一种基于多维分段拟合的设备故障诊断方法技术

一种基于多维分段拟合的设备故障诊断方法，依次包括故障诊断训练步骤和故障诊断运行步骤，着手数据形态特征本质，基于设备故障数据，结合了多维分段拟合算法和优化的动态时间弯曲算法实现建模的模式表达和距离阈值提取功能，并通过对发现的设备异常数据提取形态特征进行模式匹配达到设备数据故障类型识别和原因诊断的功能解决当前故障诊断技术中难以高效、准确地刻画故障数据之间相似程度的难题。

【技术实现步骤摘要】

本专利技术涉及故障诊断
，具体涉及基于多维分段拟合的设备故障诊断方法。
技术介绍
近些年来，随着科学技术的不断革新壮大以及社会工业化的迅猛发展，越来越多的工业产业化系统被装载在大型工业生产场合，在这种应用环境下创造了无可替代的巨大生产力。因而这些设备的保养维护工作显得尤其重要和艰巨。但往往太多隐含的影响因素都有可能造成这些系统设备故障的产生甚至是失效，因此国家和企事业单位越来越关注对这些重要系统设备的状态检测以及故障诊断方面工作。一般而言，这些设备结构日趋复杂缜密，不同部位之间的作用相互牵扯，耦合性很强。通过拆卸、解体设备的途径，即费时费力，诊断效果往往不理想，且容易导致设备性能不稳定。通过安装监控传感器装置来实时读取设备重要部位的状态，以观察设备相关参数的运行趋势对照指标阈值的这种方法简单直观可靠性强，目前在各类电厂、汽车、卫星等生产场合下普及比较广泛。但是这种方法的效率依然受限于设备维护人员的工作经验能力以及精力，经验欠缺的人员对设备突显的复杂未知状况处理较为有心无力。上述方法由于经验知识表达的困境很难形成规范的故障诊断体系，于是一种基于数学挖掘技术的故障诊断方法正逐渐被引入这些大型复杂设备的故障诊断工作当中去。数学挖掘技术融合了现代控制论、计算机科学、人工智能、信号处理、模式识别、统计数学等学科知识，通过研究分析设备的历史数据和当前实时数据，挖掘出隐含在数据内部有利于故障状况分析的信息。专家系统、关联规则、神经元网络、贝叶斯网络等是一些应用比较广泛的数学挖掘方法，这些方法逐渐形成了一套分为故障分析、故障建模、故障检测、故障推断、故障决策、故障决策等几方面的研究体系。在论文《融合实例与规则推理的车辆故障诊断专家系统》(《机械工程学报》，2002年，第7期：91-95)中，文章提出了一种全新的融合实例与规则的混合推理方法，建立了一整套用于解决不同诊断单元难以互通信息问题的专家系统。可以看出专家系统能够在特定领域当中，以类似于人类专家水平的能力去解决相关领域内的故障诊断问题，其主要特点为依靠已有的人类专家经验知识形成自己特有的规则来进行问题的分析与解决。这是专家系统的特点，但受限于人类专业知识在未知领域经验的欠缺，专家系统往往存在着自我学习能力低下、诊断成功率不高、系统知识获取困难等一系列问题，这些问题仍需要对专家系统这种方法进一步深入探究和优化。在论文《基于关联规则数据挖掘技术的电网故障诊断》(《电力系统保护与控制》，2009年，第9期：8-14)中，文章将关联规则算法应用到电网故障诊断当中。根据故障特点指定相应的决策属性和条件属性并完成原始决策表的建立，同时应用关联规则算法对决策表数据进行频繁项集的挖掘以及强规则的筛选，最终实现了对多种复杂情况的故障信息的推理诊断。但是该技术存在一些问题，比如说对于潜在隐含的故障模式若辨别力、大规模数据处理能力差、关联规则存储和更新效率低等常见问题，这些仍然后续相关工作进行解决。