一種基于多維分段擬合的設備故障診斷方法
【技術領域】
[0001] 本發明設及故障診斷技術領域，具體設及基于多維分段擬合的設備故障診斷方 法。
【背景技術】
[0002] 近些年來，隨著科學技術的不斷革新壯大W及社會工業化的迅猛發展，越來越多 的工業產業化系統被裝載在大型工業生產場合，在運種應用環境下創造了無可替代的巨大 生產力。因而運些設備的保養維護工作顯得尤其重要和艱巨。但往往太多隱含的影響因素 都有可能造成運些系統設備故障的產生甚至是失效，因此國家和企事業單位越來越關注對 運些重要系統設備的狀態檢測W及故障診斷方面工作。
[0003] -般而言，運些設備結構日趨復雜鎮密，不同部位之間的作用相互牽化，禪合性很 強。通過拆卸、解體設備的途徑，即費時費力，診斷效果往往不理想，且容易導致設備性能不 穩定。通過安裝監控傳感器裝置來實時讀取設備重要部位的狀態，W觀察設備相關參數的 運行趨勢對照指標闊值的運種方法簡單直觀可靠性強，目前在各類電廠、汽車、衛星等生產 場合下普及比較廣泛。但是運種方法的效率依然受限于設備維護人員的工作經驗能力W及 精力，經驗欠缺的人員對設備突顯的復雜未知狀況處理較為有屯、無力。
[0004] 上述方法由于經驗知識表達的困境很難形成規范的故障診斷體系，于是一種基于 數學挖掘技術的故障診斷方法正逐漸被引入運些大型復雜設備的故障診斷工作當中去。數 學挖掘技術融合了現代控制論、計算機科學、人工智能、信號處理、模式識別、統計數學等學 科知識，通過研究分析設備的歷史數據和當前實時數據，挖掘出隱含在數據內部有利于故 障狀況分析的信息。專家系統、關聯規則、神經元網絡、貝葉斯網絡等是一些應用比較廣泛 的數學挖掘方法，運些方法逐漸形成了一套分為故障分析、故障建模、故障檢測、故障推斷、 故障決策、故障決策等幾方面的研究體系。
[0005] 在論文《融合實例與規則推理的車輛故障診斷專家系統》(《機械工程學報》，2002 年，第7期:91-95)中，文章提出了一種全新的融合實例與規則的混合推理方法，建立了一整 套用于解決不同診斷單元難W互通信息問題的專家系統。可W看出專家系統能夠在特定領 域當中，W類似于人類專家水平的能力去解決相關領域內的故障診斷問題，其主要特點為 依靠已有的人類專家經驗知識形成自己特有的規則來進行問題的分析與解決。運是專家系 統的特點，但受限于人類專業知識在未知領域經驗的欠缺，專家系統往往存在著自我學習 能力低下、診斷成功率不高、系統知識獲取困難等一系列問題，運些問題仍需要對專家系統 運種方法進一步深入探究和優化。
[0006] 在論文《基于關聯規則數據挖掘技術的電網故障診斷》(《電力系統保護與控制》， 2009年，第9期:8-14)中，文章將關聯規則算法應用到電網故障診斷當中。根據故障特點指 定相應的決策屬性和條件屬性并完成原始決策表的建立，同時應用關聯規則算法對決策 表數據進行頻繁項集的挖掘W及強規則的篩選，最終實現了對多種復雜情況的故障信息的 推理診斷。但是該技術存在一些問題，比如說對于潛在隱含的故障模式若辨別力、大規模數 據處理能力差、關聯規則存儲和更新效率低等常見問題，運些仍然后續相關工作進行解決。
[0007] 在論文《基于BP神經網絡的故障診斷技術研究》(《計算機與現代化》，2009年，第7 卷）中，文章選擇通用的BP神經網絡應用到故障診斷場景當中，在合理構建BP神經網絡模型 的情況下，依據設備層次分布特點成功將神經網絡應用于故障診斷當中，提高了診斷的效 率和可靠性。神經網絡最大特點是在大樣本量的情況下可無限非線性逼近原始數據模型， 但是其固有的過擬合、數值隨機性、訓練不穩定等特點限制了神經網絡在故障診斷領域內 的應用范圍，需配合其他一些優化算法進行診斷應用。
