一种基于符号聚合近似故障诊断的方法技术

本发明专利技术公开了一种基于符号聚合近似故障诊断的方法，包括：依据振动信号波形变化趋势和各区间的方差占比对不同区间进行分段，通过统计代表模型变化的字符串出现的次数作为数据的特征向量，将振动信号转换成字符串并进行特征提取，使用模糊贴近度对提取的特征进行模式识别，用贴近度的大小表示设备处于某种状态的概率，从而判断设备的运行状态。本发明专利技术有效提高了故障诊断效果，实现了对数据的自适应分段划分，保留了数据本身更多的有效信息；通过模糊贴近度方法识别故障模式，有效提高故障诊断效率。断效率。断效率。

【技术实现步骤摘要】
一种基于符号聚合近似故障诊断的方法


[0001]本专利技术涉及一种基于符号聚合近似故障诊断的方法，属于机械设备的故障诊断领域。

技术介绍

[0002]目前，针对压裂车相关诊断研究工作不多。王川等通过仿真分析动力系统，将振动信息进行耦合，提供了一定的理论基础。张俊玲等针对压力车液力端故障特征难提取的问题，提出了一种基于局部均值分解样本熵与支持向量机的诊断方法。许旭等提出了一种基于同步挤压S变换和DRN的压裂车故障诊断方法，解决了动力端振动信号故障特征难以准确提取和辨识的问题。目前针对压裂故障诊断方法均是静态数据，未考虑时间序列数据的各个变量值之间的次序关系。
[0003]时间序列处理是数据挖掘的热点之一，对多元复杂且海量高维的数据进行处理时，提高数据挖掘效率以及数据挖掘的合理性是研究的重点。时序降维技术不仅可以降低时间序列的复杂度，还能在一定程度上保留数据的特征信息。符号化聚合近似(Symbolic Aggregate Approximation,SAX)作为一种有效的特征表示方法，在故障诊断方面得到了越来越广泛的应用，但在有效性和精度方面很大程度上依赖于分段数的选择。而且SAX方法在对数据进行特征提取的过程一般采用平均分段并利用均值代替数据，存在忽略信号突变信息的情况，并且在经过SAX方法处理后常采用两个字符序列之间的欧氏距离下界评判字符串的相关程度而忽略故障模态符号串的周期。因此传统的SAX方法，在故障诊断的有效性和精度仍有很大的提升空间。

