本文公开了一种故障关联分析方法和装置。其中，所述故障关联分析方法，包括，获取待检测设备的多种类型的缓变信号；根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围，确定所述缓变信号的状态；根据所述缓变信号的状态，确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。变信号的故障关联分析结果。变信号的故障关联分析结果。
【技术实现步骤摘要】
一种故障关联分析方法和装置
[0001]本公开涉及但不限于计算机
，特别是涉及到一种故障关联分析方法和装置。
技术介绍
[0002]PHM(故障预测与健康管理)是利用各类先进传感器实时监测装备运行状态参数及特征信号，借助智能算法和模型来评估装备健康状态，预测剩余使用寿命，诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。PHM技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。借助该项技术的故障诊断能力来识别故障类型。装备使用人员与维修人员明确装备故障类型，从而采取有效的维修方式，有效降低故障风险，节约装备资源，减少因装备故障误诊带来的经济损失。
[0003]目前，PHM技术对于故障检测的数据挖掘的方法目前主要有：基于机器学习的方法，基于深度学习的方法，基于关联规则方法，基于专家系统的方法。
[0004]基于机器学习与深度学习方法的缺陷在于：在缺少足够的训练样本的情况下，容易造成学习过拟合现象，并陷入局部最优化。基于专家系统的方法的缺陷在于：过于依赖于先验的背景知识，对于未知故障项的关系判断不具有客观性。
[0005]相比于上述两种方法，基于关联规则分析的方法的优点在于：它有很强的分析能力，以及强大的推断能力，可以挖掘出事物之间潜在的关联关系。
[0006]然而，缓变信号具有变化缓慢，频率低，信号特征提取不明显等特点。特别地，对于多种类缓变信号的数据样本以目前的基于数据挖掘方法难以对其进行有效的故障关联分析。因此还需要改进现有的算法或者开发新的算法来解决这一难点问题。
技术实现思路
[0007]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0008]本公开实施例提供了一种故障关联分析方法和装置，能够精确的检测信号状态，可以有效挖掘故障之间的关联关系。
[0009]本公开实施例提供一种故障关联分析方法，包括，
[0010]获取待检测设备的多种类型的缓变信号；
[0011]根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围，确定所述缓变信号的状态；
[0012]根据所述缓变信号的状态，确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。
[0013]一些示例性实施例中，所述各类型的缓变信号的正常阈值范围预先根据以下方式确定：
[0014]获取训练设备在稳态条件下正常工作时的多种类型的缓变信号，作为训练信号；
[0015]根据所述训练信号，确定各类型的缓变信号的正常阈值范围；
[0016]其中，所述训练设备与所述待检测设备为同一设备，或者，所述训练设备与所述待检测设备为同一型号的设备。
[0017]一些示例性实施例中，所述根据所述训练信号，确定各类型的缓变信号的正常阈值范围，包括：
[0018]对于每一种类型的缓变信号分别执行以下步骤，确定该类型缓变信号的正常阈值范围：
[0019]以所述训练信号中该类型的全部缓变信号作为训练数据，通过预设的自适应阈值算法进行训练，得到该类型缓变信号的正常阈值范围。
[0020]一些示例性实施例中，所述根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围，确定所述缓变信号的状态，包括：
[0021]对于每一个缓变信号执行以下操作确定其状态：
[0022]当该缓变信号连续G秒的信号超出该缓变信号的类型所对应的正常阈值范围，则确定该缓变信号的状态为异常；反之，则确定该缓变信号的状态为正常；所述G为大于0的整数。
[0023]一些示例性实施例中，所述根据所述缓变信号的状态，确定所述待检测设备的多种类型的缓变信号的故障关联分析结果，包括：
[0024]根据所述缓变信号的状态，进行数据量化转换，得到故障数据项集；
[0025]根据所述故障数据项集和预先设置的分析参数，利用预先设置的分析算法，确定所述缓变信号的故障关联分析结果。
[0026]一些示例性实施例中，所述预先设置的分析算法包括：FP growth算法，所述预先设置的分析参数包括：置信度和支持度。
[0027]一些示例性实施例中，所述根据所述缓变信号的状态，进行数据量化转换，得到故障数据项集，包括：
