机械密封故障预警方法、装置、计算机设备和存储介质

1.本技术涉及故障检测技术领域，特别是涉及一种机械密封故障预警方法、 装置、计算机设备和存储介质。


背景技术：

2.机械密封也称端面密封，其需要在维持低泄漏或者无泄漏的同时，降低或 消除摩擦副的摩擦磨损以延长寿命。为判断机械密封是否处于正常运行状态， 需要对机械密封件进行故障监测，并在出现故障时发出预警。
3.传统技术中，预警策略为技术人员根据经验对监测的机械密封件中的各个 信号值设置相应的阈值，当各个信号值达到相应等级阈值时，触发相应等级的 预警。
4.然而，当前监测装置数目、采样率在日益上升，导致在传统技术中，技术 人员无法充分利用所有监测数据去实施预警策略，从而无法提供更精准的故障 预警。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够充分利用监测到的机械 密封件中的各个信号值，从而提供精准故障预警的机械密封故障预警方法、装 置、计算机设备和存储介质。
6.第一方面，提供了一种机械密封故障预警方法，该方法包括：
7.获取目标采集周期对应的目标监测信号集，该目标监测信号集包括在该目 标采集周期内采集得到的机械密封件的多个监测信号值；对该目标监测信号集 进行特征提取，得到该目标监测信号集的特征向量；获取多个历史采集周期所 分别对应的各历史监测信号集的特征向量，其中，该多个历史采集周期在时间 上位于该目标采集周期之前；确定该目标监测信号集的特征向量与各该历史监 测信号集的特征向量的差异程度，并根据该差异程度确定该机械密封件是否出 现故障。
8.在其中一个实施例中，确定该目标监测信号集的特征向量与各该历史监测 信号集的特征向量的差异程度，包括：
9.计算该目标监测信号集的特征向量的第一标准化向量，并获取历史计算得 到各该历史监测信号集的特征向量的第二标准化向量；根据该第一标准化向量 以及各该第二标准化向量计算该目标监测信号集的特征向量对应的第一密度 值；根据各该第二标准化向量计算各该历史监测信号集的特征向量对应的第二 密度值；根据该第一密度值以及各该第二密度值，计算该目标监测信号集的特 征向量对应的第一初始差异程度参数；根据各该第二密度值，计算各该历史监 测信号集的特征向量对应的第二初始差异程度参数；根据该第一初始差异程度 参数以及各该历史监测信号集的特征向量对应的第二初始差异程度参数，对该 第一初始差异程度参数进行平滑化处理，得到该目标监测信号集的特征向量对 应的差异程度参数。
10.在其中一个实施例中，对该目标监测信号集进行特征提取，得到该目标监 测信号
集对应的特征向量，包括：
11.对该目标监测信号集包括的各该监测信号值进行不同类型的统计学计算， 得到多个统计特征值，基于该多个统计特征值构建该目标监测信号集对应的特 征向量；其中，该不同类型的统计学计算包括以下中的至少一种：求平均值计 算；求标准差计算；求偏度计算；求峰度计算；滤波处理后求平均值计算或求 标准差计算、求偏度计算、求峰度计算；实施经验模态分解后求平均值计算或 求标准差计算、求偏度计算、求峰度计算；在该目标检测信号集包括多个不同 的传感器测得的监测信号值的情况下，对同一采样时刻下的多个监测信号值进 行作差计算后再进行求平均值计算或求标准差计算、求偏度计算、求峰度计算； 在该目标检测信号集包括多个不同的传感器测得的监测信号值的情况下，对同 一采样时刻下的多个监测信号值进行求和计算后再进行平均值计算或求标准差 计算、求偏度计算、求峰度计算。
12.在其中一个实施例中，获取多个历史采集周期所分别对应的各历史监测信 号集的特征向量，包括：从样本集合中获取各该历史监测信号集的特征向量， 其中，该样本集合用于在对某采集周期对应的监测信号集进行特征提取得到对 应的特征向量后，存储得到的该对应的特征向量。
13.在其中一个实施例中，该方法还包括：检测该目标监测信号集对应的特征 向量是否为第n个未存储至该样本集合的特征向量，n为正整数；若是，则将 该目标监测信号集对应的特征向量存储至该样本集合中。
14.在其中一个实施例中，将该目标监测信号集对应的特征向量存储至该样本 集合中，包括：检测该样本集合中存储的特征向量是否达到最大样本数量；若 达到该最大样本数量，则将最先存入该样本集合中的n个特征向量从该样本集 合中删除，并将该目标监测信号集对应的特征向量存储至该样本集合中。
15.在其中一个实施例中，从样本集合中获取各该历史监测信号集的特征向量， 包括：检测该样本集合中存储的特征向量是否达到最小样本数量；若达到该最 小样本数量，则从该样本集合中获取各该历史监测信号集的特征向量。
16.在其中一个实施例中，该方法还包括：若未达到该最小样本数量，则禁止 从该样本集合中获取各该历史监测信号集的特征向量，并将该目标监测信号集 对应的特征向量存储至该样本集合中。
17.第二方面，提供了一种机械密封故障预警装置，该装置包括：
18.第一获取模块，用于获取目标采集周期对应的目标监测信号集，该目标监 测信号集包括在该目标采集周期内采集得到的机械密封件的多个监测信号值；
19.提取模块，用于对该目标监测信号集进行特征提取，得到该目标监测信号 集的特征向量；
20.第二获取模块，用于获取多个历史采集周期所分别对应的各历史监测信号 集的特征向量，其中，该多个历史采集周期在时间上位于该目标采集周期之前；
21.确定模块，用于确定该目标监测信号集的特征向量与各该历史监测信号集 的特征向量的差异程度，并根据该差异程度确定该机械密封件是否出现故障。
22.在其中一个实施例中，该确定模块，具体用于：
23.计算该目标监测信号集的特征向量的第一标准化向量，并获取历史计算得 到各
该历史监测信号集的特征向量的第二标准化向量；根据该第一标准化向量 以及各该第二标准化向量计算该目标监测信号集的特征向量对应的第一密度 值；根据各该第二标准化向量计算各该历史监测信号集的特征向量对应的第二 密度值；根据该第一密度值以及各该第二密度值，计算该目标监测信号集的特 征向量对应的第一初始差异程度参数；根据各该第二密度值，计算各该历史监 测信号集的特征向量对应的第二初始差异程度参数；根据该第一初始差异程度 参数以及各该历史监测信号集的特征向量对应的第二初始差异程度参数，对该 第一初始差异程度参数进行平滑化处理，得到该目标监测信号集的特征向量对 应的差异程度参数。
24.在其中一个实施例中，该提取模块，具体用于：
