距离向I
转化为相似度向量
[0074] 最终得到异常样本FT与故障知识库全部样本的相似度集合，如下所示：
[0075]
[0076 ] 进一步地，所述步骤(2.6)具体步骤为：
[0077]依据相似度集合结果pSets，根据约定的规则输出故障诊断结果，其中满足规则： [0078]规则1:若有与异常样本相似度超过90 %的故障样本且出现多个，则将全部样本的 序号输出，同时输出故障样本所属的故障类型、所属故障类型的置信度、故障发展阶段为最 大相似度样本的最佳匹配位置，如果置信度超过50%，则输出建议采取的维修措施；
[0079] 规则2:若没有与异常样本相似度超过90 %的故障样本且最大相似度数值大于等 于60%，则将最大相似度样本的序号输出，同时输出该故障样本所属的故障类型、所属故障 类型的置信度、故障发展阶段为最大相似度样本的最佳匹配位置，如果置信度超过50%，则 输出建议采取的维修措施；
[0080] 规则3:若没有与异常样本相似度超过90%的故障样本且最大相似度数值小于 60 %，则将输出异常样本为不常见工况或者未知故障类型，继续关注此异常的发展。
[0081] 本发明的设备故障诊断方法，可以实现：
[0082] 1.本发明是一种全新的不依赖于故障诊断技术。目前传统的或者已有的诊断技 术，它们均要依赖于专家经验和先验信息的参与才能展开故障诊断工作，而本发明从分析 历史故障样本数据的数学形态特征着手，对当前的异常样本及时判别出与已有故障的相似 程度及其最可能的发展走势。
[0083] 2.本发明能够高效、精确地展开故障诊断工作，通过将样本数据从时域空间转化 到数学形态特征空间，即实现了数据信息压缩目标，又消除冗余数据噪声的影响，从而极大 提高了故障诊断的效率。
[0084] 3.为了保证模式表达的有效性，本发明建立了一种基于数据发展状态的多维分段 拟合方法。考虑到样本数据中各个变量之间耦合性不清晰的特点，本发明采用自适应算法 挖掘当前样本数据的最佳分割阈值，且所有变量的分割位置均一致，从而使分割的各阶段 数据发展状态更具层次性。
[0085] 4.本发明对进行故障诊断的样本数据要求性低，无需进行复杂数据预处理工作。 已有相关技术一般无法实现对与知识库中的样本时长不一致、变量数目不同的样本数据的 故障诊断，本发明通过变量切齐、动态时间规整等方法能够解决这一问题。
[0086] 5.本发明故障分析与故障识别部分运行速度在秒级以内，不仅能够实现完整故障 模态的样本进行故障诊断，还能对部分故障模态进行故障定位。因此本发明完全可以移植 到设备在线状态检测系统中进行应用。
【附图说明】
[0087]图1故障诊断模型训练阶段与运行阶段的综合流程图 [0088]图2动态时间弯曲距离效果图
[0089] 图3汽栗前置栗三种故障的关键测点趋势图
[0090] 图4异常样本在线故障诊断效果图
【具体实施方式】
[0091]下面详细说明本发明的具体实施，有必要在此指出的是，以下实施只是用于本发 明的进一步说明，不能理解为对本发明保护范围的限制，该领域技术熟练人员根据上述本
【发明内容】
对本发明做出的一些非本质的改进和调整，仍然属于本发明的保护范围。
[0092] 已有大多数相关技术是将故障数据的各个变量维度单独割裂开进行计算，而本发 明综合考虑样本数据不同变量之间相关信息存在的问题，实现一种基于自底向上的分段拟 合技术，在提取故障数据的多种整体形态特征的同时兼顾故障数据的数值特征。本发明通 过这种方法能实现大规模数据的有效压缩，减少了故障诊断时间，并从根本上提高故障诊 断的精度，因此本发明具备快速故障诊断能力。本发明以动态时间规整方法进行故障样本 特征差距计算，可以解决不同长度的故障样本相似程度难以衡量问题。本发明的故障诊断 方法不以模式距离作为最终衡量标准，而是以相似百分数进行比较，统一了故障识别的衡 量标准，进而再次提尚故障诊断精度。
