行故障知识库样本模式距离计算 步骤。
[0226] 步骤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；
[0227] 首先，提取故障知识库中的存储信息化ultMessageSets,具体方式如下所示：
[022引
[0229] 然后，将异常样本的特征矩阵FT和测点信息向量wp与第一类故障信息Vi={fmii， fV2,. . .，fmi'ei，pti,证1}进行故障识别工作。具体操作如下所示：
[0230] -对比测点信息向量wp和故障类型故障测点信息向量pti重复率f，计算公式如 下：
[0231]
[0232] 二异常样本特征矩阵FT依次和故障类型1下每个特征矩阵按照如下方法进行模式 距离数值distil计算：
[0233] 由于异常样本可能是一个某类完整故障样本，也可能为某类发展过程中的部分故 障样本。为准确计算出distil数值，本步骤应用伸缩窗口滑动捜索技术进行故障部位的精准 定位，即实现了对异常样本的模式识别功能，又捕捉出异常样本的发展阶段信息。
[0234] 2.1首先，确定伸缩窗口 WT所有可能取的数值。本发明中设定W下内容：
[0235] 1故障知识库中的故障样本全部是完整过程的样本；
[0236] 2伸缩窗口的伸缩比例为ξ = 20%;
[0237] 于是WT的取值范围可定为round (length (FT) *80 % )~round (length (FT)* 120%)，设定WT=[ni,n2,. . . ,Πχ];
[023引其中，round为四舍五入取整函数；length为计算样本分割段数的函数，即特征矩 阵的行数。
[0239] 2.2然后从伸缩窗口为m开始，在故障类型1的每个样本特征矩阵fmii上进行滑动 计算模式距离。
[0240] 若fmii的长度为m，则伸缩窗口的滑动次数为，在故障样本进行模式识别的范围为：
[0241] [1 ,山]~[m-ni+1 ,m]。
[0242] 异常样本从故障样本的[l，m]位置开始计算模式距离，每次滑动步长L定为1，下 面是计算FT与fmii [ 1: m ]的模式距离公式：
[0243] distii = K*MDDTW(FT,fmii[l :ni]
[0244] 其中，若重复率η等于0,则κ = 2;若重复率η不等于0,则y = ^ MDDTW(FT，fmii[l， * ο m ])为求F巧Pfmli [ 1，m ]的DTW距离函数。
[0245] 剩余[2，恥]~[111-山+1，111]的范围均按照上述2.1-2.2步骤来进行计算，最后可得一 个模式距离向量(妃/'似化/'I二1乱W||，泌"I:....，成而;i .1在窗口大小为山的情况下，局部最佳 模式距离为distil=min(distVecto;ri)，局部最佳匹配位置为：
[0246] Lll = [rimin-ni+l, rimin]。
[0247] 2.3最后其他伸缩窗口x-1个取值情况n2~nx，计算出每种窗口取值情况下的局部 最佳模式距离distii和局部最佳匹配位置bi= [nx-m+1，nx]。
[0248] 2.4全部窗口取值匹配完毕之后，会生成W下两个重要结果：
[0249] 1局部模式距离向量化7似:= 1/化ν/||,航7。·...,成
[0巧0] 2局部最佳位置向量王1 = [￡ii，￡i2，...，王1,1.
[0巧1 ] 从局部模式距离向量中挑选出模式距离最小值品而=min(油W及相应 的最佳匹配位置= 巧I)作为异常样本、故障样本的特征矩阵FT与fmii的模式识别最 终结果。
[0252] Ξ异常样本特征矩阵FT和其余故障样本所有特征矩阵一一匹配后，生成了模式距 罔向量航/於幻饼-1=(化'/|1,成如2，:...，.玻斯,￡；1^及位置向量五1=马1五2，...，左1. (|.