25.对该目标监测信号集包括的各该监测信号值进行不同类型的统计学计算， 得到多个统计特征值，基于该多个统计特征值构建该目标监测信号集对应的特 征向量；其中，该不同类型的统计学计算包括以下中的至少一种：求平均值计 算；求标准差计算；求偏度计算；求峰度计算；滤波处理后求平均值计算或求 标准差计算、求偏度计算、求峰度计算；实施经验模态分解后求平均值计算或 求标准差计算、求偏度计算、求峰度计算；在该目标检测信号集包括多个不同 的传感器测得的监测信号值的情况下，对同一采样时刻下的多个监测信号值进 行作差计算后再进行求平均值计算或求标准差计算、求偏度计算、求峰度计算； 在该目标检测信号集包括多个不同的传感器测得的监测信号值的情况下，对同 一采样时刻下的多个监测信号值进行求和计算后再进行平均值计算或求标准差 计算、求偏度计算、求峰度计算。
26.在其中一个实施例中，该第二获取模块，具体用于：从样本集合中获取各 该历史监测信号集的特征向量，其中，该样本集合用于在对某采集周期对应的 监测信号集进行特征提取得到对应的特征向量后，存储得到的该对应的特征向 量。
27.在其中一个实施例中，该装置还包括：
28.检测模块，用于检测该目标监测信号集对应的特征向量是否为第n个未存 储至该样本集合的特征向量，n为正整数；
29.第一存储模块，用于在检测到该目标监测信号集对应的特征向量是第n个 未存储至该样本集合的特征向量的情况下，将该目标监测信号集对应的特征向 量存储至该样本集合中。
30.在其中一个实施例中，该第一存储模块，具体用于：检测该样本集合中存 储的特征向量是否达到最大样本数量；若达到该最大样本数量，则将最先存入 该样本集合中的n个特征向量从该样本集合中删除，并将该目标监测信号集对 应的特征向量存储至该样本集合中。
31.在其中一个实施例中，该第二获取模块，具体用于：检测该样本集合中存 储的特征向量是否达到最小样本数量；若达到该最小样本数量，则从该样本集 合中获取各历史监测信号集的特征向量。
32.在其中一个实施例中，该装置还包括：
33.第二存储模块，用于若未达到该最小样本数量，则禁止从该样本集合中获 取各该历史监测信号集的特征向量，并将该目标监测信号集对应的特征向量存 储至该样本集合中。
34.第三方面，提供了一种计算机设备，包括存储器和处理器，该存储器存储 有计算机程序，该处理器执行该计算机程序时实现上述第一方面任一项所述的 方法的步骤。
35.第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该 计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
36.上述机械密封故障预警方法、装置、计算机设备和存储介质，通过获取目 标采集周期对应的目标监测信号集，并对目标监测信号集进行特征提取，可以 实时获取监测装置在相应采样率下采集到的所有目标监测信号集的特征向量，并 通过获取多个历史采集周期所分别对应的各历史监测信号集的特征向量，然后 根据目标监测信号集的特征向量和各历史监测信号集的特征向量的差异程度判 断该机械密封件是否出现故障；差异程度的计算使用到了目标监测信号集的特 征向量和各历史监测信号集的特征向量，即充分使用监测装置在相应采样率下 采集到所有监测数据，不再需要技术人员根据经验设置阈值，而是可以直接通 过目标监测信号集的特征向量与各历史监测信号集的特征向量的差异程度，判 断机械密封件是否出现故障，从而提供更为精准的预警。
附图说明
37.图1为本技术实施例提供的机械密封故障预警方法的应用环境图；
38.图2为本技术实施例提供的一种机械密封故障预警方法的流程图；
39.图3为本技术实施例提供的一种特征提取方法的流程图；
40.图4为本技术实施例提供的一种一种存储过程的流程图；
41.图5为本技术实施例提供的一种另一种存储过程的流程图；
42.图6为本技术实施例提供的一种确定差异程度的方法的流程图；
43.图7为本技术实施例提供的一种多级密封异常监测预警的流程图；
44.图8本技术实施例提供的第一种机械密封故障预警装置的框图；
45.图9本技术实施例提供的第二种机械密封故障预警装置的框图；
46.图10本技术实施例提供的第三种机械密封故障预警装置的框图；
47.图11为本技术实施例提供的一种计算机设备框图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅 用以解释本技术，并不用于限定本技术。
49.机械密封也称为端面密封，指由至少一对垂直于旋转轴线的端面在流体压 力和补偿机构弹力的作用下以及辅助密封的配合下保持贴合并相对滑动而构成 的防止流体泄漏的装置；摩擦副由相对运动的两端面及流体介质形成；机械密 封需要在维持低泄漏或者无泄漏的同时，降低或者消除摩擦副的摩擦磨损以延 长寿命。
50.目前，很多监测技术已经被逐渐应用于机械密封上，以试图通过监测装置 监测到的信号判断机械密封是否处于正常运行的状态。
51.相关技术中，对机械密封出现故障提供故障预警，相关的预警策略是技术 人员针对监测装置监测到的数据，根据经验对各个监测数据设置相应的故障等 级的阈值，当各个
数据值达到相应等级阈值时，触发相应等级的预警。
52.然而，随着监测装置数目和采样率等日益上升，监测数据类型和数目越来 越多，在相关技术中的预警策略中，技术人员的经验无法及时跟进监测装置的 变化，对监测到的数据无法充分利用，从而无法提供更为精准的故障预警。
53.本技术实施例提供的机械密封故障预警方法，可以应用于如图1所示的应 用环境中。其中，传感器1至n与计算机设备101通信连接；传感器实现监测 装置的功能，可以为压力传感器、温度传感器、位移传感器、流量传感器等， 传感器将采集到的机械密封件的数据传送至计算机设备101；其中，传感器个数 可根据机械密封件需要监测的信号数量设置。计算机设备101可以但不限于是 各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
54.本技术实施例中，如图2所示，其示出了本技术实施例提供的一种机械密 封故障预警方法的流程图，以该方法应用于图1中的计算机设备为例进行说明， 包括以下步骤：
55.步骤201，获取目标采集周期对应的目标监测信号集，该目标监测信号集包 括在该目标采集周期内采集得到的机械密封件的多个监测信号值。
56.其中，目标采集周期为一时间区间，该目标采集周期可以根据计算机设备 的能力设定不同的时长，典型的，目标采集周期可以为五分钟；监测装置，即 传感器，在目标采集周期内监测并采集到机械密封件的多个检测信号值，多个 监测信号值组成目标监测信号集。
