故障特征信息提取与早期故障预警的方法及系统与流程

本发明涉及故障分析预警技术领域，更具体地说涉及故障特征信息提取与早期故障预警的方法及系统。

背景技术：

随着注塑工业技术的高速发展，如何保证工业机器安全、稳定的运行已是一个重要的课题，而在注塑工业机器的实时监测及故障预警是保证注塑生产安全、可靠运行以及减少残次品的关键。

传统的注塑工业故障诊断方法大多是由人工诊断，诊断费事、费力，准确度及可靠性都很低，同时一般都是在人工检查发现了残次品时才会对注塑机器进行人工诊断，不能及时发现故障，故障诊断的准确率不高，更不能预先发现，从根源上减少残次品的产生。同时判断注塑机器的故障的检测因素很多，无法确定最相关的检测因素，故障针对准确率不高。

技术实现要素：

本发明提供故障特征信息提取与早期故障预警的方法及系统，可以计算出与故障相关的主成分，同时发出预警。

本发明解决其技术问题的解决方案是：

故障特征信息提取与早期故障预警的方法，包括以下步骤：

步骤一：获得系统状态的数据，对所述系统状态的数据进行预处理；

步骤二：对于预处理后的系统状态的数据进行特征提取，提取出特征信息；

步骤三：采用均值标准差标准化方法处理特征信息，获取标准化变量，建立标准化变量的协方差矩阵；

步骤四：结合PCA主成分分析方法对协方差矩阵进行降维，删去无关主成分，选取对故障贡献率最大的前n个主成分P^Tx，其中P为特征值对应的特征向量，x＝(xi)表示第i个特征，选取贡献率最大的主成分；

步骤五：实时监测和采集所述贡献率最大的主成分的数据，作为时间序列数据，对时间序列数据进行处理和拟合建模，得到时间序列模型；

步骤六：通过时间序列模块预测出预测值数据，得到预测误差数据；

步骤七：当所述预测误差数据中的众数大于预设的变化水平阈值时，发出预警信号。

作为上述技术方案的进一步改进，所述对时间序列数据进行处理和拟合建模的过程包括：

从时间序列数据分割出监测期之前的历史时序数据和监测期区间的监测时序数据，对历史时序数据进行数据拟合建模，得到时间序列模型。

作为上述技术方案的进一步改进，所述时间序列模型为ARMA模型。

作为上述技术方案的进一步改进，所述得到预测误差数据的过程包括：

根据监测时序数据和预测值数据之间的差值得到预测误差数据。

作为上述技术方案的进一步改进，所述对所述系统状态的数据进行预处理的过程包括：

对所述系统状态的数据进行小波滤波，剔除异常值、以及填充缺失值。

作为上述技术方案的进一步改进，对于预处理后的系统状态的数据进行提取的特征包括：所述系统状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。

作为上述技术方案的进一步改进，所述步骤四的具体方法为：

利用PCA主成分分析方法选取出主成分，并将主成分按照所述贡献率由大到小排序；

按照贡献率由大到小选择主成分，并使得选取的贡献率最大的主成分。

故障特征信息提取与早期故障预警的系统，包括检测采集模块、处理模块和预警模块；

所述检测采集模块用于检测和采集系统状态的数据；

所述处理模块用于对采集的系统状态的数据进行处理，当计算得到的预测误差数据大于预设的变化水平阈值时，控制预警模块发出预警信号；

所述预警模块用于发出预警信号。

本发明的有益效果是：本发明通过PCA主成分分析方法对数据进行降维，提取贡献率高的主成分，通过主成分的时间序列数据得到预测误差数据，对预测误差数据进行判断，对故障及时预测诊断，很大程度上降低诊断难度以及人工检查成本。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。

图1是本发明方法的流程示意图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少连接辅件，来组成更优的连接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。

实施例1，参照图1，故障特征信息提取与早期故障预警的方法可运用在一种故障特征信息提取与早期故障预警的系统。

所述故障特征信息提取与早期故障预警的系统包括检测采集模块、处理模块、和预警模块；

所述检测采集模块用于检测和采集系统状态的数据；

本实施例中的检测采集模块用于实时监测和采集熔体温度、注射速度、注射温度、保压压力和保压时长的数据，并将采集得到的数据发送到处理模块。

所述处理模块用于对采集的系统状态的数据进行处理，当计算得到的预测误差数据大于预设的变化水平阈值时，控制预警模块发出预警信号；

所述预警模块用于发出预警信号。

以注塑工业行业为例，在注塑工业行业中，当注塑机器发生故障的时候会导致大量产出残次品，降低合格率，影响正常生产。将所述故障特征信息提取与早期故障预警的方法用于检测注塑机器和预警故障，有效提前发现注塑机器的故障，避免生成残次品。

