一种基于多维分段拟合的设备故障诊断方法

文档序号:9866319阅读:434来源:国知局
一种基于多维分段拟合的设备故障诊断方法
【技术领域】
[0001] 本发明设及故障诊断技术领域,具体设及基于多维分段拟合的设备故障诊断方 法。
【背景技术】
[0002] 近些年来,随着科学技术的不断革新壮大W及社会工业化的迅猛发展,越来越多 的工业产业化系统被装载在大型工业生产场合,在运种应用环境下创造了无可替代的巨大 生产力。因而运些设备的保养维护工作显得尤其重要和艰巨。但往往太多隐含的影响因素 都有可能造成运些系统设备故障的产生甚至是失效,因此国家和企事业单位越来越关注对 运些重要系统设备的状态检测W及故障诊断方面工作。
[0003] -般而言,运些设备结构日趋复杂鎮密,不同部位之间的作用相互牵化,禪合性很 强。通过拆卸、解体设备的途径,即费时费力,诊断效果往往不理想,且容易导致设备性能不 稳定。通过安装监控传感器装置来实时读取设备重要部位的状态,W观察设备相关参数的 运行趋势对照指标阔值的运种方法简单直观可靠性强,目前在各类电厂、汽车、卫星等生产 场合下普及比较广泛。但是运种方法的效率依然受限于设备维护人员的工作经验能力W及 精力,经验欠缺的人员对设备突显的复杂未知状况处理较为有屯、无力。
[0004] 上述方法由于经验知识表达的困境很难形成规范的故障诊断体系,于是一种基于 数学挖掘技术的故障诊断方法正逐渐被引入运些大型复杂设备的故障诊断工作当中去。数 学挖掘技术融合了现代控制论、计算机科学、人工智能、信号处理、模式识别、统计数学等学 科知识,通过研究分析设备的历史数据和当前实时数据,挖掘出隐含在数据内部有利于故 障状况分析的信息。专家系统、关联规则、神经元网络、贝叶斯网络等是一些应用比较广泛 的数学挖掘方法,运些方法逐渐形成了一套分为故障分析、故障建模、故障检测、故障推断、 故障决策、故障决策等几方面的研究体系。
[0005] 在论文《融合实例与规则推理的车辆故障诊断专家系统》(《机械工程学报》,2002 年,第7期:91-95)中,文章提出了一种全新的融合实例与规则的混合推理方法,建立了一整 套用于解决不同诊断单元难W互通信息问题的专家系统。可W看出专家系统能够在特定领 域当中,W类似于人类专家水平的能力去解决相关领域内的故障诊断问题,其主要特点为 依靠已有的人类专家经验知识形成自己特有的规则来进行问题的分析与解决。运是专家系 统的特点,但受限于人类专业知识在未知领域经验的欠缺,专家系统往往存在着自我学习 能力低下、诊断成功率不高、系统知识获取困难等一系列问题,运些问题仍需要对专家系统 运种方法进一步深入探究和优化。
[0006] 在论文《基于关联规则数据挖掘技术的电网故障诊断》(《电力系统保护与控制》, 2009年,第9期:8-14)中,文章将关联规则算法应用到电网故障诊断当中。根据故障特点指 定相应的决策属性和条件属性并完成原始决策表的建立,同时应用关联规则算法对决策 表数据进行频繁项集的挖掘W及强规则的筛选,最终实现了对多种复杂情况的故障信息的 推理诊断。但是该技术存在一些问题,比如说对于潜在隐含的故障模式若辨别力、大规模数 据处理能力差、关联规则存储和更新效率低等常见问题,运些仍然后续相关工作进行解决。
[0007] 在论文《基于BP神经网络的故障诊断技术研究》(《计算机与现代化》,2009年,第7 卷)中,文章选择通用的BP神经网络应用到故障诊断场景当中,在合理构建BP神经网络模型 的情况下,依据设备层次分布特点成功将神经网络应用于故障诊断当中,提高了诊断的效 率和可靠性。神经网络最大特点是在大样本量的情况下可无限非线性逼近原始数据模型, 但是其固有的过拟合、数值随机性、训练不稳定等特点限制了神经网络在故障诊断领域内 的应用范围,需配合其他一些优化算法进行诊断应用。
[0008] 在论文《多特征信息融合的贝叶斯网络故障诊断方法研究》(《中国机械工程》, 2010年,第8期:940-945)中,文章 W累类振动信号为研究对象,利用贝叶斯参数估计法对信 号提取的频域、时域等多种故障特征进行信息融合,之后再构造贝叶斯网络建立完备的故 障分类器,通过最大后验概率估计值的计算进行故障类型的识别。贝叶斯网络的构建需要 大量样本数据的先验统计知识,同时贝叶斯网络有向无环表现方式存在错误累积的风险, 运些方面是贝叶斯网络故障诊断方法亟需关注的。
[0009] 鉴于上述几种常见故障诊断技术存在的问题与风险,本发明围绕如何充分挖掘数 据样本的潜在直观表达形式W及度量故障模式差异有效性问题,尝试通过组建一种新的模 式匹配技术更好地解决故障诊断的效率低下、识别准确度不高的问题,从而有利于设备良 好状态的持续性维护。

