一种基于高阶特征张量分解的航空逆变器故障诊断方法与流程

1.本发明涉及一种基于高阶特征张量分解的航空逆变器故障诊断方法，属于航空供电系统故障诊断技术领域。


背景技术：

2.航空逆变器是航空二次电源的重要部件，其性能状态直接影响到航空供电系统的性能。因此，航空逆变器进行故障诊断对于航空供电系统的安全和健康管理具有重要的工程使用价值。
3.目前，航空逆变器的样本数据在不同维度中分布着有用的结构和成分，这些结构和成分又往往是局部的，通过矩阵或者张量分解可以寻找这些隐含的成分或者结构。当数据用矢量来表示时，数据的集合和线性变换均可用矩阵表示，矩阵分解是矢量数据分析和处理的有力工具。典型的方法有矩阵奇异值分解(singular value decomposition,svd)、主成分分析(principle component analysis,pca)等。对于张量数据，在多维空间中往往也稀疏分布着有用的结构和成分，但是长期以来，忽略了其本身的多维结构特性，而采用矢量化方法，将原始张量数据按一定顺序重排成矢量，再利用矩阵分析理论进行分析和处理，这种矢量化方法会破坏原始数据的多维结构从而不能有效挖掘张量数据中的这种多维隐含结构和成分。而张量这种多维数据结构特性，充分利用多维数据的结构特性，从中找出更具物理意义的隐含成分和有用信息。本质上，张量及其张量代数是一种高维数据的表示和处理方式，而且是一种更自然和直观的表示和处理方式。总得来说，与矢量表示方法相比，基于张量代数的张量分析方法具有更多的优越性。能够保持数据的多维结构特性，充分利用数据的局部的空间相关性以及模态之间的相关性和互补性；通过张量的分解，能够有效降低维数，获得更有效的数据表示；在一定条件下可以唯一地找到具有一定物理意义的隐含成分和数据表示。本发明在张量分解的基础上，提出了基于高阶特征张量分解的航空逆变器故障诊断方法，能在不提高算法时间复杂度的情况下，挖掘故障样本的高阶特征信息，进而能够扩充故障样本信息。