技术实现思路

[0004]本专利技术的目的在于克服现有技术存在的上述问题，提供一种基于符号聚合近似故障诊断的方法。本专利技术有效提高了故障诊断效果，实现了对数据的自适应分段划分，保留了数据本身更多的有效信息；通过模糊贴近度方法识别故障模式，有效提高故障诊断效率。
[0005]为实现上述目的，本专利技术采用的技术方案如下：
[0006]一种基于符号聚合近似故障诊断的方法，其特征在于：依据振动信号波形变化趋势和各区间的方差占比对不同区间进行分段，通过统计代表模型变化的字符串出现的次数作为数据的特征向量，将振动信号转换成字符串并进行特征提取，使用模糊贴近度对提取的特征进行模式识别，用贴近度的大小表示设备处于某种状态的概率，从而判断设备的运行状态。
[0007]所述分段包括区间分段数确定：
[0008]将Z
‑
score标准化后的序列C
′
＝c
′1,c
′2,
…
,c
′
n
划分为长度为m的k个区间，V＝v1,v2,
…
,v
k
，其中1<k<n，其中n为标准化后的序列长度；用公式(1)求出各区间的方差，根据各区间方差值的占比确定区间分段数，见公式(2)，得出区间分段集合W＝w1,w2,
…
,w
k
；
[0009][0010]其中为区间v
i
的均值，σ
2i
为各区间的方差；
[0011][0012]其中w
i
为各区间的方差占比与分段数的乘积，ω为数据总分段数。
[0013]所述分段还包括区间分段数确定后的区间分段数取整规划：
[0014]集合W中多为小数，需要对其进行调整，根据公式(3)对W集合中的元素进行取整，得到集合W
′
＝w
′1,w
′2,
…
,w
′
k
；
[0015][0016]其中round(w
i
)为对w
i
四舍五入取整。
[0017]所述区间分段数取整规划中，当W集合中元素取整后的集合W
′
之和与ω存在偏差时，需要对其进行调整，当W
′
之和大于ω时，依次对W
′
中的元素从大到小的顺序依次减1直到和与ω相等，反之W
′
中的元素从小到大的顺序一次加1直到和与ω相等，最终得出和为ω的整数分段序列W
″
＝w
″1,w
″2,
…
,w
″
k
。
[0018]所述分段还包括区间分段数取整规划后的分段聚合：
[0019]依次将区间v
i
利用滑动聚合近似方法划分为等长的w
″
i
个子序列，按照公式(4)求出每个区间段中子序列的均值，最终得到
[0020][0021]所述分段还包括分段聚合后的结果映射：
[0022]依据选定大小的字符集α在标准正态分布表中查找区间断点β
i
，将分段处理后的结果映射到相应字符集中，最终得到的符号序列。
[0023]所述特征提取中，波形具有周期性特征，其中波形相同部分将被VA_SAX序列化为同一类符号，故障的图形会被序列化为其他符号，通过对比符号判断设备的故障类型。
[0024]所述特征提取过程为：
[0025]若取VA_SAX算法的符号数α＝4，即符号集合为γ＝(a,b,c,d)，对原始时间数据样本进行VA_SAX处理后得到符号序列选取长度为l的字符串作为特征模态对象，当l＝4时，所有字符串集合可以表示为：
[0026]A＝(aa,ab,ac,ad,ba,bb,bc,bd,ca,cb,cc,cd,da,db,dc,dd)
[0027]当l＝3时，所有字符串集合可以表示为：
[0028]A＝(aaa,aab,aac,aad,
…
dda,ddb,ddc,ddd)
[0029]通过以上规律得出，字符串个数β与符号数α、字符串长度l之间的关系为：
[0030]β＝α
l
[0031]设定l值，统计长度为l的符号串出现的次数，构成向量B；用长度l＝2的窗口滑过
符号序列，符号串aa、ab、ac
…
出现次数分别为α1＝2，α2＝1，α3＝1
…
，统计结果构成定量和定性表征故障特征的向量B：
[0032]B＝(α1,α2,
…
α
β
)。
[0033]所述特征提取过程还包括：
[0034]对向量B通过公式(5)归一化：
[0035][0036]其中α
min
和α
max
分别表示向量B中的元素最小值和最大值；
[0037]归一化后构成特征向量e作为该段时间序列的特征向量：
[0038]e＝(d1,d2,
…
,d
β
)。
[0039]所述模糊贴近度对提取的特征进行模式识别中，将待识别的振动数据提取的特征指标样本与已知的标准故障数据特征指标进行模糊贴近度对比，得出故障隶属于标准故障的程度，从而判断设备的运行状态。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于符号聚合近似故障诊断的方法，其特征在于：依据振动信号波形变化趋势和各区间的方差占比对不同区间进行分段，通过统计代表模型变化的字符串出现的次数作为数据的特征向量，将振动信号转换成字符串并进行特征提取，使用模糊贴近度对提取的特征进行模式识别，用贴近度的大小表示设备处于某种状态的概率，从而判断设备的运行状态。2.根据权利要求1所述的一种基于符号聚合近似故障诊断的方法，其特征在于，所述分段包括区间分段数确定：将Z
‑
score标准化后的序列C
′
＝c1′
,c2′
,
…
,c
n
′
划分为长度为m的k个区间，V＝v1,v2,
…
,v
k
，其中1<k<n，其中n为标准化后的序列长度；用公式(1)求出各区间的方差，根据各区间方差值的占比确定区间分段数，见公式(2)，得出区间分段集合W＝w1,w2,
…
,w
k
；其中为区间v
i
的均值，σ
2i
为各区间的方差；其中w
i
为各区间的方差占比与分段数的乘积，ω为数据总分段数。3.根据权利要求2所述的一种基于符号聚合近似故障诊断的方法，其特征在于，所述分段还包括区间分段数确定后的区间分段数取整规划：集合W中多为小数，需要对其进行调整，根据公式(3)对W集合中的元素进行取整，得到集合W
′
＝w1′
,w2′
,
…
,w
k
′
；其中round(w
i
)为对w
i
四舍五入取整。4.根据权利要求3所述的一种基于符号聚合近似故障诊断的方法，其特征在于：所述区间分段数取整规划中，当W集合中元素取整后的集合W
′
之和与ω存在偏差时，需要对其进行调整，当W
′
之和大于ω时，依次对W
′
中的元素从大到小的顺序依次减1直到和与ω相等，反之W
′
中的元素从小到大的顺序一次加1直到和与ω相等，最终得出和为ω的整数分段序列W
″
＝w1″
,w2″
,
…
,w
k
″
。5.根据权利要求4所述的一种基于符号聚合近似故障诊断的方法，其特征在于，所述分段还包括区间分段数取整...

【专利技术属性】
技术研发人员：王文权，万夫，张健，张志东，邓勇刚，黄敏，唐顺东，王志喜，唐瑞欢，徐友红，王哲，陈瑞峰，杨恒，彭鑫，
申请(专利权)人：中国石油集团川庆钻探工程有限公司，
类型：发明
国别省市：