[0028]根据所述缓变信号的状态，确定缓变信号状态矩阵；其中，所述缓变信号状态矩阵的每一行对应一组缓变信号，每一列对应一种类型的缓变信号；一个缓变信号状态为正常时，在所述缓变信号状态矩阵中对应位置标示为0，一个缓变信号状态为异常时，在所述缓变信号状态矩阵中对应位置标示为1；
[0029]根据所述缓变信号状态矩阵中每一行中为1的值所对应的列数索引编号，组建每一行的故障数据项；根据各行的故障数据项得到所述故障数据项集。
[0030]一些示例性实施例中，所述缓变信号包括一次或多次采集的缓变信号，每一次采集的缓变信号对应为一组缓变信号，每一组缓变信号包括多类型的缓变信号。
[0031]本公开实施例还提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一一种故障关联分析方法。
[0032]本公开实施例还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一一种故障关联分析方法。
[0033]在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
[0034]图1为本公开实施例中一种故障关联分析方法的流程图；
[0035]图2为本公开另一实施例中一种故障关联分析方法的流程图；
[0036]图3为本公开一实施例中故障分析结果示意图。
具体实施方式
[0037]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本专利技术作进一步的详细描述。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0038]实施例一
[0039]本公开实施例提供一种故障关联分析方法，其流程如图1所示，包括，
[0040]步骤101，获取待检测设备的多种类型的缓变信号；
[0041]步骤102，根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围，确定所述缓变信号的状态；
[0042]步骤103，根据所述缓变信号的状态，确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。
[0043]一些示例性实施例中，所述各类型的缓变信号的正常阈值范围预先根据以下方式确定：
[0044]获取训练设备在稳态条件下正常工作时的多种类型的缓变信号，作为训练信号；
[0045]根据所述训练信号，确定各类型的缓变信号的正常阈值范围；
[0046]其中，所述训练设备与所述待检测设备为同一设备，或者，所述训练设备与所述待检测设备为同一型号的设备。
[0047]一些示例性实施例中，所述根据所述训练信号，确定各类型的缓变信号的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种故障关联分析方法，其特征在于，包括，获取待检测设备的多种类型的缓变信号；根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围，确定所述缓变信号的状态；根据所述缓变信号的状态，确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。2.根据权利要求1所述的方法，其特征在于，所述各类型的缓变信号的正常阈值范围预先根据以下方式确定：获取训练设备在稳态条件下正常工作时的多种类型的缓变信号，作为训练信号；根据所述训练信号，确定各类型的缓变信号的正常阈值范围；其中，所述训练设备与所述待检测设备为同一设备，或者，所述训练设备与所述待检测设备为同一型号的设备。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练信号，确定各类型的缓变信号的正常阈值范围，包括：对于每一种类型的缓变信号分别执行以下步骤，确定该类型缓变信号的正常阈值范围：以所述训练信号中该类型的全部缓变信号作为训练数据，通过预设的自适应阈值算法进行训练，得到该类型缓变信号的正常阈值范围。4.根据权利要求1所述的方法，其特征在于，所述根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围，确定所述缓变信号的状态，包括：对于每一个缓变信号执行以下操作确定其状态：当该缓变信号连续G秒的信号超出该缓变信号的类型所对应的正常阈值范围，则确定该缓变信号的状态为异常；反之，则确定该缓变信号的状态为正常；所述G为大于0的整数。5.根据权利要求1或2或3所述的方法，其特征在于，所述根据所述缓变信号的状态，确定所述待检测设备的多种类型的缓变信号的故障关联分析结果...
【专利技术属性】
技术研发人员：沈毅，吴宾，李慧，潘树强，彭时涛，
申请(专利权)人：北京旋极信息技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。