57.步骤202，对该目标监测信号集进行特征提取，得到该目标监测信号集的特 征向量。
58.其中，获取到的目标采集周期对应的目标监测信号集包括了该目标采集周 期内采集得到的机械密封件的多个监测信号值，根据该目标监测信号集内的多 个监测信号值，得到该目标监测信号集的特征向量。
59.步骤203，获取多个历史采集周期所分别对应的各历史监测信号集的特征向 量，其中，该多个历史采集周期在时间上位于该目标采集周期之前。
60.其中，历史采集周期在时间上位于该目标采集周期之前，即该历史采集周 期可以为获取到第j个目标采集周期对应的目标监测信号集后，当j+1个目标采 集周期到来时，将第j个目标采集周期作为历史采集周期；相应的，第j个目标 采集周期对应的目标监测信号集即历史采集周期对应的历史监测信号集，该历 史监测信号集有其对应的特征向量；因此，可以在获取到目标监测信号集的特 征向量后，也可以获取各历史监测信号集的特征向量；需要说明的是，上述j 无特定含义，仅用于代表第j个目标采集周期。
61.步骤204，确定该目标监测信号集的特征向量与各该历史监测信号集的特征 向量的差异程度，并根据该差异程度确定该机械密封件是否出现故障。
62.其中，当获取到该目标监测信号集的特征向量后，根据该目标监测信号集 的特征向量与各个历史监测信号集的特征向量，确定该目标监测信号集的特征 向量与各历史监测信号集的特征向量的差异程度，该差异程度可以表征的是： 基于各历史监测信号集的特征向量，该目标监测信号集的特征向量在多大程度 上是正常的或在多大程度上是异常的，因此，可以根据该差异程度，确定该机 械密封件是否出现故障，且可以确定故障程度。
63.上述机械密封故障预警方法，通过获取目标采集周期对应的目标监测信号 集，并
对目标监测信号集进行特征提取，可以实时获取监测装置在相应采样率 下采集到的所有目标监测信号集的特征向量，并通过获取多个历史采集周期所分 别对应的各历史监测信号集的特征向量，然后根据目标监测信号集的特征向量 和各历史监测信号集的特征向量的差异程度判断该机械密封件是否出现故障； 差异程度的计算使用到了目标监测信号集的特征向量和各历史监测信号集的特 征向量，即充分使用到了监测装置在相应采样率下采集到所有监测数据，进而 通过目标监测信号集的特征向量与各历史监测信号集的特征向量的差异程度可 以实现对机械密封件是否出现故障提供更为精准的预警。
64.本技术实施例中，如图3所示，其示出了本技术实施例提供的一种特征提 取方法的流程图，对目标监测信号集进行特征提取可以包括如下步骤：
65.步骤301，对该目标监测信号集包括的各监测信号值进行不同类型的统计学 计算，得到多个统计特征值。
66.其中，可以对该目标监测信号集包括的各监测信号值根据需要进行一种或 者多种类型的统计学计算，每一种统计学计算得到对应的一个统计特征值；当 进行多种不同类型的统计学计算后，得到对应的多个统计特征值。
67.步骤302，基于该多个统计特征值构建该目标监测信号集对应的特征向量。 其中，该不同类型的统计学计算包括以下中的至少一种：求平均值计算；求标 准差计算；求偏度计算；求峰度计算；滤波处理后求平均值计算或求标准差计 算、求偏度计算、求峰度计算；实施经验模态分解后求平均值计算或求标准差 计算、求偏度计算、求峰度计算；在该目标检测信号集包括多个不同的传感器 测得的监测信号值的情况下，对同一采样时刻下的多个监测信号值进行作差计 算后再进行求平均值计算或求标准差计算、求偏度计算、求峰度计算；在该目 标检测信号集包括多个不同的传感器测得的监测信号值的情况下，对同一采样 时刻下的多个监测信号值进行求和计算后再进行平均值计算或求标准差计算、 求偏度计算、求峰度计算。
68.其中，每一种统计学计算得到对应的一个统计特征值，将该统计特征值作 为目标监测信号集对应的特征向量的一个维度，当进行多种不同类型的统计学 计算后，得到对应的多个统计特征值均各自作为目标监测信号集对应的特征向 量的一个维度；例如，对目标监测信号集包括的各监测信号值进行求平均值计 算，得到一个平均值，将该平均值作为该目标监测信号集对应的特征向量的一 个维度；又例如，对目标监测信号集包括的各监测信号值先进行滤波，然后再 求取标准差，将得到的标准差值作为该目标监测信号集对应的特征向量的一个 维度；需要说明的是，上述滤波处理，实施经验模态分解处理，可以与上述求 平均值计算、求标准差计算、求偏度计算、求峰度计算、作差计算以及求和计 算根据需要进行相应的组合处理。
69.本技术实施例中，获取多个历史采集周期所分别对应的各历史监测信号集 的特征向量包括：从样本集合中获取各该历史监测信号集的特征向量，其中， 该样本集合用于在对某采集周期对应的监测信号集进行特征提取得到对应的特 征向量后，存储得到的该对应的特征向量。
70.其中，将某采集周期对应的监测信号集对应的特征向量存储至样本集合中， 则该样本集合中存储的特征向量可以为某些历史监测信号集对应的特征向量； 该样本集合可以设定可存储的特征向量的个数，可存储的特征向量的最大个数 记为最大样本数量，可存
储的特征向量的最小个数记为最小样本数量；当样本 集合中存储的特征向量数未达到最小样本值时，每获取到一个目标监测信号集 对应的特征向量，将该特征向量直接存入样本集合中；当样本集合中存储的特 征向量达到最小样本值时，每获取到一个目标监测信号集对应的特征向量，并 不直接存入样本集合中。
71.如上文所述，样本集合用于存储特征向量，当获取到目标监测信号集对应 的特征向量后，需要将目标监测信号集对应的特征向量存储进样本集合中，下 面对该存储过程做说明：
72.如图4所示，其示出了本技术实施例提供的一种存储过程的流程图，包括 以下步骤：
73.步骤401，检测该目标监测信号集对应的特征向量是否为第n个未存储至 该样本集合的特征向量，n为正整数。
74.步骤402，若检测到该目标监测信号集对应的特征向量是第n个未存储至 该样本集合的特征向量,，则将该目标监测信号集对应的特征向量存储至该样本 集合中。
75.其中，该数值n可以根据计算机设备的处理能力设置不同的正整数值；若 设定n等于1，即每检测到一个目标监测信号集对应的特征向量，将该目标监 测信号集对应的特征向量存储至样本集合中；若设定n》1，例如，设定n取50， 记未存储至样本集合的特征向量数为n，当检测到有一个目标监测信号集对应的 特征向量时，令n＝1，判断n是否等于n，由于此时n小于50，则不将该特征 向量存储至样本集合中，然后继续检测到下一个目标监测信号集对应的特征向 量，此时令n＝2，判断n是否等于n，由于此时n小于50，则不将该特征向量 存储至样本集合中，然后继续检测下一个目标监测信号集对应的特征向量，然 后不断更新n的取值，并判断n是否等于n，直至达到n等于n，即有50个特 征向量未存储至样本集合中，此时，将这50个未存储至样本集合的特征向量存 储至样本集合中。
