基于多维异构差异分析的故障诊断方法及系统技术方案

本发明专利技术涉及故障诊断领域，公开一种基于多维异构差异分析的故障诊断方法及系统，以提高系统故障诊断正确率。方法包括：采集系统正常、故障运行下的传感器信号，构建数值型、分布型、时序型3种不同结构特征集；分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，并分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量；根据前述各类型差异度量并结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵，最后通过k‑近邻分类得到最终的正常/故障类别。

【技术实现步骤摘要】
基于多维异构差异分析的故障诊断方法及系统
本专利技术涉及故障诊断领域，尤其涉及一种基于多维异构差异分析的故障诊断方法及系统。
技术介绍
在现代化工业生产越来越大型化、高速化、自动化，其生产率和自动化程度逐步提高的同时，特别是在轨道交通、航空航天、船舶、流程工业等领域中，设备或系统故障可能造成重大经济损失，甚至导致重大安全事故的发生，因此，现代设备及系统对安全性和可靠性提出越来越高的要求。现代设备大型化、复杂化、智能化发展趋势导致设备发生故障可能性和维修难度增大，对于现代装备的安全性和可靠性而言，设备故障诊断和维护技术显得尤为重要。如何提高故障诊断效率和精度，即时预报警并维护，是现代设备及系统可靠安全运行的重要前提。基于数据驱动的故障诊断方法通过传感器所获取的历史运行数据，并采用数据挖掘技术获取其中隐含的有用信息，表征设备/系统运行的正常模式/故障模式，以实现故障诊断的目的。由于它无需建立设备/系统复杂的数学或物理模型，因此被广泛应用。在传感器所获取的历史运行数据中，由于运行数据的统计分布规律及演化故障的时间趋势性，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，能更全面地表征系统运行状态。且在不同运行状态下，不同结构的数据特征对系统运行状态的表征能力各异，有效融合不同结构特征以提高故障诊断正确率。因此，现需提供一种能有效融合多维异构数据的方法，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统/设备运行状态，提高系统故障诊断正确率。
技术实现思路
本专利技术针对上述问题提供了一种基于多维异构差异分析的故障诊断方法及系统，以融合多维异构数据，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统/设备运行状态，提高系统故障诊断正确率。为实现上述目的，本专利技术提供了一种基于多维异构差异分析的故障诊断方法，包括以下步骤：S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集；S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集；S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重；S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵；S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻分类得到最终的正常/故障类别。为达上述目的，本专利技术还公开一种基于多维异构差异分析的故障诊断系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。本专利技术具有以下有益效果：通过对不同结构数据进行差异分析，有效的融合被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，融合后的多维异构特征较单一结构特征能更全面的反映系统运行状态，提高系统故障诊断正确率。高精度的故障诊断可在系统尚未造成重大危害时及时预警，降低维护成本，同时提高系统的稳定性和安全性。下面将参照附图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术优选实施例的基于多维异构差异分析的故障诊断方法流程图；图2是本专利技术优选实施例的基于多维异构差异分析的故障诊断方法步骤图；图3是本专利技术优选实施例的基于多维异构差异分析的故障诊断结果图；图4是本专利技术优选实施例的单一结构特征和多维异构特征的故障诊断结果对比图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。实施例1参见图1，本实施例提供一种基于多维异构差异分析的炮控系统故障诊断方法，包括以下步骤：S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集。S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集。S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重。S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵。S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻(KNN)分类得到最终的正常/故障类别。具体步骤参见图2。上述方法针对单一结构的特征难以全面反映设备/系统在不同维度上的特点，提供了一种基于多维异构差异分析的故障诊断方法，以融合多维异构数据，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统/设备运行状态，提高系统故障诊断正确率。作为本实施例优选的实施方式，所述传感器信号可包括不同传感器的测量信号，对于机械设备而言，传感器信号可以为电压信号、电流信号、速度信号、温度信号等。但本专利技术并不仅限于所列传感器测量信号，此处，仅作举例示意。在本专利技术中，传感器信号可以为单一传感器测量量也可以为多个传感器测量量，具体情况根据待测对象选定。实际应用中，在上述步骤中，本专利技术的基于多维异构差异分析的故障诊断方法还可以进行优化，优化后的实施例如下：S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集。具体如下：S11：采集正常和K-1类不同类别故障运行下的M个传感器的数据子集sd各V段，构建采样数据集。公式为：式中表示第k(k＝1,2,…,K，k＝1表示正常，k＝2,…,K表示故障)类正常/故障下，第m(m＝1,2,…,M)个传感器采集的第v(v＝1,2,…,V)段数据的传感器数据子集；U为sdk.v,m的长度，取决于系统的采样频率和采样时间；为三维矩阵；将SD矩阵的每行贴上相应的正常/故障类别标签(ck为第k类正常/故障的类别标签值)，构建带标签总体采样数据集S12：采用隔行抽取的方式抽取总体采样数据集SDL中第k.2n-1(k＝1,2,…,K；n＝1,2,…,V/2)行采样数本文档来自技高网...