然而影响注塑机器故障的特征量很多，需要通过PCA主成分分析方法对各种不同的特征量进行压缩和降维，计算出贡献率最大的主成分。

所述故障特征信息提取与早期故障预警的方法包括以下步骤：

步骤一：获得系统状态的数据，对所述系统状态的数据进行预处理；

通过检测采集模块分实时采集注塑机器的系统状态的数据。

进一步作为优选的实施方式，对于预处理后的系统状态的数据进行提取的特征包括：所述系统状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。

进一步作为优选的实施方式，所述对所述系统状态的数据进行预处理的过程包括：

对所述系统状态的数据进行小波滤波，剔除异常值、以及填充缺失值。

对系统状态的数据进行小波滤波，有效去噪，剔除数据中异常值，同时对缺失值采用K最近距离邻法(K-means clustering)进行填充。

所述K最近距离邻法先根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本，将这K个值加权平均来估计该样本的缺失数据，得到最后的估算值，将所述估算值进行填充。

步骤二：对于预处理后的系统状态的数据进行特征提取，提取出特征信息；

步骤三：采用均值标准差标准化方法处理特征信息，获取标准化变量，建立标准化变量的协方差矩阵；

对提取的特征值矩阵进行特征选择，得到训练样本的特征值矩阵；

预处理后的数据为模拟信号，对所述系统状态模拟信号进行时域特征和频域特征计算，并将计算得到的特征信息进行多特征信息融合，提取出系统的时域特征信息和频域特征信息，将得到的时域特征信息和频域特征信息进行信息融合，得到这个障特征信息提取与早期故障预警系统的特征信息。

对时域特征信息和频域特征信息进行标准化，采用均值标准差标准化方法处理时域特征信息和频域特征信息，获取标准化变量；

建立标准化变量的协方差矩阵，求解协方差矩阵的特征值和特征向量；利用标准化值计算标准化变量之间的相关系数，有k个特征值可建立k阶相关矩阵；由此协方差矩阵可获得由大到小排列的特征值λi，j＝1，2…k，k个特征值对应k个特征向量，每个特征向量包含k个分量；

步骤四：结合PCA主成分分析方法对协方差矩阵进行降维，删去无关主成分，选取对故障贡献率最大的前n个主成分P^Tx，其中P为特征值对应的特征向量，x＝(xi)表示第i个特征，选取出贡献率最大的主成分；

在获得的特征值和特征向量基础上，根据要求的累积贡献率，从时域特征信息和频域特征信息中选取主成分；

利用PCA主成分分析方法选取出主成分，并将该主成分按照所述贡献率由大到小排序；

按照贡献率由大到小选择主成分，并使得选取的贡献率最大的主成分。

所述系统状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。通过计算，本实施例中贡献率最大的主成分是保压压力，则保压压力与注塑机器的故障以及残次品的产生有重要联系。

步骤五：实时监测和采集所述贡献率最大的主成分的数据，作为时间序列数据，对时间序列数据进行处理和拟合建模，得到时间序列模型；

从时间序列数据分割出监测期之前的历史时序数据和监测期区间的监测时序数据，对历史时序数据进行数据拟合建模，得到时间序列模型。

进一步作为优选的实施方式，所述时间序列模型为ARMA模型。

实时检测和采集保压压力的数据，作为时间序列数据，对时间序列数据进行处理和拟合建模，得出ARMA(p,q)预测模型，即为时间序列模型：

其中，为自回归部分，非负整数p为自回归阶数，为自回归系数，为滑动平均部分，非负整数q为滑动平均阶数，为滑动平均系数，σ²白噪声方差；Xt'为时间序列模型，εt为WN(0，σ²)。

根据上述ARMA(p,q)预测模型，依据一步预测的方法对Xt'进行预测，得到预测值数据。

步骤六：通过时间序列模块预测出预测值数据，得到预测误差数据；

根据监测时序数据和预测值数据之间的差值得到预测误差数据。

步骤七：当所述预测误差数据中的众数大于预设的变化水平阈值时，发出预警信号。

所述预设的变化水平阈值可调。本实施例中所述预设的变化水平阈值为历史时序数据的均值的5％。

设置水平变化阈值为了避免较少的变化水平所引起的误差。

通过检测保压压力，进行故障及时预测诊断，减少注塑机器的故障以及残次品的数量，保证产品质量。

所述处理模块包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述故障特征信息提取与早期故障预警的系统的控制中心，利用各种接口和线路连接整个故障特征信息提取与早期故障预警的系统中可运行装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述故障特征信息提取与早期故障预警的系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如数据读取功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述预警模块通过文字和声音的方式来发出预警信号，但不局限于这两种发出预警的方式。

以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。