76.步骤403，检测该样本集合中存储的特征向量是否达到最大样本数量。
77.步骤404，若达到该最大样本数量，则将最先存入该样本集合中的n个特 征向量从该样本集合中删除，并将该目标监测信号集对应的特征向量存储至该 样本集合中。
78.其中，记该样本集合的最大样本数量为nm，当检测到该样本集合中存储的 特征向量达到最大样本数量，当未存储至该样本集合中的特征向量达到n个时， 将时间上最先存入该样本集合中的n个特征向量从该样本集合中删除，然后将 未存储至该样本集合中的n个特征向量存储至该样本集合中，使该样本集合中 存储的特征向量数量保持为最大样本数量nm；若未达到最大样本数量，当未存 储至该样本集合中的特征向量达到n个时，直接将这n个特征向量直接存入样 本集合中。
79.本技术实施例中，如图5所示，其示出了本技术实施例提供的另一种存储 过程的流程图，可以包括如下步骤：
80.步骤501，检测该样本集合中存储的特征向量是否达到最小样本数量；
81.步骤502a，若达到该最小样本数量，则从该样本集合中获取各历史监测信 号集的特征向量；
82.步骤502b，若未达到该最小样本数量，则禁止从该样本集合中获取各历史 监测信号集的特征向量，并将该目标监测信号集对应的特征向量存储至该样本 集合中。
83.其中，记该样本集合的最小样本数量为nm，当检测到该样本集合中存储的 特征向
量大于等于最小样本数量时，则可以从该样本集合中获取所存储的各历 史监测信号集的特征向量；当检测到该样本集合中存储的特征向量小于最小样 本数量时，则禁止从该样本集合中获取各历史监测信号集的特征向量，并且将 目标监测信号集对应的特征向量存储至该样本集合中，直至该样本集合中存储 的特征向量大于或等于最小样本数量时，取消禁止从该样本集合中获取各历史 监测信号集的特征向量，并将目标监测信号集对应的特征向量存储至该样本集 合中，此时可以从该样本集合中获取各历史监测信号集的特征向量。
84.本技术实施例中，如图6所示，其示出了本技术实施例提供的一种确定差 异程度的方法的流程图，确定该目标监测信号集的特征向量与各该历史监测信 号集的特征向量的差异程度，并根据该差异程度确定该机械密封件是否出现故 障可以包括如下步骤：
85.步骤601，计算该目标监测信号集的特征向量的第一标准化向量，并获取历 史计算得到各该历史监测信号集的特征向量的第二标准化向量。
86.其中，记样本集合中的特征向量个数为n
t
，将第j个采集周期的监测信号 集的特征向量的第i维记为该特征向量的维度数记为m；将第j个历史监 测信号集的特征向量的第二标准化向量记为该第二标准化向量的第i维记 为该第二标准化向量由构成；将目标监测信号集的特征向量记为x， 将该目标监测信号集的特征向量的第一标准化向量记为x
*
，该第一标准化向量 x
*
的第i维记为x
(i)*
，该第一标准化向量x
*
由x
(i)*
构成；根据样本集合中的n
t
个 历史监测信号集的特征向量以及目标监测信号集的特征向量；
87.一方面，第一标准化向量和第二标准化向量可由下述计算过程得到：
88.可通过下面的计算过程得到x
(i)*
：
[0089][0090][0091][0092]
该第一标准化向量x
*
根据上式得到的x
(i)*
构成，从而得到第一标准化向量x
*
； 相应的，第二标准化向量的第i维可以由下式得到：
[0093][0094]
第二标准化向量根据上式得到的构成，从而得到第二标准化向量
[0095]
需要说明的是，上述j、m无特定含义，j和m为正整数。
[0096]
另一方面，第一标准化向量可由下述计算过程得到：
[0097]
采用上述计算过程得到第一标准化向量x
*
和第二标准化向量后，在 nm》m的情况
下，将样本集合中的n
t
个历史监测信号集对应的特征向量拼接为 矩阵如下式所示：
[0098][0099]
对转置得到然后对进行奇异值分解得到：
[0100][0101][0102][0103]
其中，u为m
×
m的矩阵，取1≤k≤m，则有相互正交，按照奇异值σm降 序排序。
[0104]
取
[0105]
其中，典型的，参数γ可以取0.85。
[0106]
然后根据下式将第一标准化向量x
*
投影到子空间内，用α
(k)
(k＝1,2,...,k)近似 表征：
[0107][0108]
记偏离值为ε，该偏离值由下式得到：
[0109][0110]
将偏离值ε的2-范数纳入上述子空间内，得到：
[0111]
x
**
＝[α
(1) α
(2) ... α
(k) ||ε||]
[0112]
使用上述x
**
代替x
*
，即令x
*
＝x
**
，得到新的第一标准化向量x
*
，用新的第一 标准化向量x
*
进行下一步骤的计算。
[0113]
步骤602，根据该第一标准化向量以及各第二标准化向量计算该目标监测信 号集的特征向量对应的第一密度值；根据各第二标准化向量计算各历史监测信 号集的特征向量对应的第二密度值。
[0114]
其中，将该目标监测信号集的特征向量对应的第一密度值记为ρ(x
*
)，根据 上述计算得到的第一标准化向量以及各第二标准化向量，通过下式计算可以得 到该第一密度值ρ(x
*
)：
[0115][0116]
其中，n
t
为样本集合中的特征向量个数，上式中的为核函数，该核 函数可以为下式：
[0117][0118]
上式中，h为核尺度，典型的，h可以取1，m为第一标准化向量以及各第 二标准化向量的维度数。
[0119]
根据上述计算得到的各第二标准化向量，通过下式计算各历史监测信号集 的特征向量对应的第二密度值
[0120][0121]
上式中，n
t
为样本集合中的特征向量个数，上式中的k函数为上述计算第 一密度值所用的核函数。
[0122]
步骤603，根据第一密度值以及各第二密度值，计算目标监测信号集的特征 向量对应的第一初始差异程度参数；根据各第二密度值，计算各历史监测信号 集的特征向量对应的第二初始差异程度参数。
[0123]
该第一密度值为ρ(x
*
)，相应的，各第二密度值为该目标监测信号集 的特征向量对应的第一初始差异程度参数记为根据该第一密度值ρ(x
*
)以及 各第二密度值通过下式计算得到该目标监测信号集的特征向量对应的第 一初始差异程度参数
[0124][0125]
