法运用在这里。可得相似度集合形式如下：
[0311]
[0312] 根据约定的故障诊断规则输出故障诊断的判定结果:此次异常预判定为电机传动 端径向瓦温突升故障，判定理由为:在汽栗前置栗中与异常样本相似度超过90%的故障样 本有15个（5^92.5%、％90.6%、％93.2%等），诊断为故障类型1的置信度为60%超过 置信度阈值，相似度最大故障样本为分割段数为7的％最佳匹配位置为1~4段，实际故障 诊断效果图为附图4。两个样本整体趋势从开始到中间位置均匹配一致，故将故障发展阶段 确定为故障发展中期，查询运行规程建议采取维修措施为冷水冲击电机传动端强制降温方 法
[0313] 事实表明，等专业人员及时赶到后的诊断结果确实为电机传动端径向瓦温突升故 障，采用冷水降温法强制汽栗前置栗降温到合理温度区间后，汽栗前置栗设备运转恢复正 常。
[0314] 尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人 员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节 上进行各种修改、添加和替换等的改变，而所有这些改变都应属于本发明所附权利要求的 保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的 形式组合在一起。因此，对本发明中所公开的实施方式的描述并非为了限制本发明的范围， 而是用于描述本发明。相应地，本发明的范围不受以上实施方式的限制，而是由权利要求或 其等同物进行限定。
【主权项】
1. 一种设备故障诊断方法，其特征在于，依次包括如下步骤： 步骤1:故障诊断训练步骤:从数据库中获取故障样本信息，经过计算处理后分别得到 消除量纲的故障样本的特征矩阵和模式距离阈值，将两者彼此关联起来，存储生成故障模 式知识库； 步骤2:故障诊断运行步骤:从实时数据库中获取异常样本信息，计算处理后得到异常 特征信息，然后对故障模式知识库中的样本特征依次计算模式距离后转化成模式相似度， 输出最终故障诊断结果。2. 如权利要求1所述的方法，其特征在于:所述步骤1的具体步骤为： (1.1) 从数据库中获取故障样本信息； (1.2) 依次对每个故障样本进行分段线性拟合； (1.3) 对故障样本的每段数据进行特征提取，得到故障样本的特征矩阵； (1.4) 进行故障特征转化，消除特征量纲，得到消除量纲的故障样本的特征矩阵； (1.5) 计算模式距离阈值； (1.6) 将故障特征矩阵和模式距离阈值彼此关联起来，存储生成故障模式知识库。3. 如权利要求2所述的方法，其特征在于:所述步骤(1.1)具体步骤为:选择一个故障类 型数目P 2 2且每种故障发生次数T 2 2满足要求的可研究性设备，选定足量数目的观测点N， 其中N2 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，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的 有用信息，依据有用信息从电厂实时数据库PI中读取故障样本数据，其中： 测点数为n、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看成一个η维的 列向量，表示为： u(tj) = [Ujl,Uj2,Uj3, . . . ,Ujn] 该样本数据文件保存为mx η的矩阵形式，具体形式如下： F= .......................................................... ，"削2，，. · " 以則 _ 其中行代表m个故障时间，列代表η个设备观测点，且每个故障样本之间的行列m、n两值 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确定方法为若全 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。4. 如权利要求3所述的方法，其特征在于:所述步骤(1.2)具体步骤为： (1.2.1) 均值滤波操作:对掺杂在样本数据中的噪声污染进行滤波消除； (1.2.2) 故障样本分段初始化:对滤波处理后的故障样本进行分段初始化； (1.2.3) 将初始化数据段两两合并计算拟合误差； (1.2.4) 确定故障样本的分段切割点，对故障样本进行自适应性的状态分割。5. 如权利要求4所述的方法，其特征在于:所述步骤(1.3)具体步骤为： 将故障样本经步骤（1.2)分割为这x个分割数据段，从数据段开始进行 特征提取，具体操作如下： ΙΙγ | 5 11γ2 5 · · ?5 ^[η \ 5 ^22 5 *? 由于iT数据段为矩阵形式，行为时间点数，列为测点数； 按照测点的维度(列)进行特征提取，特征有:斜率k、时长1、均值m、方差v四种； V -112, 其中，€=...； Jhi 一 依据最小二乘法原理对此向量进行线性拟合，拟合结果为一次方程p(X)=aQl+allX，故 而斜率特征k = au，其中aiau为拟合常数； 时长特征1为写向量长度h，即l=h; 均值特征m为向量所有数值的平均，即揪=1%_ ; Μ h 方差特征V为巧向量所有数值离均值的波动幅度之和，即 li(W"_m：r N为向量总 V -----.，. .N. 数； Γ? i r 凡15凡2.，? 以21，"22，.，""2" j j ^ 分割数据段:<=....................就转化为特征矩阵m i ?'，1'2 5 " 剩余的 <~/：:按照上述的操作方法进行特征提取，将原始的时域数据矩阵转化为数 学特征矩阵，最终分割数据段集合L/r;f 转化为： vu), (kn; lx mn; v12),..., (khl; lx; mhl; v,") ' (k:,; m2, ； iI), (7v?:: L; mz?: r:;),..., \kln: L: m2il: v2ll) ...... o. _(k^,:/,:/H,: V,,),(A-(::/,::;V,2),·mXB;vj _6.