基于多源压缩感知的故障诊断方法技术

本发明专利技术实施例涉及故障诊断技术领域，具体涉及一种基于多源压缩感知的故障诊断方法，其包括步骤：S1、数据同步化、数据插值和数据归一化；S2、数据压缩与融合以构建出原始参考矩阵；S3、原始参考矩阵压缩；S4、测试样本压缩；S5、对所述参考矩阵使用批量匹配追踪算法进行稀疏向量计算；S6、测试样本重构与质量评价。本发明专利技术实施例的有益效果为：由于参考矩阵和多源感知数据都经过了压缩，大大降低了计算成本，同时，新提出的批量匹配跟踪算法比正交匹配跟踪(OMP)算法效率更高。

【技术实现步骤摘要】
基于多源压缩感知的故障诊断方法
本专利技术涉及故障诊断
，具体涉及一种基于多源压缩感知的故障诊断方法。
技术介绍
故障诊断是故障预测与健康管理(PHM)的关键技术，目前被应用于第四次工业革命。随着工业物联网(IIOT)、云计算、大数据处理技术的应用，以及即将到来的5G通信基础设施的应用，大数据正成为故障诊断[2]的关键特征。数据量的扩展，包括多源传感数据和多样本数据，为故障诊断[3]提供了更深入、更广泛的应用。然而，基于大数据挖掘的故障诊断面临着多源传感数据融合、海量数据压缩实时故障诊断、变工况在线样本更新等挑战。为了有效地融合多传感器采集到的数据，已有多种融合模型得到应用。传统的多源感知数据融合故障诊断方法包括简单处理算法、模糊逻辑算法、基于概率的算法、人工智能算法等。例如，简单处理算法的基本思想是加权平均法，它基于对多个传感器获得的平均数据进行加权；用于故障诊断的模糊逻辑算法包括模糊聚类算法、模糊逻辑推理等多种算法；基于概率的算法包括基于D-S证据理论和贝叶斯理论等。这些融合模型在故障诊断中得到了广泛的应用，但在实际应用中也遇到了一些问题，如简单处理算法中权重的确定、人工智能算法中参数的确定等；同时，多个传感器信息的大量丢失可能会降低诊断的准确性。因此，需要一种理想的多源感知数据融合方法，以应尽可能多地保留有效信息，更容易确定权值或参数、甚至不需要确定。为了提高大数据量故障诊断的实时性和准确性，降维方法是必不可少的。降维方法主要包括特征提取和特征选择两个方面。特征提取是指提取一组新的特征子集，从原始维度空间，常用的提取算法可以分为线性和非线性技术，代表线性算法，包括线性判别分析(LDA)和主成分分析(PCA)；非线性算法包括K-PCA、等距映射，和多维标度分析(MDS)等。特征选择算法选择对诊断最重要的原始数据的一部分，通常独立计算每个特征的得分，然后根据得分选择得分最高的几个特征。由于振动等机械系统监测数据量较大，计算时间和成本较高，给实施故障诊断带来了挑战。同时，这些维数方法的可恢复性较差，阻碍了增强故障诊断的实现。因此，一种计算成本低、可恢复性好的数据约减方法是海量监测数据条件下故障诊断的理想方法。此外，在线样本更新或在线网络训练对于变工况的故障诊断也很重要。近年来，为了最大限度地利用大量的监测数据，基于数据驱动的故障诊断技术，尤其是人工智能算法，由于其鲁棒性和自适应能力而越来越受欢迎。例如，最近邻、朴素贝叶斯分类器、支持向量机、人工神经网络或深度学习方法被广泛应用[5]。虽然这些用于故障诊断的算法不需要完全的先验物理知识，但这些模型的在线训练往往比较复杂，且计算量大。因此，基于大量的监测数据，具有快速在线训练样本更新能力的算法更适合于变工况下的故障诊断。因此，需要一种基于多源压缩感知的故障诊断方法，以克服上述问题的发生。
技术实现思路
为了简化多源感知数据融合和在线训练样本更新的过程，同时降低数据或特征维数，本专利技术第一方面提出了一种基于多源压缩感知的故障诊断方法(其基于压缩感知、数据融合、约简来实施故障诊断)，基于压缩感知框架和批量匹配追踪(BMP)算法，在多源感知融合和数据压缩的结合的基础上，进行故障诊断，该方法计算成本低，诊断效率高，尤其适合多传感、大数据量场景下应用。本专利技术实施例第一方面提供了一种基于多源压缩感知的故障诊断方法，包括步骤：S1、数据同步化、数据插值和数据归一化；S2、数据压缩与融合以构建出原始参考矩阵；S3、原始参考矩阵压缩；S4、测试样本压缩；S5、对所述参考矩阵使用批量匹配追踪算法进行稀疏向量计算；S6、测试样本重构与质量评价。本专利技术实施例的有益效果为：首先利用随机矩阵对多源感知数据进行压缩，同时对多传感数据进行融合。然后，利用压缩后的数据进行故障诊断，并结合压缩后的参考矩阵，进行批量匹配跟踪。参考矩阵由不同故障类型的数据样本组成，可以在线更新，从而适合于变工况下的故障诊断。由于参考矩阵和多源感知数据都经过了压缩，大大降低了计算成本，同时，新提出的批量匹配跟踪算法比正交匹配跟踪(OMP)算法更有效。附图说明图1为故障诊断方法的架构图；图2为采用图1架构的故障诊断流程图；图3为多源感知数据；图4为数据同步化；图5为数据插值；图6为数据归一化；图7为原始参考矩阵的构建；图8为数据压缩与融合；图9为自适应分类向量与归零；图10为堆填气体发电装置的结构示意图；图11为加速度计的布置示意图；图12为LGPG维护模式识别-ORM；图13为LGPG维护模式识别-测量矩阵；图14为LGPG维护模式识别-CRM；图15为LGPG-自适应分类向量的转置矩阵；图16为LGPG-自适应分类向量；图17为LGPG-压缩后的测试样本重构(正常)；图18为LGPG-压缩测试样本重构(维护)；图19为LGPG-压缩试样重构(高风险)；图20为LGPG-维护模式识别结果；图21为MRAA闭环控制系统；图22为Simulink中MRAA的控制部分；图23为AMESim中MRAA的机械部分；图24为MRAA模式识别-ORM；图25为MRAA模式识别-测量矩阵；图26为MRAA模式识别-CRM；图27为自适应分类向量的MRAA转置矩阵；图28为MRAA-自适应分类向量；图29为MRAA-压缩测试样本重构(正常)；图30为MRAA-压缩测试样本重构(FM_A)；图31为MRAA-压缩测试样本重构(S_B)；图32为MRAA-压缩试样重构(泄漏故障)；图33为验证MRAA仿真数据验证所提方法的有效性的测试结果；图34为永磁同步电机定子仿真模型；图35为PMSM模式识别-ORM；图36为永磁同步电机模式识别-测量矩阵；图37为PMSM模式识别-CRM；图38为PMSM-自适应分类向量的转置矩阵；图39为PMSM-自适应分类向量；图40为PMSM-压缩试样重构(正常)；图41为PMSM-压缩测试样本重构(SC_025)；图42为PMSM-压缩测试样本重构(SC_050)；图43为验证PMSM仿真数据验证所提方法的有效性的测试结果。具体实施方式下面参照附图来描述本专利技术的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非旨在限制本专利技术的保护范围。基于多源压缩感知的故障诊断方法，包括步骤：S1、数据同步化、数据插值和数据归一化；S2、数据压缩与融合以构建出原始参考矩阵；S3、原始参考矩阵压缩；S4、测试样本压缩；S5、对所述参考矩阵使用批量匹配追踪算法进行稀疏向量计算；S6、测试样本重构与质量评价。本专利技术的架构如图1所示。故障诊断基于多源传感数据。压缩感知及其在监测数据压缩中的应用压缩感知是一种基于稀疏表达来重构监测信号的信号处理方法。该理论的原理是，通过优化，利用信号的稀疏性，可以从比Shannon-Nyquist采样定理要求少得多的样本中恢复信号。监测数据压缩感知的关键因素包括测量矩阵、字典矩阵和重构算法。压缩感知的条件之一是信号可以在一定的变换域内进行稀疏表本文档来自技高网...