【技术保护点】
1.一种基于多维异构差异分析的故障诊断方法，其特征在于，包括：/nS1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集；/nS2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集；/nS3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重；/nS4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵；/nS5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻分类得到最终的正常/故障类别。/n

【技术特征摘要】
1.一种基于多维异构差异分析的故障诊断方法，其特征在于，包括：
S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集；
S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集；
S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重；
S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵；
S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻分类得到最终的正常/故障类别。


2.根据权利要求1所述的基于多维异构差异分析的故障诊断方法，其特征在于，所述步骤S1具体包括：
S11：采集正常和K-1类不同类别故障运行下的M个传感器的数据子集sd各V段，构建采样数据集，公式为：



式中表示第k类正常/故障下，第m个传感器采集的第v段数据的传感器数据子集，k＝1,2,…,K，k＝1表示正常，k＝2,…,K表示故障，m＝1,2,…,M，v＝1,2,…,V；U为sdk.v,m的长度，取决于系统的采样频率和采样时间；为三维矩阵；将SD矩阵的每行贴上相应的正常/故障类别标签ck为第k类正常/故障的类别标签值，构建带标签总体采样数据集
S12：采用隔行抽取的方式抽取总体采样数据集SDL中第k.2n-1行采样数据及对应类别标签，n＝1,2,…,V/2，构建带标签总体训练数据集其中XSD为训练数据集，XSD∈SD，为XSD对应的类别标签，其余第k.2n行采样数据及对应类别标签用作构建带标签总体测试数据集其中YSD为测试数据集，YSD∈SD，为YSD对应的类别标签。


3.根据权利要求2所述的基于多维异构差异分析的故障诊断方法，其特征在于，所述步骤S2具体包括：
S21：计算数值特征，构建数值型特征集；
对SD矩阵中所有传感器数据子集sdk.v,m，计算数值特征其中为第d种数值型特征值，D为所提取的数值型特征的类型总数，d＝1,…,D，将SD矩阵中所有传感器数据子集计算得到的D个数值型特征，构建数值型特征集，公式为：



式中为第k类正常/故障在第m个传感器下采集的第v段数据构成的传感器数据子集所计算的第d种数值型特征值；为二维矩阵；用数值型特征集及其对应的类别标签构建带标签总体数值型特征集
与总体训练数据集SSD对应的总体数值型特征集XLnum中所有第k.2n-1行数值型特征及对应类别标签，用作构建带标签总体数值型训练特征集其中Xnum为数值型训练特征集，为Xnum对应的类别标签；其余第k.2n行数值型特征及对应类别标签，用作构建带标签总体数值型测试特征集其中Ynum为数值型测试特征集，为Ynum对应的类别标签；
S22：计算分布特征，构建分布型特征集；
对SD矩阵中所有传感器数据子集sdk.v,m，计算分布特征为第b种分布特征，B为所提取的分布特征类型种数；传感器数据子集中分布特征在其属性值从1到Pb时所占的比例写成Pb维向量形式Pb为特征属性值的上限值，为特征在属性值为p处所占的比例，p∈(1,2,…,Pb)；
将SD矩阵中所有传感器数据子集计算得到的B个分布特征，构建分布型特征集，公式为：