[0093] 本发明提供了一种基于多维分段拟合的设备故障诊断方法，是一种着手数据形态 特征本质的全新故障诊断技术方法，它基于设备故障数据，结合了多维分段拟合算法和优 化的动态时间弯曲算法实现建模的模式表达和距离阈值提取功能，并通过对发现的设备异 常数据提取形态特征进行模式匹配达到设备数据故障类型识别和原因诊断的功能。该方法 主要包括建立模型和运行模型两个过程。
[0094] 图1(左)为本发明建立模型的流程图，整个建模过程主要包括以下步骤：
[0095] 步骤1:从系统数据库中获取故障样本信息。
[0096] 现获取的故障样本信息来自电厂的设备状态检测系统，大致的操作过程如下:首 先，选择一个故障类型数目P(P> = 2)且每种故障发生次数T(T>=2)满足要求的可研究性 设备，选定足量数目的观测点Ν(Ν> = 10)，对设备足够长时间的历史运行状态数据进行故 障记录查找;然后利用设定的筛选规则从故障记录中摘选出故障相关测点信息、故障过程 的起止时间以及故障维修措施记录等有用信息;最后依据上述信息从电厂实时数据库ΡΙ中 读取故障样本数据。
[0097] 举例，一测点数为η、时间点数目为m的故障样本数据，在j时刻的全部测点数据可 看成一个η维的列向量，表示为：
[0098] U(tj) = [Ujl，Uj2，Uj3,…，Ujn]
[0099] 该样本数据文件保存为mXn的矩阵形式，具体形式如下：
[0100]
[0101]按照上述方法，所有故障样本的存储形式:行这个维度代表m个故障时间，列这个 维度代表η个设备观测点，且每个故障样本之间的行列维度(m，n)两值可能不尽相同。同时 为每个故障样本赋予其故障类型标识ID。故障类型标识ID确定方法:若全部样本中包含X种 故障，则故障类型标识ID的数值范围为:1~X。
[0102] 步骤2:依次对每个故障样本进行多维分段线性拟合
[0103] 此步骤为本故障诊断发明的关键技术部分，主要是根据故障样本整体发展趋势进 行自适应性的状态分割，为后续的故障特征提取进行数据预处理准备。
[0104] 步骤2.1均值滤波操作：
[0105] 为了有效进行故障样本数据的分段，首先要对掺杂在样本数据中的噪声污染进行 滤波消除。为快速有效地实现噪声数据滤波，选用典型的线性滤波算法:均值滤波。
[0106] 依据均值滤波原理，具体滤波操作过程为:首先抽取故障样本数据F的第一个观测 点列向量数据u-i，开$式如下：
[0107]
[0108] 将列向量u-丨看作为数字序列，滤波模板大小L = rcund(3) (round为四舍五入取整 函数），若L为偶数，需要再加1。确定完滤波模板大小之后，开始进行实质滤波操作：
[0109] 1.将滤波模板的中心位置置于U11处，将模板之内的所有数据求和除以L，所得数值 为U11的滤波操作的输出数值为：
[0110]
2.滤波模板的中心位置继续前移，按照上述相同的操作进行滤波输出直至所有数 据全部完成滤波操作，比如在UH位置，均值滤波的输出为：
[0112]
[0113] 3.最终获取的列向量数据的滤波数据也为一列向量，具体形式如下：
[0114]
[0115] 故障样本数据所有的测点依次按照上述3步骤完成滤波操作，这样故障样本数据F 转化为F'形式为：
[0116]
[0117]步骤2.2故障样本分段初始化
[0118]对滤波处理后的故障样本F*进行分段初始化，每2条数据分成1个数据段，由于故 障样本数据长度为m，则将其分为$个最细致的数据段;若m为奇数，则最后一段由3条数据 组成，最终分为^^个最细致的数据段。分段的初始化效果为：
[0119]
[0120]
[0121 ]步骤2.3初始化数据段两两合并计算拟合误差
[0122] 本步骤的主要目的是对上步骤初始化分段后生成了 或者f)个数据段，每个 数据段和其右相邻的数据段进行合并，同时计算产生的拟合误差。
[0123] 详细合并操作如下：比如合并/和/二为：：
为一个形式如
4 X η的矩阵，列为测点数。对每一列的数彳 进行最小二乘法拟合成直线。最小二乘法的 具体步骤如下：
[0124]拟合目标是将数据(x;,.
