有工况的数据进行训练。由于工况是由系统结构、传感器值和作业程序界定的，所以不同设备的工况会有显著不同。
一个工况变化的例子是备用泵的定期使用,或者亢余泵的周期使用。为了模型能正确工作,对系统
的每个工况都应进行训练。但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,某些设备的工况可能从不列人训练集合。
工况还会由于设备的维修而改变。这种情况下,模型应进行重新训练以考虑新的工况。 最后,工况也会由于一些周期性的现象而改变,如:季节变化。如果一个模型是用夏季收集的数据
训练的,在冬季时气温和冷却水温等有了显著的不同,模型可能表现不好。另外，外界环境的异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季数据训练出的，在异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：一宜注意机器维修的时间，因为维修会显著改变机器的性能; 一有必要考虑维修时间间隔很长的机器,那表明机器性能会显著劣化；一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工况之后，下一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开发和测试生产设备的模型。使用带附加偏差的检验模型组成的测试集，来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、最大簇直径、特征值的数量和隐层数量等）。 4