v各历史监测信号集的特征向量对应的第二初始差异程度参数记为根据 各第二密度值通过下式，计算第二初始差异程度参数
[0126][0127]
上式中，n
t
为样本集合中的特征向量个数，j为样本集合中的第j个特征向 量。
[0128]
步骤604，根据该第一初始差异程度参数以及各历史监测信号集的特征向量 对应的第二初始差异程度参数，对该第一初始差异程度参数进行平滑化处理， 得到该目标监测信号集的特征向量对应的差异程度参数。
[0129]
其中，第一初始差异程度参数记为相应的，各历史监测信号集的特征 向量的第二初始差异程度参数记为该目标监测信号集的特征向量对应的差 异程度参数记为yn；根据该第一初始差异程度参数以及各历史监测信号集的特 征向量的第二初始差异程度参数，对该第一初始差异程度参数进行平滑化处理， 得到该目标监测信号集的特征向量对应的差异程度参数，其中，该平滑化作用 于历史维度上；可以通过下式进行平滑化处理，
得到差异程度参数yn：
[0130][0131]
当n-j≤nm时，上式中的n-j计为0，其中，nm为最小样本数量。
[0132]
上式中，n用于表示第n个目标监测信号集的特征向量，j为样本集合中的 第j个特征向量；ne为执行平滑化的特征步数，ne为执行平滑化时计算使用的 最大时间长度，可以为ne≤nm，其中，nm为样本集合的最小样本数量，一般 可以取ne＝3ne。
[0133]
本技术实施例中，如图7所示，其示出了本技术实施例提供的一种多级密 封异常监测预警的流程图，使用分别使用位移传感器监测近泵位置轴x位移信 号、近泵位置轴y位移信号、近电机位置轴x位移信号、近电机位置轴y位移 信号；分别使用压力传感器监测密封注入水压力信号、第二级密封前压力信号、 第三级密封前压力信号，分别使用温度传感器监测密封注入水温度信号、泄漏 管道温度信号，使用流量传感器监测泄漏管道流量信号。
[0134]
设定采集周期时长为5分钟，设定样本集合的最小样本数量nm＝500，最大 样本数量nm＝10000，样本集合中已存储特征向量数为n
t
，未存储至样本集合中 的特征向量数t＝100，设定执行平滑化的特征步数ne＝100，执行平滑化时计算 使用的最大时间长度ne＝300，设一计数变量n，初始化n＝0，该计数变量n用 于计算累计有多少个特征向量未存储进样本集合中，当该计数变量等于t时， 将n初始化为n＝0，重新开始计算未存储进样本集合中的特征向量数量；设定 轻度预警阈值ya为0.25，重度预警阈值yb为1。
[0135]
例如，对近泵位置轴x位移信号在第一个采集周期内采集到的多个监测信 号值进行求平均值计算得到一个平均值，将该平均值作为近泵位置轴x位移信 号第一个采集周期的特征向量的一个维度；对近泵位置轴x位移信号在第一个 采集周期内采集到的多个监测信号值进行求标准差计算得到一个标准差值，将 该标准差值作为近泵位置轴x位移信号第一个采集周期的特征向量的一个维 度；对近泵位置轴x位移信号在第一个采集周期内采集到的多个监测信号值进 行求偏度计算得到一个偏度值，将该偏度值作为近泵位置轴x位移信号第一个 采集周期的特征向量的一个维度；对近泵位置轴x位移信号在第一个采集周期 内采集到的多个监测信号值进行求峰度计算得到一个偏度值，将该峰度值作为 近泵位置轴x位移信号第一个采集周期的特征向量的一个维度，最终构成该近 泵位置轴x位移信号第一个采集周期的特征向量；在第二个采集周期也做同样 的处理得到相应的特征向量，依次继续得到后续采集周期的特征向量；将第一 个采集周期的特征向量加入样本集合中，此时样本集合更新为n
t
＝1；然后判断 n
t
是否小于nm，由于此时n
t
小于nm，则将第二个采集周期的特征向量加入样 本集合中，更新为n
t
＝2，然后判断n
t
是否小于nm，由于此时n
t
小于nm，则将 第三个采集周期的特征向量加入样本集合中，直至第500个特征向量加入样本 集合中，即此时n
t
＝500，判断n
t
是否小于nm，此时n
t
不小于nm，判断n
t
是 否大于nm，此时n
t
不大于nm，建立模型f，建立模型f包括标准化处理、核密 度估计处理、初始差异程度计算、平滑化处理；该标准化包括采用样本集合中 的n
t
个特征向量，根据下面的计算过程，得到每个特征向量对应的值：
[0136][0137][0138][0139]
上述j用于表示第j个采集周期，i用于表示特征向量的第i维，即第j个采 集周期的特征向量的第i维记为从而得到第j个采集周期的特征向量的标准 化值为该标准化处理结束。
[0140]
然后继续得第501个采集周期的特征向量，记该特征向量为x，特征向量x 标准化后记为x
*
，将x在模型中进行标准化处理，采用下式得到x
(i)*
：
[0141][0142]
x
*
由上式得到的x
(i)*
构成，从而得到x
*
；
[0143]
在该模型中，根据x
*
和各进行核密度估计处理，该核密度估计处理用下 式表示：
[0144][0145]
其中，上式中的h为核尺度，典型的，该核尺度h可以取1，上式中的为核函数，该核函数可以为下式：
[0146][0147]
即，可以根据上述核密度估计处理得到ρ(x
*
)，该ρ(x
*
)为x
*
的密度值，相应 的，根据下式得到各
[0148][0149]
在该模型中，根据ρ(x
*
)和各进行初始差异程度计算，记特征向量x 的初始差异程度参数为y
*
，y
*
可根据下式得到：
[0150]
[0151]
相应的，根据下式得到各
[0152][0153]
在该模型中，根据y
*
和各进行平滑化处理，得到特征向量x的差异 程度参数yn，平滑化处理可以为下式：
[0154][0155]
其中，n为从监测近泵位置轴x位移信号开始，当前特征向量x为第n个 采集周期的特征向量。
[0156]
将差异程度参数yn输入预警装置，yn的绝对值记为|yn|，预警装置中设置轻 度异常预警阈值ya为0.25，重度异常预警阈值yb为1，对yn进行预警判断：先 判断|yn|是否大于ya，若否，结束预警判断；若是，判断|yn|是否大于yb，若否， 预警装置发出轻度异常预警，然后结束预警判断；若是，预警装置发出重度异 常预警，然后结束预警判断；预警判断结束后，然后不将该特征向量x加入样 本集合，并更新计数变量n等于1。
[0157]
