基于小样本的设备故障智能预测方法技术

本发明专利技术一种基于小样本的设备故障预测方法，包括：采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；对所述经过降噪的训练集数据进行频域分析，提取特征向量；建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。本发明专利技术方法可以准确地对直流设备进行故障的提前预测，而且建立监测模型所需要的样本易于获取，便于实际应用。

【技术实现步骤摘要】
基于小样本的设备故障智能预测方法
本专利技术涉及设备故障诊断
，更具体地说，涉及一种基于小样本的设备故障智能预测方法。
技术介绍
目前，直流电气设备得到普遍应用，小到人们身边的手机锂电池、电瓶车里的蓄电池，大到航空空间站的供电系统、大功率直流供电设备等。但是随着人们对直流设备长时间的使用，难免会出现一些故障，影响设备的正常运转。在一些特殊领域，比如大型光伏系统、航天航空、电动汽车、大型机房等，若不能够及时发现直流设备故障发生并做出有效的应对措施，将会造成不可想象的后果。现有技术中，对交流电气设备的故障诊断方法研究较多，而对于直流电气设备的故障预测诊断研究较少。因为交流电气设备的故障与直流电气设备的故障产生原因存在不同，所以交流电气设备的故障诊断方法并不适用于对直流电气设备的故障的预测诊断。此外，电气设备故障预测中所应用的模型一般都需要大量的样本进行训练，才能使模型具备比较准确的故障预测能力。但是，在现实中，很多情况下都无法获取大量的故障数据对模型进行训练，这极大地制约了故障预测模型的实际应用。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于小样本的设备故障预测方法，该方法可以准确地对直流电气设备进行故障的提前预测，而且建立设备正常状态监测模型所需要的样本为正常运行状态下的样本，易于获取，便于实际应用。为了达到上述目的，本专利技术提供如下技术方案：一种基于小样本的设备故障预测方法，包括以下步骤：步骤一，采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；步骤二，对所述经过降噪的训练集数据进行频域分析，提取特征向量；步骤三，基于自回归滑动平均模型建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；步骤四，采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；步骤五，计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。进一步地，所述降噪处理的步骤如下：利用小波基函数Sym6对电流信号进行4层小波分解，得到小波系数；利用Penalty阈值法滤除干扰信号所产生的小波系数；将滤除干扰信号后的小波系数通过小波重建恢复信号。进一步地，所述提取特征向量的方法包括：将故障电流与正常工作电流的数据进行降噪处理，分别进行快速傅里叶分析；将信号频率范围分为等宽的M个频段，别计算出故障与正常工作情况下电流数据在经过快速傅里叶分析后在各个频段的分能量f1,f2,…,fm；计算各个频段内在正常情况与发生故障情况下的分能量的差异；选取分能量差异最大的频段中的分能量作为特征向量。进一步地，所述分能量差异最大的频段为小于100MHz的频段。进一步地，所述建立正常状态下的设备监测模型包括：正常运行状态下连续时段在线监测电流数据，取等间隔长度为a时间点上的电流数据k个，进行降噪处理后，提取小于100MHz的频段内的能量E组成时间序列{Et,t＝a,2a,3a,…,ka}；判断所述时间序列是否为平稳序列，若为平稳序列则进行下一步骤，若为非平稳序列则对所述时间序列进行差分处理，直到差分后的序列变为平稳序列；计算20阶滞后期的自相关系数和偏自相关系数，根据其拖尾、截尾特性进行模型识别和定阶；利用AIC信息准则对模型进行优化；用t统计量检验参数显著性，提取出显著性通过的参数，得到设备正常状态的估计值Ft：式中，p和q为ARMA模型阶数，若选取AR模型则q＝0，若选取MA模型则p＝0，为数据拟合获取的参数；设备监测模型根据残差序列st对设备的运行状态进行监测，其中残差序列st表达式为：st＝Et-Ft。进一步地，所述判断时间序列是否为平稳序列的方法为：对Et进行单位根检验，计算DF统计量，如果小于1％水平下的t统计值，则判断Et为平稳序列。进一步地，利用Q统计量的检验方法判断所述残差序列st是否为白噪声序列，若为白噪声序列则表示所建立模型能通过显著性检验。进一步地，所述阈值的建立方法包括：统计故障样本残差，计算所述残差的均值μ和标准差σ，所述阈值η＝μ+3σ。本专利技术提供了一种基于小样本的设备故障预测方法，该方法首先采集设备正常状态和故障状态下的电流信号数据，对数据降噪处理，提取特征向量，根据特征向量建立设备正常状态的监测模型，利用实测值和估计值之间的残差与设立的阈对设备的故障进行预测，实时输出预测结果，适合于对直流电气设备的故障预测。本方法中利用小波转换对电流数据进行降噪处理，可以有效地滤除干扰信号，提高预测的准确性。本方法通过采集设备在正常运行状态下连续时段在线监测电流数据建立设备监测模型，数据易于获取，比较方便地建立准确的故障预测模型，只需少量的故障样本对模型进行验证即可，更加适于实际使用。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种基于小样本的设备故障预测方法的流程图；图2为本专利技术中提取特征向量的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，图1为本专利技术一种基于小样本的设备故障预测方法的流程图。本专利技术提出了一种基于小样本的设备故障预测方法，该方法适用于直流电气设备故障的提前预测，具体包括以下步骤：S10，采集正常状态下和故障状态下的直流电气设备的电流信号，并对电流信号进行降噪处理。信号的采集过程中，在接收端除了获取目标信号外还会引入噪声。小波变换在信号处理方面已经发展的比较成熟了，对于信号的降噪处理有着明显优势。小波变换能够在信号的局部进行特性分析，并且小波基函数的选择可以改变，更加灵活和广泛，故通过合适的小波基函数的小波变换可以很好的实现对于信号的降噪处理，同时也对信号的信噪比有明显的改善作用。对采集的电流信号进行降噪的步骤包括：S101，信号分解：选择一种小波基函数并确定小波分解的层数N，对电流信号进行N层小波分解。利用小波变换进行降噪时，其产生的效果会和使用的小波基函数有一定关系，一般的原始信号的降噪效果与小波基函数的正交性和波形的结构有关系。只有选择具有较好的正交性和较好的对称性的小波基函数来降噪信号才会得到较好的效果。对几种常见的小波基函数(Sym1、Sym4、Sym6、DB4、DB10、Coif4)进行对比分析，计算不同小波基函数降噪后的信噪比(SNR)，最终确定降噪效果比较显著的Sym6作为小波分解的基函数。利用小波基函数Sym6对电流信号进行分解，并得到在不同分解层数下降噪后的SNR，发现在分解层数为4时，降噪效果较为显著，所以选择基于Sym6小波基函数的小波变换分解层数N＝4。S102，作用阈值：对分解得到的各层系数选择一个阈值，并对细节系数作用阈值处理。对于分解本文档来自技高网...

