基于谱聚类分析下多特征信息加权融合的故障诊断方法技术

本发明专利技术涉及一种基于谱聚类分析下多特征信息加权融合的故障诊断方法，该方法首先对故障设备进行谱聚类分析，其次通过获取各SVM局部诊断证据对各故障模式的可靠度，同时，由各SVM局部诊断硬输出判决矩阵构造出基本概率分配，并对基本概率分配进行加权处理，获取可信度和不确定度，最后通过设定的诊断规则，结合可信度和不确定度进行诊断。与现有技术相比，本发明专利技术考虑了不同来源的证据对辨识框架中各命题的识别具有不同的可靠性，降低了各SVM局部诊断间的冲突，实现了SVM和改进证据理论的有效结合，进而解决了识别的不可靠性造成的合成结果不能反映客观事实的缺点。

Fault diagnosis method based on weighted fusion of multi feature information based on spectral clustering analysis

The invention relates to a fault diagnosis method based on weighted fusion of multi-feature information under spectral clustering analysis. Firstly, the method carries out spectral clustering analysis on the fault equipment, secondly, the reliability of each fault mode is obtained by obtaining the local diagnosis evidence of each SVM, and at the same time, the basic probability is constructed by the local diagnosis hard output decision matrix of each SVM. The basic probability assignment is weighted to obtain the reliability and uncertainty. Finally, the diagnosis is made by setting the diagnosis rules, combining the reliability and uncertainty. Compared with the prior art, the invention considers that the identification of propositions in the identification frame by evidence from different sources has different reliability, reduces the conflict between local diagnoses of each SVM, realizes the effective combination of SVM and improved evidence theory, and solves the problem that the synthetic result caused by the unreliability of identification can not reflect the objective matter. Actual shortcomings.