如权利要求5所述的方法，其特征在于:所述步骤（1.4)具体步骤为:将斜率k转化为 倾斜角度α，时长1转化为时间比例，均值特征m进行归一化处理，将故障样本的特征矩阵 (kt,; ^; w,!; vu), (kn; /χ; mn ； vn),..., (khl; /x; mln; vln) (/c:.; /,; /h2 ! ；' 2 i ), (^3： ； i'h2 ；' , ； 4' ' y：...) βχ1;?Λ：mx;vxl),(kx2-J x;mx2;v,2),...,(kxn;IK;m xn;vT") _ (alt:内;；^;vu),(a12;内;T；2;v 12),_._，(at";乃;η";ν1(,) (α2ι; ; T2l; v21), (α"; p2; Γ22; v22),..., (α2η; p2; 7；,,; v2n) 转化为消除M纲的I 1? _?αχ? 1 Px S ? ^xl)5 (?? i - A S Vi:2 )? · ·· S tp^xn. i Px >^xn? ^xn )7. 如权利要求1所述的方法，其特征在于:所述步骤2的具体步骤为： (2.1) 从实时数据库中获取异常样本信息； (2.2) 对当前的异常样本进行分段线性拟合； (2.3) 对分段拟合后的数据进行异常特征提取与转化； (2.4) 用异常特征信息对故障模式知识库中的样本特征依次计算模式距离； (2.5) 使用降岭分步法将模式距离转化成模式相似度； (2.6) 输出最终故障诊断结果。8. 如权利要求7所述的方法，其特征在于:所述步骤(2.1)具体步骤为： 依据电厂的设备状态预警系统发现设备出现某种未知的异常状态，进行如下的相关操 作： (2.1.1)从预警系统中确定设备警报产生时间。和截止时间t2; (之-^彡从预警系统中确定设备警报的相关观测点耶二匕:^^^^^]; (2.1.3) 根据产生时间ti和截止时间t2，以及数据库采样频率f s，得到时间点数m = f s X (t2_ti)，设备测点数目n = length([xi，X2,…，χη'])，其中length( ·)为计算长度函数）； (2.1.4) 获取异常样本数据为测点数为η'、时间点数目为m的样本数据，在j时刻的全部 测点数据看成一个η '维的列向量，表示为： V(tj) = [Vjl,Vj2,Vj3, · · · ,Vjn'] 将样本数据文件存储为m X η '的矩阵形式，具体形式如下： vlpv12，v13，…,vln W22，VB，…，V2" F=...........................................................， 其中行代表m个故障时间，列代表η '个设备观测点。 所述步骤(2.2)具体步骤为： (2.2.1) 均值滤波操作：依据均值滤波原理对掺杂在异常样本数据中每个测点的噪声 污染进行滤波消除； (2.2.2) 异常样本分段初始化:对滤波处理后的异常样本进行分段初始化； (2.2.3) 将初始化数据段两两合并计算拟合误差； (2.2.4) 基于递归合并的方式确定异常样本分段切割点。9. 如权利要求8所述的方法，其特征在于:所述步骤(2.5)具体步骤为： 根据降岭分步法的原理按照以下公式将模式距离转化成模式相似度Ρ(?/): \,distij < Ο pidista)= < -----810(---^(^//^,7 - -L)),() < disti； < Thj 2 2 Thj 2 %dist：j > Th： 其中，^,,代表着异常样本与故障类型i下的第j个故障样本进行模式识别计算的模式 距离，而?η代表着故障类型i下的模式距离阈值； 按照故障类型的维度，将每个距离向量?//.ν/卩=e [Ι,χ]，转 化为相似度向量…,/?(￡!,:#)^[i e[l，x]. 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： p{distu), p{distn),..., p{distlcl )J \pVectorx p{disti\), p(disti2),..., p(dist2c2) pVector2 pSets = > 〇 [p(distx\), p(distxi),. ,.,p(distXiX ) pVectorx10. 如权利要求9所述的方法，其特征在于:所述步骤(2.6)具体步骤为： 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： 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； 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； 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。
【专利摘要】一种设备故障诊断方法，依次包括故障诊断训练步骤和故障诊断运行步骤，着手数据形态特征本质，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解决当前故障诊断技术中难以高效、准确地刻画故障数据之间相似程度的难题。
【IPC分类】G05B23/02, G06F17/30, G06Q50/06
【公开号】CN105467975
【申请号】CN201511004767
【发明人】丁书耕, 邢宏伟, 孙燕, 张华伟, 安佰京, 赵俊
【申请人】山东鲁能软件技术有限公司
【公开日】2016年4月6日
【申请日】2015年12月29日