在论文《基于BP神经网络的故障诊断技术研究》(《计算机与现代化》，2009年，第7卷)中，文章选择通用的BP神经网络应用到故障诊断场景当中，在合理构建BP神经网络模型的情况下，依据设备层次分布特点成功将神经网络应用于故障诊断当中，提高了诊断的效率和可靠性。神经网络最大特点是在大样本量的情况下可无限非线性逼近原始数据模型，但是其固有的过拟合、数值随机性、训练不稳定等特点限制了神经网络在故障诊断领域内的应用范围，需配合其他一些优化算法进行诊断应用。在论文《多特征信息融合的贝叶斯网络故障诊断方法研究》(《中国机械工程》，2010年，第8期：940-945)中，文章以泵类振动信号为研究对象，利用贝叶斯参数估计法对信号提取的频域、时域等多种故障特征进行信息融合，之后再构造贝叶斯网络建立完备的故障分类器，通过最大后验概率估计值的计算进行故障类型的识别。贝叶斯网络的构建需要大量样本数据的先验统计知识，同时贝叶斯网络有向无环表现方式存在错误累积的风险，这些方面是贝叶斯网络故障诊断方法亟需关注的。鉴于上述几种常见故障诊断技术存在的问题与风险，本专利技术围绕如何充分挖掘数据样本的潜在直观表达形式以及度量故障模式差异有效性问题，尝试通过组建一种新的模式匹配技术更好地解决故障诊断的效率低下、识别准确度不高的问题，从而有利于设备良好状态的持续性维护。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于多维分段拟合的设备故障诊断方法，解决当前故障诊断技术中难以高效、准确地刻画故障数据之间相似程度的难题。本专利技术提供了一种基于多维分段拟合的设备故障诊断方法，依次包括如下步骤：步骤1：故障诊断训练步骤，具体为：(1.1)从数据库中获取故障样本信息；(1.2)依次对每个故障样本进行分段线性拟合；(1.3)对故障样本的每段数据进行特征提取，得到故障样本的特征矩阵；(1.4)进行故障特征转化，消除特征量纲，得到消除量纲的故障样本的特征矩阵；(1.5)计算模式距离阈值；(1.6)将故障特征矩阵和模式距离阈值彼此关联起来，存储生成故障模式知识库；步骤2：故障诊断运行步骤，具体为：(2.1)从实时数据库中获取异常样本信息；(2.2)对当前的异常样本进行分段线性拟合；(2.3)对分段拟合后的数据进行异常特征提取与转化；(2.4)用异常特征信息对故障模式知识库中的样本特征依次计算模式距离；(2.5)使用降岭分步法将模式距离转化成模式相似度；(2.6)输出最终故障诊断结果。进一步地，所述步骤(1.1)具体步骤为：选择一个故障类型数目P≥2且每种故障发生次数T≥2满足要求的可研究性设备，选定足量数目的观测点N，其中N≥10，对设备足够长时间的历史运行状态数据进行故障记录查找，利用设定的筛选规则从故障记录中摘选出故障相关测点信息、故障过程的起止时间以及故障维修措施记录的有用信息，依据有用信息从电厂实时数据库PI中读取故障样本数据,其中：测点数为n、时间点数目为m的故障样本数据，在j时刻的全部测点数据看成一个n维的列向量，表示为：u(tj)＝[uj1,uj2,uj3,...,ujn]该样本数据文件保存为m×n的矩阵形式，具体形式如下：其中行代表m个故障时间，列代表n个设备观测点，且每个故障样本之间的行列m、n两值不尽相同，同时为每个故障样本赋予其故障类型标识ID，故障类型标识ID确定方法为若全部样本中包含X种故障，则故障类型标识ID的数值范围为：1-X。进一步地，所述步骤(1.2)本文档来自技高网...