技术实现要素：

4.本发明的目的在于提供一种基于高阶特征张量分解的航空逆变器故障诊断方法，在不提升原样本集时间复杂度的情况下，通过不断迭代，更新得到更高阶的相似矩阵，进而得到高阶相似样本集。为航空逆变器故障诊断提供数据支持，进而提高航空运输的安全性。
5.本发明的发明目的通过以下技术方案实现：
6.一种基于高阶特征张量分解的航空逆变器故障诊断方法，包括如下步骤：
7.步骤1：对航空逆变器在不同工况下采集的电信号进行预处理，提取电信号的时域故障特征、频域故障特征、时频域故障特征作为故障特征样本集；
8.步骤2：将故障特征样本集划分为训练样本集和测试样本集，并对训练样本集和测试样本集进行归一化处理；
9.步骤3：对归一化的训练样本集进行张量分解，得到三个因子矩阵u
(1)
，u
(2)
，u
(3)
，通过奇异值分解对因子矩阵u
(1)
进行奇异值分解，得到因子矩阵u
(1)
的网络表示向量r和上下文表示向量c；然后通过neu算法更新r、c得和进而得重构因子矩阵最后通过得到更新后得到更新后得进而重构张量特征即为更高阶的故障特征样本集；
10.步骤4：将归一化后的测试样本输入到支持张量机，得到航空逆变器故障诊断结果。
11.进一步地，步骤1中所述的故障特征样本集将电信号的时域故障特征、频域故障特征、时频域故障特征作为特征列使用，包含电信号的频率均值、频率均方根、均值、小波尺度熵、方差、峰峰值、峭度因子、波形因子、小波能量熵及小波奇异熵。
12.进一步地，步骤2中归一化处理实现过程如下：
13.以8：2的比例将故障特征样本集划分为训练样本集和测试样本集；使用零均值归一化方法分别对训练集和测试集进行归一化处理：
[0014][0015]
其中，x'代表归一化处理后的数据；x为输入样本数据；μ为样本均值；σ为样本标准差。
[0016]
进一步地，步骤3中张量分解选用tucker分解，
[0017]
航空逆变故障诊断的张量表示利用tucker分解运算进行低秩近似表示为:
[0018]
a≈s
×1u
(1)
×2u
(2)
×3u
(3)
＝[s；u
(1)
,u
(2)
,u
(3)
]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0019]
其中
[0020]
进一步地，步骤3中neu算法是通过矩阵转换对因子矩阵进行更新，从而得到更高阶因子矩阵表示形式；
[0021]
更新的一阶相似性，如式(4)和式(5)所示：
[0022]
r'＝r+λu1·rꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023][0024]
其中λ是超参数，满足λ∈(0，0.5]；
[0025]
更新的二阶相似性，如式(6)和式(7)所示：
[0026]
r'＝r+λ1u1·
r+λ2u1·
(u1·
r)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0027][0028]
其中λ1和λ2是超参数，满足λ1λ2∈(0，0.5]，通过不断的迭代、更新，得到三阶、四阶、n阶相似性，进而得到高阶近似的因子矩阵。
[0029]
进一步地，步骤4中将归一化后的测试样本输入到stm航空逆变器诊断模型中，采用10折交叉验证的方法遍历所有测试集样本，取10次测试结果的平均值，从而得到更为准确的故障诊断结果。
[0030]
本发明的有益效果在于：
[0031]
1、从更高维度对故障特征信息进行分析，避免了二维特征信息的局限性问题，从
而更加全面的故障特征信息。
[0032]
2、通过重构张量特征信息，可以有效缓解数据稀疏的问题。
[0033]
3、可以实现航空逆变器快速、准确地生成故障诊断结果，帮助航空供电系统的健康管理，进而提高航空运输的安全性。
附图说明
[0034]
图1为一种基于高阶特征张量分解的航空逆变器故障诊断方法的整体流程示意图。
[0035]
图2为张量分解示意图。
[0036]
图3为张量展开示意图。
[0037]
图4张量分解实例展示图。
具体实施方式
[0038]
下面结合附图和实施例对本发明作进一步的详细说明。
[0039]
本实施例提出了一种基于高阶特征张量分解的航空逆变器故障诊断方法，如图1所示，首先根据航空逆变器采集的电信号数据构造初始数据样本集，提取电信号特征，形成故障特征集，在此基础上，将故障特征集进行数据预处理，获取训练集和测试集，并作归一化处理。然后构建高阶特征张量分解模型，来学习航空逆变器的电信号与故障模式之间的隐含关系。最后，通过支持张量机得到航空逆变器故障诊断结果。具体步骤如下：
[0040]
步骤1：对航空逆变器在不同工况下采集的电信号进行预处理，提取电信号的时域故障特征、频域故障特征、时频域故障特征作为故障特征样本，从而构建三维的初始数据样本集。
[0041]
航空逆变器的电信号主要包括电压信号和电流信号，作为举例说明，本实施例使用如表1所示的6类工况的电信号样本。
[0042]
表1航空逆变器工况表
[0043]