【发明内容】

[0010] 本发明的目的在于克服现有技术的不足,提供一种基于多维分段拟合的设备故障 诊断方法,解决当前故障诊断技术中难W高效、准确地刻画故障数据之间相似程度的难题。
[0011] 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,依次包括如下步骤: [0012]步骤1:故障诊断训练步骤,具体为:
[0013] (1.1)从数据库中获取故障样本信息;
[0014] (1.2)依次对每个故障样本进行分段线性拟合;
[0015] (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;
[0016] (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;
[0017] (1.5)计算模式距离阔值;
[0018] (1.6)将故障特征矩阵和模式距离阔值彼此关联起来,存储生成故障模式知识库;
[0019] 步骤2:故障诊断运行步骤,具体为:
[0020] (2.1)从实时数据库中获取异常样本信息;
[0021] (2.2)对当前的异常样本进行分段线性拟合;
[0022] (2.3)对分段拟合后的数据进行异常特征提取与转化;
[0023] (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;
[0024] (2.5)使用降岭分步法将模式距离转化成模式相似度;
[0025] (2.6)输出最终故障诊断结果。
[0026] 进一步地,所述步骤(1.1)具体步骤为:选择一个故障类型数目P ^ 2且每种故障发 生次数。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NM0,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w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:
[0027]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看成一个η 维的列向量,表示为:
[002引 U(tj) = [Ujl,Uj2,Uj3, . . .,Ujn]
[0029] 该样本数据文件保存为mXn的矩阵形式,具体形式如下:
[0030]
[0031] 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。
[0032] 进一步地,所述步骤(1.2)具体步骤为:
[0033] (1.2.1)均值滤波操作:对渗杂在样本数据中的噪声污染进行滤波消除;
[0034] (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;
[0035] (1.2.3)将初始化数据段两两合并计算拟合误差;
[0036] (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。
[0037] 进一步地,所述步骤(1.3)具体步骤为:
[0038] 将故障样本经步骤(1.2)分割为[/Γ;/:;...,捉]运X个分割数据段,从fi*数据段开始 进行特征提取,具体操作如下:
[0039] 由于打数据段为
€阵形式,行为时间点数,列为测点数;
[0040] 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; [004。 其中:
[0042] 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)=a〇i+ aiix,故而斜率特征k = aii,其中a日i、ai功拟合常数;
[0043] 时长特征1为向量长度h,即i=h;
[0044] 均值特征m为向量所有数值的平均,即
[0045] 方差特征V为:跨向量所有数值离均值的波动幅度之和,目[
N为向量 总数;
[0046] 分割数据捜
[0047] 剩余的若-方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[./Γ;.记;...,/,1转化为:
[004引
[0049]进一步地,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
[0052] 进一步地,所述步骤(2.1)具体步骤为:
[0053] 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:
[0054] (2.1.1)从预警系统中确定设备警报产生时间ti和截止时间t2;
[005引(2.1.2)从预警系统中确定设备警报的相关观测点^ =[財,町...,乱];
[0化6] (2.1.3)根据产生时间tl和截止时间t2,W及数据库采样频率fs,得到时间点数m = fsX (t2-ti),设备测点数目n = length([xi,X2, . . .,xn' ]),其中lengtM ·)为计算长度函 数);
[0057] (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:
[005引 V(tj) = [Vjl,Vj2,Vj3, . . .,Vjn']
[0059] 将样本数据文件存储为mXn'的矩阵形式,具体形式如下:
[0060]
[0061 ]其中行代表m个故障时间,列代表η '个设备观测点。
[0062] 进一步地,所述步骤(2.2)具体步骤为:
[0063] (2.2.1)均值滤波操作:依据均值滤波原理对渗杂在异常样本数据中每个测点的 噪声污染进行滤波消除;
[0064] (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;
[0065] (2.2.3)将初始化数据段两两合并计算拟合误差;
[0066] (2.2.4)基于递归合并的方式确定异常样本分段切割点。
[0067] 进一步地,所述步骤(2.5)具体步骤为:
[0068] 根据降岭分步法的原理按照W下公式将模式距离转化成模式相似度=
[0069]
[0070] 其中,运品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
当前第1页1 2 3 4 5 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1