[0253] 剩余的X-1类故障Vi均按照上述方式和异常样本FTW及WP进行模式距离向量的求 解，最终可得模式距离集合
[0254] 步骤5:使用降岭分布法将模式距离转化成模式相似度；
[02巧]上步骤求得的模式距离是应用DTW算法求得的距离本质上为欧几里得距离，而欧 几里得距离是与样本时间长度相关的，时间长度越大，欧几里得距离也会相应地增大，导致 我们无法直观地对两个样本的相似性进行判断，因此本步骤采用降岭分布法将上步骤求得 的模式距离转化为模式相似度后才能获取最终的故障诊断结果。
[0256]步骤4所求得的模式距离集合组成成分为abc模式距离莫式距离根据降岭分 步法的原理按照W下公式转化成相似度的孟式·,;） 〇：
[0 巧 7]
[0258] 其中，凉品,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 模式距离，而化1代表着故障类型i下的模式距离阔值。
[0259] 运样按照故障类型的维度，将每个距离向量孟而品而= f^,,，品式:，...，品品.w,pe[l..v] 转化为相似度向量
[0260] 最终可得异常样本FT与故障知识库全部样本的相似度集合，如下所示：
[0261]
[0262] 步骤6:输出最终故障诊断结果。
[0263] 本发明依据步骤5得出的相似度集合结果pSets，根据约定的规则输出最有效、可 靠的故障诊断结果：
[0264] 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typeVector、所属故障类型的置信度 confidenceLevel、故障发展阶段为最大相似度样本的最佳匹配位置Location、如果置信度 conf idenceLevel超过50%，则输出建议采取的维修措施repairAction;
[0265] 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 typeVector、所属故障类型的置信度confidenceLevel、故障发展阶段为最大相似度样本的 最佳匹配位置Location ;如果置信度conf idenceLevel超过50 %，建议采取的维修措施 repairAction；
[0266] 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%，则将输出该异常样本为不常见工况或者未知故障类型，建议继续关注此异常的发展； [0%7]其中，typeVector数值为满足上述规则的戶向品,7)中的i值；某故障类型的 confidenceLevel数值等于满足上述规则的该故障类型个数除W该故障类型的故障样本总 数;维修措施repairAction根据故障类型可通过查询该设备的运行规程获得。
[0268] W北方某火力发电厂#2机组的汽累前置累为状态监测对象，汽累前置累是汽动给 水累的重要组成部分，它功能重要，维系锅炉设备的性能安全。由于此设备属于外露设施， 观测部位较多且易发各种故障，此特点适合本发明设计的设备故障诊断方法。通过本实施 例的详细阐述，进一步说明本发明的实施过程。
[0269] 本发明实施例对某电厂汽累前置累设备故障诊断的实施步骤如下：
[0270] -、汽累前置累设备的故障诊断知识库构建过程
[0271] 步骤1:从电厂PI数据库中获取汽累前置累故障样本信息；
[0272] 选取与汽累前置累运行相关的关键参数21个，包括实发功率(MW)、电机传动端径 向瓦溫rC)、推力瓦溫rC)、电机电流(A)等，因此该设备的每条观测数据为21维行向量：
[0273] u(tj) = [ujl,Uj2,Uj3, . . . ,Uj2l]
[0274] 从2013年10月份至2015年10月份运段历史运行状态数据进行该设备的故障记录 查找，筛选规则定为故障种类P大于等于2且故障发生次数T大于等于2,然后根据筛选规则 从该设备故障记录提取如下信息:此段时期一共出现巧中故障（电机传动端径向瓦溫突升、 推力瓦溫突降、电机电流突变），发生故障次数为86次（电机传动端径向瓦溫突升25次、推力 瓦溫突降28次、电机电流突变33次），故障相关测点不同（电机传动端径向瓦溫突升相关测 点为测点6~测点14、推力瓦溫突降相关测点为测点15~测点17、电机电流突变相关测点为 测点1~测点6及测点18~测点21)，故障持续时间范围为2小时~14小时。；最后依据上述 信息从电厂实时数据库PI中读取全部的故障样本数据。
[0275] 最终获取的故障样本包括故障类型编号信息（电机传动端径向瓦溫突升编号为1、 推力瓦溫突降编号为2、电机电流突变编号为3)、故障样本数据、故障类型相关测点信息Ξ 部分内容，其中每类故障样本的排序按照故障发生时间的先后进行排序：
[0276]
[0277] 其中，平^的具体形式为矩阵形式，行m代表样本长度，列代表测点。如下所示：
[027引
[0279] 步骤2:对Fault Sets中的每个故障样本进行分段线性拟合；
[0280] 从样本中1开始一直到样本中33，每个故障样本采用分段线性拟合技术，实现依据故 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。
[0281] 首先，进行均值滤波操作。依次抽取卞非勺每个测点列向量U-1，按照具体实施例中 均值滤波原理操作步骤对渗杂在样本数据中的噪声污染进行滤波消除，得滤波数据平/。
[0282] 滤波操作处理之后，由经验设定最大拟合误差阔值MAX_ERR0R为0.2。W递归合并的方 式实现自底向上的状态分割。可得到W下Ξ个结果：1分割数据段集合
2拟合误差向量
[0283] 最终将汽累前置累的每个样本平J全部处理成
[0284] 步骤3:对分割后的每个故障样本每段数据进行特征提取；
[0285] 由于样本数据时长均在小时级别，为便于本发明故障诊断快速有效运行，将对故 障样本的每段数据提取斜率k、时长1、均值m、方差V等数学特征进行数据压缩及特征空间 的转化。
[0286] 特征提取之后中J的每段数据fi*均转化为四维元素化，l，m，v)。具体的特征提取公 式可见具体实施例的建模阶段步骤3。运样每个故障样本便实现了样本由时域空间转到特 征空间的过程：
[0287]
[0288] 步骤4:进行故障特征转化，消除特征量纲；
[0289] 为了防止在计算模式距离的时候，出现不同故障样本由于量纲原因导致误判，需 要将斜率、时长、均值运Ξ个特征转化为倾斜角、时间比例、均值比例。消除量纲的具体操作 方法可见建模阶段步骤4特征转化公式。经过转化，特征转换为如下无量纲形式：
[0290]
[0291] 至此，全部的样本便实现了时域空间向特征空间的转化，故障样本集合Fault Sets的转化为故障样本特征集合：
[0292]
[0293] 步骤5:计算每个故障类型下的模式距离阔值；