然后对得到的第502个特征向量以及后续的特征向量在模型f中进行标准化 处理、核密度估计处理、初始差异程度计算、平滑化处理，得到对应的差异程 度参数，将该差异程度参数输入预警装置，进行预警判断；并更新计数变量n， 每预警判断结束后，计数变量n加1；直到当计数变量等于t时，将n初始化为 n＝0，重新开始计算未存储进样本集合中的特征向量数量；并将t个未存储进 样本集合中的特征向量存储进样本集合中，并判断样本集合中的特征向量数是 否大于最大样本数量nm，若是，将样本集合中最先存入的前t个特征向量移出 样本集合，针对更新后的样本集合，更新模型f，即在标准化处理中，使用更新 后的样本集合中的特征向量，执行标准化处理、核密度估计处理、初始差异程 度计算、平滑化处理。
[0158]
对近泵位置轴y位移信号、近电机位置轴x位移信号、近电机位置轴y位 移信号、密封注入水压力信号、第二级密封前压力信号、第三级密封前压力信 号、密封注入水温度信号、泄漏管道温度信号、泄漏管道流量信号均进行与近 泵位置轴x位移信号在每个采集周期内采集到的对应的多个监测信号值均进行 与近泵位置轴x位移信号相同的上述处理，从而可以对泵位置轴y位移信号、 近电机位置轴x位移信号、近电机位置轴y位移信号、密封注入水压力信号、 第二级密封前压力信号、第三级密封前压力信号、密封注入水温度信号、泄漏 管道温度信号、泄漏管道流量信号均进行与近泵位置轴x位移信号也进行故障 预警判断。
[0159]
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显 示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明 确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺 序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这 些步骤或者阶段并不必然是在同一时刻
执行完成，而是可以在不同的时刻执行， 这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者 其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0160]
本技术实施例中，示出了第一种机械密封故障预警装置的框图，该机械密 封故障预警装置可以配置于计算机设备中，如图8所示，机械密封故障预警装 置800可以包括：第一获取模块801、提取模块802、第二获取模块803以及确 定模块804。
[0161]
第一获取模块801，用于获取目标采集周期对应的目标监测信号集，该目标 监测信号集包括在该目标采集周期内采集得到的机械密封件的多个监测信号 值。
[0162]
提取模块802，用于对该目标监测信号集进行特征提取，得到该目标监测信 号集的特征向量。
[0163]
第二获取模块803，用于获取多个历史采集周期所分别对应的各历史监测信 号集的特征向量，其中，该多个历史采集周期在时间上位于该目标采集周期之 前。
[0164]
确定模块804，用于确定该目标监测信号集的特征向量与各该历史监测信号 集的特征向量的差异程度，并根据该差异程度确定该机械密封件是否出现故障。
[0165]
本技术实施例中，该确定模块804，具体用于：计算该目标监测信号集的特 征向量的第一标准化向量，并获取历史计算得到各该历史监测信号集的特征向 量的第二标准化向量；根据该第一标准化向量以及各该第二标准化向量计算该 目标监测信号集的特征向量对应的第一密度值；根据各该第二标准化向量计算 各该历史监测信号集的特征向量对应的第二密度值；根据该第一密度值以及各 该第二密度值，计算该目标监测信号集的特征向量对应的第一初始差异程度参 数；根据各该第二密度值，计算各该历史监测信号集的特征向量对应的第二初 始差异程度参数；根据该第一初始差异程度参数以及各该历史监测信号集的特 征向量对应的第二初始差异程度参数，对该第一初始差异程度参数进行平滑化 处理，得到该目标监测信号集的特征向量对应的差异程度参数。
[0166]
本技术实施例中，该提取模块802，具体用于：对该目标监测信号集包括的 各该监测信号值进行不同类型的统计学计算，得到多个统计特征值，基于该多 个统计特征值构建该目标监测信号集对应的特征向量；其中，该不同类型的统 计学计算包括以下中的至少一种：求平均值计算；求标准差计算；求偏度计算； 求峰度计算；滤波处理后求平均值计算；滤波处理后求标准差计算；滤波处理 后求偏度计算；滤波处理后求峰度计算；实施经验模态分解后求平均值计算； 实施经验模态分解后求标准差计算；实施经验模态分解后求偏度计算；实施经 验模态分解后求峰度计算；在该目标检测信号集包括多个不同的传感器测得的 监测信号值的情况下，对同一采样时刻下的多个该监测信号值进行作差计算后 再进行求平均值计算；在该目标检测信号集包括多个不同的传感器测得的监测 信号值的情况下，对同一采样时刻下的多个该监测信号值进行作差计算后再进 行求标准差计算；在该目标检测信号集包括多个不同的传感器测得的监测信号 值的情况下，对同一采样时刻下的多个该监测信号值进行求和计算后再进行求 平均值计算；在该目标检测信号集包括多个不同的传感器测得的监测信号值的 情况下，对同一采样时刻下的多个该监测信号值进行求和计算后再进行求标准 差计算。
[0167]
本技术实施例中，该第二获取模块803，具体用于：从样本集合中获取各该 历史监测信号集的特征向量，其中，该样本集合用于在对某采集周期对应的监 测信号集进行特征
提取得到对应的特征向量后，存储得到的该对应的特征向量。
[0168]
本技术实施例中，该第二获取模块803，具体用于：检测该样本集合中存储 的特征向量是否达到最小样本数量；若达到该最小样本数量，则从该样本集合 中获取各历史监测信号集的特征向量。
[0169]
本技术实施例中，如图9所示，其示出了本技术实施例提供的第二种机械 密封故障预警装置的框图；机械密封故障预警装置900还包括：检测模块805 和第一存储模块806。
[0170]
检测模块805，用于检测该目标监测信号集对应的特征向量是否为第n个 未存储至该样本集合的特征向量，n为正整数。
[0171]
第一存储模块806，用于在检测到该目标监测信号集对应的特征向量是第n 个未存储至该样本集合的特征向量的情况下，将该目标监测信号集对应的特征 向量存储至该样本集合中。
[0172]
本技术实施例中，第一存储模块806，具体用于：检测该样本集合中存储的 特征向量是否达到最大样本数量；若达到该最大样本数量，则将最先存入该样 本集合中的n个特征向量从该样本集合中删除，并将该目标监测信号集对应的 特征向量存储至该样本集合中。
[0173]