吏用一次多项式？(1)=3〇+&^进行表示，使得 拟合误差累积之和I = (ao+aix-yi)2最小。
[0125]这显然是一个求1 = 1(80,?)极值的二次规划问题。根据拉格朗日原理，得
[0126]
[0127]
[0128]
[0129] 上式是关于的线性方程组，用矩阵表示为
[0130]
[0131]上式成为正规方程组，其系数矩阵是一个对称正定矩阵，故存在唯一解。从上式中 解出ak(k = 0,1)，从而可得多项式：
[0132] p(x) =ao+aix
[0133] 由于拟合产生的平均误差称为拟合误差，拟合误差记作：
[0134]
[0135] 所有测点拟合完成之后，产生的拟合误差之和R = i；llrl(N为测点数目）。 1=1
[0136] 当全部的或者f)个数据段两两合并完成之后，会生成三个结果，一是分割
数据段集￥
;二是拟合误差向量 三是样本整体分割 4 位置向i
[0137] 步骤2.4确定故障样本的分段切割点
[0138] 本步骤主要目的是通过递归合并的方式实现故障样本分割位置的确定。
[0139] 1.本发明根据经验设置一数值MAX_ERR0R作为对拟合误差进行判断的指标。若拟 合误差向量^中所有数值均大于最大拟合误差阈值MAX_ERR0R时，则执行操作1:确认7?就是 最终的样本分割位置集合；否则执行操作2:合并拟合误差向量A中最小值位置J及其右邻 位置J+1的分割数据段，并更新分割数据段集合F'拟合误差向量A和样本整体分割位置向 量r;
[0140]其具体更新操作为:产长度减1，前J-1保持不变，J之后的数值前移1位，J位置上F'j = [FJ;FJ+1];根据更新后的产确定新的分割位置向量长度减1，前J-1保持不变，J之后 的数值前移1位，J位置上供(巧,巧+1)>merge是按照最小二乘法生成设计的求拟合 误差函数；
[0141] 2.再次对更新后的拟合误差向量数值跟最大拟合误差阈值MAX_ERR0R进行大小判 断，若全部大于阈值MAX_ERR0R将执行操作1，否则将跳出循环操作停止；
[0142] 3.循环合并最小拟合误差位置及其右邻位置的分割数据段，直至最后的拟合误差 向量A全部大于MAX_ERR0R数值，递归合并循环停止。
[0143] 经过上述步骤之后，全部的分割数据段通过递归合并的方式完成之后，会生成三 个结果，一是分割数据段集合矿=[/*;/2*;...,/：];二是拟合误差向量Α = ;三 是样本整体分割位置向量7' = ；| (其中X为样本数据最终分割的数目）。至此就实 现了对故障样本进行自适应性的状态分割的目标，为下步故障特征提取做好准备。
[0144] 步骤3:对故障样本分割数据段进行特征提取；
[0145] 本步骤实现对当前故障样本每个分割数据段提取斜率、时间比例、均值、方差等数 学特征。
[0146] 比如，将故障样本F*经步骤2分割为[/Λ/;;...,/：]这X个分割数据段。从数据段开 始进行特征提取。
[0147] 特征提取的具体操作如下：
[0148] 由于数据段^
砗形式，行为时间点数，列为测点数。
[0149] 按照测点的维度（列）进行特征提取，主要特征有:斜率k、时长1、均值m、方差ν四 种。
[0150