一种故障诊断方法、系统及存储介质技术方案

本发明专利技术涉及装备故障诊断技术领域，公开了一种故障诊断方法、系统及存储介质，该方法考虑了数据变量的多种特征，并且分析了多种变量对于同一特征的差异化敏感性，从而实现差异化特征选择，减小因特征的敏感性差异以及冗余无效特征带来的诊断性能影响，并实时更新故障参数库，从而对未知故障进行识别与隔离，实现装备运行安全的智能预警与故障诊断。备运行安全的智能预警与故障诊断。备运行安全的智能预警与故障诊断。

【技术实现步骤摘要】
一种故障诊断方法、系统及存储介质


[0001]本专利技术涉及装备的故障诊断
，尤其涉及一种故障诊断方法、系统及存储介质。

技术介绍

[0002]随着数据挖掘和故障诊断领域的发展，从数据中可提取的特征种类也十分繁多，但并不是每种特征都能够体现故障诊断所需要的信息，因此需要从众多特征变量中选择分类效果最优秀的部分特征。在大型装备的故障诊断中，由于不同的样本变量对于特征的敏感性也可能不同，不同样本对于特征的敏感性的差异会导致不利影响，可见，现有技术中的故障诊断方法受样本种类的影响大，急需提供一种能对不同特征进行差异化敏感性分析以提高诊断能力的故障诊断方法。

技术实现思路

[0003]本专利技术提供了一种故障诊断方法、系统及存储介质，以实现能对不同特征进行差异化敏感性分析，提高诊断能力。
[0004]为了实现上述目的，本专利技术通过如下的技术方案来实现：
[0005]第一方面，本专利技术提供一种故障诊断方法，包括：
[0006]S1：获取历史正常运行数据训练集及历史故障运行数据集作为待分析数据，提取所述待分析数据中的特征变量；
[0007]S2：对特征变量进行敏感性的差异化分析得到选择特征变量，所述选择特征变量包括选择后无故障及各故障类型的特征变量集；并利用特征选择后无故障的特征变量集计算典型相关分析(CCA)参数以及故障检测阈值；
[0008]S3：根据选择后各故障类型的特征变量集计算各故障类型对应的典型相关分析参数，构建内含各类故障类型参数的故障参数库；/>[0009]S4：选取实时采集数据，根据特征选择后无故障类型的特征变量集和对应的典型相关分析参数计算CCA残差统计量，将所述残差统计量与故障检测阈值进行比较，若发生故障，将其特征数据输入至故障参数库中计算每种故障类型参数对应的残差统计量；
[0010]S5：基于每种故障类型参数对应的残差统计量得到类型置信率，根据所述类型置信率判断是否属于未知故障，若为未知故障，计算参数并更新至故障参数库，令后续诊断识别此类故障，反之则计算各类故障的预测分类概率，根据分类概率判断该数据的故障类型。
[0011]第二方面，本申请提供一种故障诊断系统，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第一方面所述方法的步骤。
[0012]第三方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的方法步骤。
[0013]有益效果：
[0014]本专利技术提供的故障诊断方法，对特征变量进行差异化敏感性分析得到选择特征变量，根据选择后各故障类型的特征变量集计算各故障类型对应的典型相关分析参数，构建内含各类故障类型参数的故障参数库；选取测试特征数据，根据选择后无故障类型的特征变量集和对应的典型相关分析参数计算残差，将所述残差与故障检测阈值进行比较，若发生故障，将测试特征数据输入至故障参数库中计算每种故障类型参数对应的残差；基于每种故障类型参数对应的残差得到类型置信率，根据所述类型置信率判断是否属于未知故障，若为未知故障，计算参数并更新至故障参数库，令后续诊断识别此类故障，反之则计算各类故障的预测分类概率，根据分类概率判断该数据的故障类型；这样，考虑了数据变量的多种特征，并且分析了多种变量对于同一特征的差异化敏感性，从而实现差异化特征选择，减小因特征的敏感性差异以及冗余无效特征带来的诊断性能影响，并实时更新故障参数库，从而对未知故障进行识别与隔离，实现大型装备运行安全的智能预警与故障诊断。
附图说明
[0015]图1为本专利技术优选实施例的一种故障诊断方法的流程图；
[0016]图2为本专利技术优选实施例的故障3的检测效果示意图；
[0017]图3为本专利技术优选实施例的未知故障的故障隔离效果图。
具体实施方式
[0018]下面对本专利技术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。
[0019]除非另作定义，本专利技术中使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。
[0020]应理解，本申请的一种故障诊断方法适用于齿轮箱，高速列车制动系统，轴承等通过数据驱动实现的系统中。此处仅作示例，不做限定。
[0021]请参见图1，本申请提供的一种故障诊断方法，包括：
[0022]S1：获取历史正常运行数据训练集及历史故障运行数据集作为待分析数据，提取待分析数据中的特征变量；
[0023]S2：对特征变量进行敏感性的差异化分析得到选择特征变量，选择特征变量包括选择后无故障及各故障类型的特征变量集；并利用特征选择后无故障的特征变量集计算典型相关分析参数以及故障检测阈值；
[0024]S3：根据选择后各故障类型的特征变量集计算各故障类型对应的典型相关分析参数，构建内含各类故障类型参数的故障参数库；
[0025]S4：选取实时采集数据，根据特征选择后各故障类型的特征变量集和典型相关分
析参数计算CCA残差统计量，将残差统计量与故障检测阈值进行比较，若发生故障，将其特征数据输入至故障参数库中计算每种故障类型参数对应的残差统计量；
[0026]S5：基于每种故障类型参数对应的残差统计量得到类型置信率，根据类型置信率判断是否属于未知故障，若为未知故障，计算参数并更新至故障参数库，令后续诊断识别此类故障，反之则计算各类故障的预测分类概率，根据分类概率判断该数据的故障类型。以实现智能故障诊断。
[0027]本实施例中，预测分类概率是判断数据故障类型的一个依据。智能故障诊断指的是识别未知故障并更新参数库。
[0028]上述的故障诊断方法，充分考虑了不同特征对于不同变量数据的敏感性区别，差异化选取分类效果最优的特征变量作为数据集进行诊断减小因特征的敏感性差异以及冗余无效特征信息带来的影响，能够准确快速地检测出故障并且诊断故障类型，并实时更新故障类型。
[0029]可选地，所述S1包括：
[0030]S11：选取历史正常运行数据训练集，设每个样本的数据中含有n个变量数据，分别为V
0i
，其中i为第i种变量数据，i＝1，
…
，n；
[0031]S12：选取历史故障数据，表示为V
fi...