【技术保护点】
1.一种基于小样本的设备故障预测方法，其特征在于，包括以下步骤：步骤一，采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；步骤二，对所述经过降噪的训练集数据进行频域分析，提取特征向量；步骤三，基于自回归滑动平均模型建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；步骤四，采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；步骤五，计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。

【技术特征摘要】
1.一种基于小样本的设备故障预测方法，其特征在于，包括以下步骤：步骤一，采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；步骤二，对所述经过降噪的训练集数据进行频域分析，提取特征向量；步骤三，基于自回归滑动平均模型建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；步骤四，采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；步骤五，计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。2.根据权利要求1所述的基于小样本的设备故障预测方法，其特征在于，所述降噪处理的步骤如下：利用小波基函数Sym6对电流信号进行4层小波分解，得到小波系数；利用Penalty阈值法滤除干扰信号所产生的小波系数；将滤除干扰信号后的小波系数通过小波重建恢复信号。3.根据权利要求2所述的基于小样本的设备故障预测方法，其特征在于，所述提取特征向量的方法包括：将故障电流与正常工作电流的数据进行降噪处理，分别进行快速傅里叶分析；将信号频率范围分为等宽的M个频段，别计算出故障与正常工作情况下电流数据在经过快速傅里叶分析后在各个频段的分能量f1,f2,…,fm；计算各个频段内在正常情况与发生故障情况下的分能量的差异；选取分能量差异最大的频段中的分能量作为特征向量。4.根据权利要求3所述的基于小样本的设备故障预测方法，其特征在于，所述分能量差异最大的频段为小于100MHz的频段。5.根据权...

【专利技术属性】
技术研发人员：夏阳，彭伟，
申请(专利权)人：浙江宇天科技股份有限公司，
类型：发明
国别省市：浙江,33