【技术实现步骤摘要】
基于谱聚类分析下多特征信息加权融合的故障诊断方法
本专利技术涉及电厂设备故障诊断
，尤其是涉及一种基于谱聚类分析下多特征信息加权融合的故障诊断方法。
技术介绍
当电厂设备发生故障时，监控系统会在较短时间内将大量的信息提供给运行人员，其中也包含了大量不必要上传的无用信息，给故障的及时处理带来了严重的阻碍。另外，SCADA/EMS所能提供的信息有限，这些信息并不能完全满足运行人员对故障进行全面分析的需求，保护及开关的误动、拒动，以及因通信信道干扰所造成的信息缺失也均会使基于单一信息源的故障分析的准确性受到严重影响。而随着电厂自动化程度的不断提高以及各种智能电子设备的使用，运行人员可以获得更多的设备信息，且电力通信网的快速发展也使电网故障分析时利用多源信息成为可能。因此，在智能化、规模化的背景下，有效地精简用于故障分析的信息，通过冗余、异构的多信息源数据融合，有效地减小因保护及开关的误动、拒动，以及因信道干扰造成的信息缺失等的影响，将大大有助于运行人员对故障的正确分析，进而保证及时对故障进行处理，从而保障电网的安全、稳定运行，具有现实的社会效益及其明显的经济效益。将SVM与证据理论相结合在多信息融合的故障诊断中进行应用具有较好的应用前景，然而，由于证据合成时将每个证据体都视为同等重要，没有考虑到不同来源的证据对辨识框架中各命题的识别具有不同的可靠性这一事实，这就造成了合成结果不能反映客观事实的缺点。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于谱聚类分析下多特征信息加权融合的故障诊断方法。本专利技术的目的可以通过以下技术方案来实现：基于谱聚类分析下多特征信息加权融合的故障诊断方法，该方法包括以下步骤：S1：对各个电厂故障设备进行判断，若某两个故障设备情况集中，则将二者置于同一分区，否则，采用谱聚类方法对故障设备进行划分，获取多个分区域；具体包括以下步骤：11)将多个故障设备划分为同一样本集合：假设有n个故障设备，则需要被划分的样本集合为：X＝{X1,X2,...,Xi,...,Xn}∈Rm×n式中，Rm×n为实数集，m为矩阵行数，Xi为第i台故障设备中通过对该机组数据Xi(t)进行采样所构成的参数集合，Xi的表达式为：Xi＝{xi(1),xi(2),...,xi(t),,...,xi(m)}T12)获取样本集合的Markov转移矩阵：将各个故障设备对应于高斯权重图的各个顶点，获取两点间的相似矩阵Aij，其表达式为：式中，|xi-xj|2为两点之间的欧几里得距离，σ为尺度参数；则样本集合的Markov转移矩阵Pij为：13)对Markov转移矩阵进行谱分析，获取故障设备的划分区域数量：假设某样本集合的Markov转移矩阵为P，对其进行分解：式中，λz为矩阵P的第z个特征值，为λz的左特征向量，ψz为λz的右特征向量。若矩阵P有q＜n个主要特征值，其中λq＜＜λq-1，λ1,λ2,...,λq数值相近且趋于数值1，则P的相似矩阵Pq可由前q个特征值和对应特征向量计算；若不符合前述情况，但矩阵P相邻特征值之间的差值骤降，即λq-λq+1＞＞λk-λk+1，q+1≤k≤n，λq+1值小于0.001，则依旧按照前述情况处理。对相似矩阵Pq获取谱分解式：即q为所有故障设备中待划分区域数。14)对样本集合中各个点进行扩散距离计算，确定划分区域：定义映射ψ：其中，ψ为R→R，设任意两故障设备xi与xj之间的扩散距离为：式中，e1、...、en为x1、...、xn对应的单位向量；根据λ1,λ2,...,λq及其特征向量，将xi与xj之间的扩散距离简化：考虑各点间的扩散距离以及分区域数，给出定限值η＞0，当D2(xi,xj)≤η时，确定其对应的故障设备划分在同一分区中。S2：对各个分区域中的故障设备获取相关系数，并进行正序排序，将绝对值大于设定阈值的相关系数所对应的故障设备作为待诊断目标设备，具体内容包括：21)假设存在某一个含有故障设备数为a的分区域，对其中故障设备分别进行编号：1，2，3，...，a，则第i个故障设备的相关系数ri为：式中，b为采样数，xik为第i个分区域中，第k个采样点实测参数，yk为包含点k所在分区的实测参数；为第i个分区平均参数，为故障设备b个时刻功率的参数平均值；22)对步骤21)获取的ri的绝对值按正序排序，将绝对值大且大于设定的阈值的故障设备，设为该分区域中的标准故障设备，具体条件如下：式中，S为前S个相关性最高故障设备，rall为所有故障设备的相关系数。S3：结合SVM局部诊断及改进的证据理论方法，对待诊断目标设备的故障模式计算基本概率分配并进行加权组合，获取可信度和不确定度，具体内容包括：31)对待诊断目标设备的故障模式获取特征向量，结合证据理论与SVM局部诊断，获取各故障模式的证据体的隶属度；假设辨识框架Θ中共有l类故障模式，B为故障模式，则利用两两分类方法建立多分类SVM的输出判决矩阵SM为：式中，F(Bg,Bh)为故障模式是属于Bi类还是属于Bh类的标准SVM判决的硬输出，若属于Bi类，则F(Bg,Bh)＝+1，若属于Bh类，则F(Bg,Bh)＝-1，判决矩阵SM第一行表示第B1类与其他类两两分类的SVM硬输出判决结果，判决矩阵第l行表示为第Bl类与其他类两两分类的SVM硬输出判决结果；对判决矩阵SM的第h行向量可知，第Bh类与其它类进行两两分类的总分类次数为(l-1)次，同时第h行判决硬输出为1的次数之和，即第Bh类与其它类进行两两分类时判决属于第Bj类的次数，将判决属于第Bh类的分类次数与第Bh类参与的总分类次数之比定义为第Bh类的隶属度uh，其表达式为：将不能确定属于任何一类的隶属度，定义为qΘ：uΘ＝1-max{u1,u2,…,ul}则基本概率分配m(Bh)的表达式为：式中，M为SVM多分类的规模；32)根据证据体的隶属度获取SVM的基本概率分配，并将各证据体按基本概率分配进行加权处理，获取多个证据加权融合后的最终诊断结果：对于同一辨识框架Θ，假设SVM证据具体对辨识框架中c个命题的可靠度为Re(B)→[0,1]，则辨识框架Θ上的可靠度加权系数V(B)为：进行多证据加权融合，获取可信度W(B)和不确定度W(Θ)：S4：根据可信度和不确定度对辨识框架中所有故障模式进行诊断：设定诊断规则，根据诊断规则对诊断结果进行判断，假设诊断结果为Fc，所述的诊断规则包括：规则一：规则二：W(Fc)-W(Fj)＞ε；W(Fc)＞W(Θ)规则三：W(Θ)＜γ规则一为诊断的基本条件，即所判定故障模式具有最大的可信度；规则二表明所判定故障模式的可信度必须比其它故障模式的可信度大，其中ε为设定的判定阈值；规则三表明不确定度必须小于阈值γ，保证故障样本是充分可判断的。与现有技术相比，本专利技术具有以下优点：(1)本专利技术方法先对电厂故障设备情况等进行现场考察，若两故障设备情况相对集中，各参数数据相差不多则放在同一个分区；反之，则采用谱聚类分析法划分该区域，在保证其准确性的同时，也提高了划分效率；(2)本专利技术方法首先对故障设备进行谱聚类分析，以考虑不同来源的证据对辨识框架中各命题的识别具有不同的可靠性，其次通过获取各SVM局部诊断证据对各故障模式的可靠度，同时由各SVM局部诊本文档来自技高网...