本技术实施例中，如图10所示，其示出了本技术实施例提供的第三种机械 密封故障预警装置的框图；机械密封故障预警装置1000还包括：第二存储模块 907。
[0174]
第二存储模块907，用于若样本集合未达到最小样本数量，则禁止从该样本 集合中获取各该历史监测信号集的特征向量，并将该目标监测信号集对应的特 征向量存储至该样本集合中。
[0175]
本技术实施例提供的机械密封故障预警装置，可以实现上述方法实施例， 其实现原理和技术效果类似，在此不再赘述。
[0176]
关于机械密封故障预警装置的具体限定可以参见上文中对于机械密封故障 预警方法的限定，在此不再赘述。上述机械密封故障预警装置中的各个模块可 全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于 或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的 存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0177]
本技术实施例中，提供了一种计算机设备，该计算机设备可以是服务器， 其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、 存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。 该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介 质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中 的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于机械密 封故障预警数据。该计算机设备的网络接口用于与外部的终端通过网络连接通 信。该计算机程序被处理器执行时以实现一种机械密封故障预警方法。
[0178]
本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关 的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定， 具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件， 或者具有不同的部件布置。
[0179]
在本技术的一个实施例中，提供了一种计算机设备，该计算机设备可以为 服务
器，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该 处理器执行计算机程序时实现以下步骤：
[0180]
获取目标采集周期对应的目标监测信号集，该目标监测信号集包括在该目 标采集周期内采集得到的机械密封件的多个监测信号值；对该目标监测信号集 进行特征提取，得到该目标监测信号集的特征向量；获取多个历史采集周期所 分别对应的各历史监测信号集的特征向量，其中，该多个历史采集周期在时间 上位于该目标采集周期之前；确定该目标监测信号集的特征向量与各该历史监 测信号集的特征向量的差异程度，并根据该差异程度确定该机械密封件是否出 现故障。
[0181]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0182]
计算该目标监测信号集的特征向量的第一标准化向量，并获取历史计算得 到各该历史监测信号集的特征向量的第二标准化向量；根据该第一标准化向量 以及各该第二标准化向量计算该目标监测信号集的特征向量对应的第一密度 值；根据各该第二标准化向量计算各该历史监测信号集的特征向量对应的第二 密度值；根据该第一密度值以及各该第二密度值，计算该目标监测信号集的特 征向量对应的第一初始差异程度参数；根据各该第二密度值，计算各该历史监 测信号集的特征向量对应的第二初始差异程度参数；根据该第一初始差异程度 参数以及各该历史监测信号集的特征向量对应的第二初始差异程度参数，对该 第一初始差异程度参数进行平滑化处理，得到该目标监测信号集的特征向量对 应的差异程度参数。
[0183]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0184]
对该目标监测信号集包括的各该监测信号值进行不同类型的统计学计算， 得到多个统计特征值，基于该多个统计特征值构建该目标监测信号集对应的特 征向量；其中，该不同类型的统计学计算包括以下中的至少一种：求平均值计 算；求标准差计算；求偏度计算；求峰度计算；滤波处理后求平均值计算或求 标准差计算、求偏度计算、求峰度计算；实施经验模态分解后求平均值计算或 求标准差计算、求偏度计算、求峰度计算；在该目标检测信号集包括多个不同 的传感器测得的监测信号值的情况下，对同一采样时刻下的多个监测信号值进 行作差计算后再进行求平均值计算或求标准差计算、求偏度计算、求峰度计算； 在该目标检测信号集包括多个不同的传感器测得的监测信号值的情况下，对同 一采样时刻下的多个监测信号值进行求和计算后再进行平均值计算或求标准差 计算、求偏度计算、求峰度计算。
[0185]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：从 样本集合中获取各该历史监测信号集的特征向量，其中，该样本集合用于在对 某采集周期对应的监测信号集进行特征提取得到对应的特征向量后，存储得到 的该对应的特征向量。
[0186]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：检 测该目标监测信号集对应的特征向量是否为第n个未存储至该样本集合的特征 向量，n为正整数；若是，则将该目标监测信号集对应的特征向量存储至该样 本集合中。
[0187]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：检 测该样本集合中存储的特征向量是否达到最大样本数量；若达到该最大样本数 量，则将最先存入该样本集合中的n个特征向量从该样本集合中删除，并将该 目标监测信号集对应的特征向量存储至该样本集合中。
[0188]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：检 测该样本集合中存储的特征向量是否达到最小样本数量；若达到该最小样本数 量，则从该样本集合中获取各该历史监测信号集的特征向量。
[0189]