工况编号变化情况1输入+28v直流电压，输出功率200va，负载电阻66ω2输入+22v直流电压，输出功率200va，负载电阻66ω3输入+30v直流电压，输出功率200va，负载电阻66ω4输入+28v直流电压，输出功率300va，负载电阻44ω5输入+22v直流电压，输出功率300va，负载电阻44ω6输入+30v直流电压，输出功率300va，负载电阻44ω
[0044]
作为举例说明，本实施例中使用的航空逆变器的电信号数据，包括了如表2所示不同状态的故障模式，每个故障模式对应一组连续采集的电信号，每一组信号样本对应一种电路故障模式标签。
[0045]
表2电路故障模式
[0046][0047][0048]
提取电信号的时域故障特征、频域故障特征、时频域故障特征作为特征列使用，如电压/电流信号的频率均值、频率均方根、均值、小波尺度熵、方差、峰峰值、峭度因子、波形
因子、小波能量熵及小波奇异熵等故障特征，从而形成三维的故障特征样本集。
[0049]
步骤2：将故障特征样本集划分为训练样本集和测试样本集，并对训练样本集和测试样本集进行归一化处理。
[0050]
在本实施例中，，以8：2的比例将三维的故障特征样本集划分为训练样本集和测试样本集，所述训练样本集和测试集内数据均为有标签的数据样本。
[0051]
使用零均值归一化方法分别对训练样本集和测试样本集进行归一化处理，从而生成无量纲的数据集，归一化处理公式如下所示：
[0052][0053]
其中，x'代表归一化处理后的数据；x为输入样本数据；μ为样本均值；σ为样本标准差。
[0054]
步骤3：使用归一化处理后的训练样本集构建高阶特征张量分解模型。高阶特征张量分解模型的构建过程如下：
[0055]
步骤3-1，使用训练样本集构建一个三维故障特征矩阵a，三个维度分别是工况，故障特征和样本数量。
[0056]
步骤3-2、对a进行张量分解，得到a的三个因子矩阵u
(1)
，u
(2)
，u
(3)
；由于各因子矩阵的数值是一样的，改变其中一个因子矩阵，其它两个因子矩阵也相应改变。所以接着通过奇异值分解(svds)对因子矩阵u1进行奇异值分解，得到因子矩阵u
(1)
的网络表示向量r和上下文表示向量c。
[0057]
张量分解选用tucker分解又名高阶奇异值分解(higher-order svd，hosvd)，就是将张量分解成一个核张量和多个正交因子矩阵的模式积，如图2所示。其展开过程如图3所示。其实例展开过程如图4所示。tucker分解可以看成是由一个核心张量和n个因子矩阵在模-n上相乘的形式。是一个n阶张量，其低秩近似可以表示为截断的tucker分解，如下式:
[0058]
x≈g
×1u
(1)
×2u
(2)
…×nu
(n)
ꢀꢀ
(2)
[0059]
是模-1，模-2，
……
，模-n子空间上的因子矩阵，代表着张量在各个模的主要成份,并且它们的任何两个列都相互正交。是低秩近似过程中截断的核张量，表示各子空间成分间的相互关联程度，核张量可以用下式计算得到:g＝x
×1u
(1)t
×2u
(2)t
…×nu
(n)t
[0060]
本实施例关于航空逆变故障诊断的张量表示利用tucker分解运算进行低秩近似表示为:
[0061]
a≈s
×1u
(1)
×2u
(2)
×3u
(3)
＝[s；u
(1)
,u
(2)
,u
(3)
]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0062]
其中
[0063]
步骤3-3、利用nue算法更新r和c得和进而得重构因子矩阵通过得到更新后得进而重构张量特征即为更高阶的故障特征样本集。
[0064]
network embedding updata(neu)更新方法的核心思想是通过简单的矩阵转换对因子矩阵进行更新，从而得到更高阶因子矩阵表示形式。
[0065]
更新的一阶相似性，如式(4)和式(5)所示：
[0066]
r'＝r+λu1·rꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0067][0068]
其中λ是超参数，满足λ∈(0，0.5]，u1张量分解因子矩阵，r、c是因子矩阵的网络表示向量和上下文表示向量。
[0069]
更新的二阶相似性，如式(6)和式(7)所示：
[0070]
r'＝r+λ1u1·
r+λ2u1·
(u1·
r)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0071][0072]
其中λ1和λ2是超参数，满足λ1λ2∈(0，0.5]，通过不断的迭代、更新，可得到三阶、四阶、n阶相似性，进而得到高阶近似的因子矩阵。
[0073]
步骤4：将归一化后的测试样本输入到支持张量机(support tensor machine，简称stm)，得到航空逆变器故障诊断结果。采用10折交叉验证的方法遍历所有测试集样本，取10次测试结果的平均值，从而得到更为准确的故障诊断结果，用于验证支持张量机分类效果。
[0074]
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。