【技术保护点】
1.一种基于多源压缩感知的故障诊断方法，其特征在于，包括步骤：/nS1、数据同步化、数据插值和数据归一化；/nS2、数据压缩与融合以构建出原始参考矩阵；/nS3、原始参考矩阵压缩；/nS4、测试样本压缩；/nS5、对所述参考矩阵使用批量匹配追踪算法进行稀疏向量计算；/nS6、测试样本重构与质量评价。/n

【技术特征摘要】
1.一种基于多源压缩感知的故障诊断方法，其特征在于，包括步骤：
S1、数据同步化、数据插值和数据归一化；
S2、数据压缩与融合以构建出原始参考矩阵；
S3、原始参考矩阵压缩；
S4、测试样本压缩；
S5、对所述参考矩阵使用批量匹配追踪算法进行稀疏向量计算；
S6、测试样本重构与质量评价。


2.根据权利要求1所述的基于多源压缩感知的故障诊断方法，其特征在于，利用离散傅里叶变换矩阵进行所述稀疏向量计算，其中：
此处假设字典矩阵为Ψ，一维信号可以表达为稀疏信号：θ
x＝Ψ·θ(1)
x是一个的向量，Ψ称为稀疏矩阵其大小为N×N，θ是稀疏向量其大小为N×1。同时，用测量矩阵对监测信号进行压缩
y＝Φ·x(2)
Φ的大小是M×N(M≤N)，矩阵Φ为测量矩阵，原始信号x被压缩成向量y，其长度为M。
由信号y重构信号是一个待定问题。由式(1)和式(2)可表示为




是一个稀疏向量，通过使用优化算法，基于估计方程(3)来计算，之后，再将原始信号重构如下：



准确重构信号的前提是测量矩阵基Φ和稀疏矩阵Ψ应该是不相关的，且测量矩阵Φ通常是随机矩阵。


3.根据权利要求2所述的基于多源压缩感知的故障诊断方法，其特征在于，所述数据同步化为：
假设每个数据源的初始采样时间为tiw，w＝1，2，...s，则这些采集到的样本的初始时间为ti1，ti2，...tis。
tiΔw＝tiw-min(ti1，ti2，...tis)(5)
之后，对于每个来源的数据，数据样本向前移动tiΔw，同步初始时间为：
ti′w＝tiw-tiΔw(6)
同步数据段表示为


4.根据权利要求3所述的基于多源压缩感知的故障诊断方法，其特征在于，假设的原始采样率为fw，w＝1，2，...s，则数据段的大小为fwts×1
所述数据插值为：
不同来源信号的原始采样频率为f1，f2，...fs，数据插值后，采样率统一为式(7)，所有数据段的长度统一为fsts，
fs＝fmax＝max(f1，f2，...fs)(7)
这里，同步和插值的数据段记为其大小为fsts×1，由于所有数据段的大小是统一的，可以用这些数据段构造一个数据矩阵记为



矩阵的大小为fstss×nDS。

【专利技术属性】
技术研发人员：袁航，宋乃龙，杨军营，游肖文，陈沛颍，翟龙曼，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41