式中为第k类正常/故障在第m个传感器采集下的第v段数据构建的传感器数据子集所计算的第b种分布型特征，为长度为Pb的向量；为三维矩阵；由分布型特征集及其对应的类别标签构建总体分布型特征集
与总体训练数据集SSD对应的总体分布型特征集XLdis中所有第k.2n-1行分布型特征及对应类别标签，用作构建带标签总体分布型训练特征集其中Xdis为分布型训练特征集，为对应的类别标签；其余第k.2n行分布型特征及对应类别标签，用作构建带标签总体分布型测试特征集其中Ydis为分布型测试特征集，为Ydis对应的类别标签；
S23：计算时序特征，构建时序型特征集；
将所采集的长度为U的传感器数据子集sdk.v,m均匀截成Z段，对截断后的Z段数据分别计算某数值型特征γt，构成一段离散时间序列为截断后的第z段数据计算的第t种数值型特征值，z＝1,…,Z；对SD矩阵中所有传感器数据子集sdk.v,m，计算其时序型特征其中为sdk.v,m所计算的第t种时序特征，T为所提取的时序特征类型种数，t＝1,…,T；
将SD矩阵中所有传感器数据子集计算得到的T个时序型特征，构建时序型特征集，公式为：



式中为第k类正常/故障在第m个传感器采集下的，第v段数据构建的传感器数据子集所计算的第t种时序型特征，为长度为Z的向量，为三维矩阵；由时序型特征集及对应的类别标签构建总体时序型特征集
与总体训练数据集SSD对应的总体时序型特征集XLseq中所有第k.2n-1行时序型特征及对应类别标签，用作构建带标签总体时序型训练特征集其中Xseq为时序型训练特征集，为Xseq对应的类别标签；其余第k.2n行时序型特征及对应类别标签，用作构建带标签总体时序型测试特征集其中Yseq为时序型测试特征集，为Yseq对应的类别标签。


4.根据权利要求3所述的基于多维异构差异分析的故障诊断方法，其特征在于，所述步骤S3具体包括：
S31：对数值型训练特征集与训练特征集进行差异度量；构建差异度量矩阵；
对于数值型训练特征集Xnum中第i1行特征与第i2行特征定义数值型特征差异度，计算公式为：



式中，i1＝1,…,N，i2＝1,…,N，为数值型训练特征集Xnum第i1行特征中与第i2行特征中之差的绝对值；其值越接近1，数值型特征和的差异性越大；
根据公式(5)遍历数值型训练特征集Xnum中所有第i1行特征与第i2行特征之间差异度量构建维度为N×N的数值型训练特征集与训练特征集差异度量矩阵Ndis(Xnum,Xnum)；
S32：对分布型训练特征集与训练特征集进行差异度量；
对于分布型训练特征集Xdis中第i1行特征与第i2行特征定义基于直方图交运算的分布型特征差异度，计算公式为：



式中表示分布型训练特征集Xdis中i1行特征中与第i2行特征中之间的直方图交运算，其值越接近0，两个直方图分布就越不相似，即两个分布型特征间的差异性越大；其值越接近1，分布型特征与间的差异性越大；
根据公式(6)遍历分布型训练集Xdis中所有第i1行特征与第i2行特征之间差异度量记录所有的差异度值，构建维度为N×...

【专利技术属性】
技术研发人员：彭涛，彭霞，叶城磊，陶宏伟，阳春华，杨超，陈志文，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43