【技术保护点】
一种基于多维分段拟合的设备故障诊断方法，其特征在于，依次包括如下步骤：步骤1：故障诊断训练步骤，具体为：(1.1)从数据库中获取故障样本信息；(1.2)依次对每个故障样本进行分段线性拟合；(1.3)对故障样本的每段数据进行特征提取，得到故障样本的特征矩阵；(1.4)进行故障特征转化，消除特征量纲，得到消除量纲的故障样本的特征矩阵；(1.5)计算模式距离阈值；(1.6)将故障特征矩阵和模式距离阈值彼此关联起来，存储生成故障模式知识库；步骤2：故障诊断运行步骤，具体为：(2.1)从实时数据库中获取异常样本信息；(2.2)对当前的异常样本进行分段线性拟合；(2.3)对分段拟合后的数据进行异常特征提取与转化；(2.4)用异常特征信息对故障模式知识库中的样本特征依次计算模式距离；(2.5)使用降岭分步法将模式距离转化成模式相似度；(2.6)输出最终故障诊断结果。

【技术特征摘要】
1.一种基于多维分段拟合的设备故障诊断方法，其特征在于，依次包括如下步骤：
步骤1：故障诊断训练步骤，具体为：
(1.1)从数据库中获取故障样本信息；
(1.2)依次对每个故障样本进行分段线性拟合；
(1.3)对故障样本的每段数据进行特征提取，得到故障样本的特征矩阵；
(1.4)进行故障特征转化，消除特征量纲，得到消除量纲的故障样本的特征矩阵；
(1.5)计算模式距离阈值；
(1.6)将故障特征矩阵和模式距离阈值彼此关联起来，存储生成故障模式知识库；
步骤2：故障诊断运行步骤，具体为：
(2.1)从实时数据库中获取异常样本信息；
(2.2)对当前的异常样本进行分段线性拟合；
(2.3)对分段拟合后的数据进行异常特征提取与转化；
(2.4)用异常特征信息对故障模式知识库中的样本特征依次计算模式距离；
(2.5)使用降岭分步法将模式距离转化成模式相似度；
(2.6)输出最终故障诊断结果。
2.如权利要求1所述的方法，其特征在于：所述步骤(1.1)具体步骤为：选择一个故障类
型数目P≥2且每种故障发生次数T≥2满足要求的可研究性设备，选定足量数目的观测点N，
其中N≥10，对设备足够长时间的历史运行状态数据进行故障记录查找，利用设定的筛选规
则从故障记录中摘选出故障相关测点信息、故障过程的起止时间以及故障维修措施记录的
有用信息，依据有用信息从电厂实时数据库PI中读取故障样本数据,其中：
测点数为n、时间点数目为m的故障样本数据，在j时刻的全部测点数据看成一个n维的
列向量，表示为：
u(tj)＝[uj1,uj2,uj3,...,ujn]
该样本数据文件保存为m×n的矩阵形式，具体形式如下：
F=u11,u12,u13,...,u1nu21,u22,u23,...,u2n..............................................................................um1,um2,um3,...,umn]]>其中行代表m个故障时间，列代表n个设备观测点，且每个故障样本之间的行列m、n两值
不尽相同，同时为每个故障样本赋予其故障类型标识ID，故障类型标识ID确定方法为若全
部样本中包含X种故障，则故障类型标识ID的数值范围为：1-X。
3.如权利要求2所述的方法，其特征在于：所述步骤(1.2)具体步骤为：
(1.2.1)均值滤波操作：对掺杂在样本数据中的噪声污染进行滤波消除；
(1.2.2)故障样本分段初始化:对滤波处理后的故障样本进行分段初始化；
(1.2.3)将初始化数据段两两合并计算拟合误差；
(1.2.4)确定故障样本的分段切割点，对故障样本进行自适应性的状态分割。
4.如权利要求3所述的方法，其特征在于：所述步骤(1.3)具体步骤为：
将故障样本经步骤(1.2)分割为这x个分割数据段，从数据段开始进行
特征提取，具体操作如下：
由于数据段为u11,u12,...,u1nu21,u22,...,u2n......................................uh1,uh2,...,uhn]]>矩阵形式，行为时间点数，列为测点数；
按照测点的维度(列)进行特征提取，特征有：斜率k、时长l、均值m、方差v四种；
其中，Vi‾=u1iu2i......uhi;]]>依据最小二乘法原理对此向量进行线性拟合，拟合结果为一次方程p(x)＝a0i+a1ix，故
而斜率特征k＝a1i，其中a0i、a1i为拟合常数；
时长特征l为向量长度h，即l＝h；
均值特征m为向量所有数值的平均，即方差特征v为向量所有数值离均值的波动幅度之和，即N为向量总
数；
分割数据段f1*=u11,u12,...,u1nu21,u22,...,u2n......................................uh1,uh2,...,uhn]]>就转化为特征矩阵k1,k2,...,knl,l,...,lm1,m2,...,mnv1,v2,...,vn;]]>剩余的按照上述的操作方法进行特征提取，将原始的时域数据矩阵转化为数学
特征矩阵，最终分割数据段集合转化为：
(k11;l1;m11;v11),(k12;l1;m12;v12),...,(k1n;l1;m1n;v...

【专利技术属性】
技术研发人员：丁书耕，张建辉，张华伟，安佰京，赵俊，
申请(专利权)人：山东鲁能软件技术有限公司，
类型：发明
国别省市：山东;37