在本技术的一个实施例中，处理器执行计算机程序时还实现以下步骤：若 未达到该最小样本数量，则禁止从该样本集合中获取各该历史监测信号集的特 征向量，并将该目标监测信号集对应的特征向量存储至该样本集合中。
[0190]
本技术实施例提供的计算机设备，其实现原理和技术效果与上述方法实施 例类似，在此不再赘述。
[0191]
在本技术的一个实施例中，提供了一种计算机可读存储介质，其上存储有 计算机程序，计算机程序被处理器执行时实现以下步骤：
[0192]
获取目标采集周期对应的目标监测信号集，该目标监测信号集包括在该目 标采集周期内采集得到的机械密封件的多个监测信号值；对该目标监测信号集 进行特征提取，得到该目标监测信号集的特征向量；获取多个历史采集周期所 分别对应的各历史监测信号集的特征向量，其中，该多个历史采集周期在时间 上位于该目标采集周期之前；确定该目标监测信号集的特征向量与各该历史监 测信号集的特征向量的差异程度，并根据该差异程度确定该机械密封件是否出 现故障。
[0193]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：
[0194]
计算该目标监测信号集的特征向量的第一标准化向量，并获取历史计算得 到各该历史监测信号集的特征向量的第二标准化向量；根据该第一标准化向量 以及各该第二标准化向量计算该目标监测信号集的特征向量对应的第一密度 值；根据各该第二标准化向量计算各该历史监测信号集的特征向量对应的第二 密度值；根据该第一密度值以及各该第二密度值，计算该目标监测信号集的特 征向量对应的第一初始差异程度参数；根据各该第二密度值，计算各该历史监 测信号集的特征向量对应的第二初始差异程度参数；根据该第一初始差异程度 参数以及各该历史监测信号集的特征向量对应的第二初始差异程度参数，对该 第一初始差异程度参数进行平滑化处理，得到该目标监测信号集的特征向量对 应的差异程度参数。
[0195]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：
[0196]
对该目标监测信号集包括的各该监测信号值进行不同类型的统计学计算， 得到多个统计特征值，基于该多个统计特征值构建该目标监测信号集对应的特 征向量；其中，该不同类型的统计学计算包括以下中的至少一种：求平均值计 算；求标准差计算；求偏度计算；求峰度计算；滤波处理后求平均值计算或求 标准差计算、求偏度计算、求峰度计算；实施经验模态分解后求平均值计算或 求标准差计算、求偏度计算、求峰度计算；在该目标检测信号集包括多个不同 的传感器测得的监测信号值的情况下，对同一采样时刻下的多个监测信号值进 行作差计算后再进行求平均值计算或求标准差计算、求偏度计算、求峰度计算； 在该目标检测信号集包括多个不同的传感器测得的监测信号值的情况下，对同 一采样时刻下的多个监测信号值进行求和计算后再进行平均值计算或求标准差 计算、求偏度计算、求峰度计算。
[0197]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：从 样本集合中获取各该历史监测信号集的特征向量，其中，该样本集合用于在对 某采集周期对应的
监测信号集进行特征提取得到对应的特征向量后，存储得到 的该对应的特征向量。
[0198]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：检 测该目标监测信号集对应的特征向量是否为第n个未存储至该样本集合的特征 向量，n为正整数；若是，则将该目标监测信号集对应的特征向量存储至该样 本集合中。
[0199]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：检 测该样本集合中存储的特征向量是否达到最大样本数量；若达到该最大样本数 量，则将最先存入该样本集合中的n个特征向量从该样本集合中删除，并将该 目标监测信号集对应的特征向量存储至该样本集合中。
[0200]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：检 测该样本集合中存储的特征向量是否达到最小样本数量；若达到该最小样本数 量，则从该样本集合中获取各该历史监测信号集的特征向量。
[0201]
在本技术的一个实施例中，计算机程序被处理器执行时实现以下步骤：若 未达到该最小样本数量，则禁止从该样本集合中获取各该历史监测信号集的特 征向量，并将该目标监测信号集对应的特征向量存储至该样本集合中。
[0202]
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法 实施例类似，在此不再赘述。
[0203]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于 一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述 各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。 非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编 程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储 器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局 限，ram以m种形式可得，诸如静态ram(sram)、动态ram(dram)、 同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram (esdram)、同步链路(symchlimk)dram(sldram)、存储器总线 (rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、 以及存储器总线动态ram(rdram)等。
[0204]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0205]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的 普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改 进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权 利要求为准。