【技术保护点】
1.基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，该方法包括以下步骤：1)对各个电厂故障设备进行判断，若某两个故障设备情况集中，则将二者置于同一分区，否则，采用谱聚类方法对故障设备进行划分，获取多个分区域；2)对各个分区域中的故障设备获取相关系数，并进行正序排序，将绝对值大于设定阈值的相关系数所对应的故障设备作为待诊断目标设备；3)结合SVM局部诊断及改进的证据理论方法，对待诊断目标设备的故障模式计算基本概率分配并进行加权组合，获取可信度和不确定度；4)根据可信度和不确定度对辨识框架中所有故障模式进行诊断。

【技术特征摘要】
1.基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，该方法包括以下步骤：1)对各个电厂故障设备进行判断，若某两个故障设备情况集中，则将二者置于同一分区，否则，采用谱聚类方法对故障设备进行划分，获取多个分区域；2)对各个分区域中的故障设备获取相关系数，并进行正序排序，将绝对值大于设定阈值的相关系数所对应的故障设备作为待诊断目标设备；3)结合SVM局部诊断及改进的证据理论方法，对待诊断目标设备的故障模式计算基本概率分配并进行加权组合，获取可信度和不确定度；4)根据可信度和不确定度对辨识框架中所有故障模式进行诊断。2.根据权利要求1所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，步骤1)具体包括以下步骤：11)将多个故障设备划分为同一样本集合；12)获取样本集合的Markov转移矩阵；13)对Markov转移矩阵进行谱分析，获取故障设备的划分区域数量；14)对样本集合中各个点进行扩散距离计算，确定划分区域。3.根据权利要求2所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，步骤11)的具体内容为：假设有n个故障设备，则需要被划分的样本集合为：X＝{X1,X2,...,Xi,...,Xn}∈Rm×n式中，Rm×n为实数集，m为矩阵行数，Xi为第i台故障设备中通过对该机组数据Xi(t)进行采样所构成的参数集合，Xi的表达式为：Xi＝{xi(1),xi(2),...,xi(t),,...,xi(m)}T4.根据权利要求3所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，步骤12)的具体内容为：将各个故障设备对应于高斯权重图的各个顶点，获取两点间的相似矩阵Aij，其表达式为：式中，|xi-xj|2为两点之间的欧几里得距离，σ为尺度参数；则样本集合的Markov转移矩阵Pij为：5.根据权利要求4所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，步骤13)具体包括以下步骤：131)假设某样本集合的Markov转移矩阵为P，对其进行分解：式中，λz为矩阵P的第z个特征值，为λz的左特征向量，ψz为λz的右特征向量；132)若矩阵P有q＜n个主要特征值，其中λq＜＜λq-1，λ1,λ2,...,λq数值相近且趋于数值1，则P的相似矩阵Pq可由前q个特征值和对应特征向量计算；133)若不符合步骤132)情况，但矩阵P相邻特征值之间的差值骤降，即λq-λq+1＞＞λk-λk+1，q+1≤k≤n，λq+1值小于0.001，则依旧按照步骤132)处理；134)对相似矩阵Pq获取谱分解式：即q为所有故障设备中待划分区域数。6.根据权利要求5所述的基于谱聚类分析下多特征信息加权融合的故障诊断方法，其特征在于，步骤14)的具体内容为：定义映射ψ：其中，ψ为R→R，设任意两故障设备xi与xj之间的扩散距离为：式中，e1、...、en为x1、...、xn对应的单位向量；根据λ1,λ2,...,λq及其特征向量，将xi与xj之间的扩散距离简化：考虑各点间的扩散距离以及分区域数，给出定限值η＞0，当D2(xi,xj)≤η...

【专利技术属性】
技术研发人员：茅大钧，黄佳林，黄一枫，张伟，王亚东，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31