【技术保护点】

【技术特征摘要】
1.一种故障诊断方法，其特征在于，包括：S1：获取历史正常运行数据训练集及历史故障运行数据集作为待分析数据，提取所述待分析数据中的特征变量；S2：对特征变量进行敏感性的差异化分析得到选择特征变量，所述选择特征变量包括选择后无故障及各故障类型的特征变量集；并利用特征选择后无故障的特征变量集计算典型相关分析CCA参数以及故障检测阈值；S3：根据选择后各故障类型的特征变量集计算各故障类型对应的典型相关分析参数，构建内含各类故障类型参数的故障参数库；S4：选取实时采集数据，根据特征选择后无故障类型的特征变量集和对应的典型相关分析参数计算CCA残差统计量，将所述残差统计量与故障检测阈值进行比较，若发生故障，将其特征数据输入至故障参数库中计算每种故障类型参数对应的残差统计量；S5：基于每种故障类型参数对应的残差统计量得到类型置信率，根据所述类型置信率判断是否属于未知故障，若为未知故障，计算参数并更新至故障参数库，令后续诊断识别此类故障，反之则计算各类故障的预测分类概率，根据分类概率判断该数据的故障类型。2.根据权利要求1所述的故障诊断方法，其特征在于，所述S1包括：S11：选取历史正常运行数据训练集，设每个样本的数据中含有n个变量数据，分别为V
0i
，其中i为第i种变量数据，i＝1，
…
，n；S12：选取历史故障数据，表示为V
fi
，其中f为第f种数据类型，f＝0，1，
…
，m，其中，当f＝0时表示为正常类型数据，f不为0时表示第f种故障数据，共有m种故障类型；S13：根据样本中的n个变量数据，分别计算正常与各种故障状态中的数据特征，包括：均值、有效值、重心频率、相对功率谱熵、深度神经网络中间层输出，记为I
fip
，其中p为第p种特征类型，p＝1，
…
，l，l为提取特征总类型数量。3.根据权利要求1所述的故障诊断方法，其特征在于，所述S2包括：S21：使用Fisher得分方法对所提取的特征变量进行差异化敏感性分析并进行选择，计算公式为：算公式为：算公式为：算公式为：算公式为：式中，F
i
(p)为第i类样本变量中第p种特征变量的Fisher得分，和分别为第i类样本变量中第p种特征变量的类内方差和类间方差，L
i
为第i类样本变量的总数据特征变量
样本数，L
fi
为第i类样本变量第f类数据类型的特征变量样本数，I
fip
(k)为第i类样本变量中第f类数据类型的第p种特征变量在k采样时刻的值，和分别为第i类样本变量的第f类数据类型和所有数据类型在第p类特征上取的平均值；随后对得到的n类样本变量中各特征变量的Fisher得分进行自大至小排序，选取每个排序结果的前h名特征变量，构成选择特征变量集，计算公式如下：J
fi
＝[Q
fi1
,Q
fi2
,
……
,Q
fih
]
ꢀꢀꢀꢀ
(6)式中，Q
fi1
‑
Q
fih
为特征变量I
fip
自大至小排序后的前h个特征变量；S22：将选择后的正常特征变量集分割成第一和第二数据集，其中第一数据集为J
01
‑
J
0d
，第二数据集为J
0d+1
‑
J
0n
，其中，即：y
a
(k)＝[J
01
(k),J
02
(k),
……
,J
0d
(k)]
ꢀꢀꢀꢀ
(7)y
b
(k)＝[J
0d+1
(k),
……
,J
0n
(k)]
ꢀꢀꢀꢀ
(8)式中，y
a
(k)为第一数据集第k个采样时刻的数据，y
b
(k)为第二数据集第k个采样时刻的数据，J
0i
(k)为第i类样本变量正常数据类型的选择特征变量集在第k时刻的取值，i取值为1，2...n，d表示中间量，用于将选择后的正常特征变量集划分成两个数据集；分别用Y
a

【专利技术属性】
技术研发人员：梁浩翔，陈志文，范敬珂，彭立娟，王久赫，樊欣宇，彭涛，
申请(专利权)人：中南大学，
类型：发明
国别省市：