[0008] 在論文《多特征信息融合的貝葉斯網絡故障診斷方法研究》（《中國機械工程》， 2010年，第8期:940-945)中，文章 W累類振動信號為研究對象，利用貝葉斯參數估計法對信 號提取的頻域、時域等多種故障特征進行信息融合，之后再構造貝葉斯網絡建立完備的故 障分類器，通過最大后驗概率估計值的計算進行故障類型的識別。貝葉斯網絡的構建需要 大量樣本數據的先驗統計知識，同時貝葉斯網絡有向無環表現方式存在錯誤累積的風險， 運些方面是貝葉斯網絡故障診斷方法亟需關注的。
[0009] 鑒于上述幾種常見故障診斷技術存在的問題與風險，本發明圍繞如何充分挖掘數 據樣本的潛在直觀表達形式W及度量故障模式差異有效性問題，嘗試通過組建一種新的模 式匹配技術更好地解決故障診斷的效率低下、識別準確度不高的問題，從而有利于設備良 好狀態的持續性維護。
【發明內容】
[0010] 本發明的目的在于克服現有技術的不足，提供一種基于多維分段擬合的設備故障 診斷方法，解決當前故障診斷技術中難W高效、準確地刻畫故障數據之間相似程度的難題。
[0011] 本發明提供了一種基于多維分段擬合的設備故障診斷方法，依次包括如下步驟： [0012]步驟1:故障診斷訓練步驟，具體為：
[0013] (1.1)從數據庫中獲取故障樣本信息；
[0014] (1.2)依次對每個故障樣本進行分段線性擬合；
[0015] (1.3)對故障樣本的每段數據進行特征提取，得到故障樣本的特征矩陣；
[0016] (1.4)進行故障特征轉化，消除特征量綱，得到消除量綱的故障樣本的特征矩陣；
[0017] (1.5)計算模式距離闊值；
[0018] (1.6)將故障特征矩陣和模式距離闊值彼此關聯起來，存儲生成故障模式知識庫；
[0019] 步驟2:故障診斷運行步驟，具體為：
[0020] (2.1)從實時數據庫中獲取異常樣本信息；
[0021] (2.2)對當前的異常樣本進行分段線性擬合；
[0022] (2.3)對分段擬合后的數據進行異常特征提取與轉化；
[0023] (2.4)用異常特征信息對故障模式知識庫中的樣本特征依次計算模式距離；
[0024] (2.5)使用降嶺分步法將模式距離轉化成模式相似度；
[0025] (2.6)輸出最終故障診斷結果。
[0026] 進一步地，所述步驟(1.1)具體步驟為:選擇一個故障類型數目P ^ 2且每種故障發 生次數。2滿足要求的可研究性設備，選定足量數目的觀測點N，其中NM0,對設備足夠長 時間的歷史運行狀態數據進行故障記錄查找，利用設定的篩選規則從故障記錄中摘選出故 障相關測點信息、故障過程的起止時間w及故障維修措施記錄的有用信息，依據有用信息 從電廠實時數據庫PI中讀取故障樣本數據，其中：
[0027]測點數為η、時間點數目為m的故障樣本數據，在j時刻的全部測點數據看成一個η 維的列向量，表示為：
[002引 U(tj) = [Ujl，Uj2，Uj3, . . .，Ujn]
[0029] 該樣本數據文件保存為mXn的矩陣形式，具體形式如下：
[0030]
[0031] 其中行代表m個故障時間，列代表η個設備觀測點，且每個故障樣本之間的行列m、n 兩值不盡相同，同時為每個故障樣本賦予其故障類型標識ID,故障類型標識ID確定方法為 若全部樣本中包含X種故障，則故障類型標識ID的數值范圍為:1-X。
[0032] 進一步地，所述步驟(1.2)具體步驟為：
[0033] (1.2.1)均值濾波操作:對滲雜在樣本數據中的噪聲污染進行濾波消除；
[0034] (1.2.2)故障樣本分段初始化:對濾波處理后的故障樣本進行分段初始化；
[0035] (1.2.3)將初始化數據段兩兩合并計算擬合誤差；
[0036] (1.2.4)確定故障樣本的分段切割點，對故障樣本進行自適應性的狀態分割。
[0037] 進一步地，所述步驟(1.3)具體步驟為：
[0038] 將故障樣本經步驟（1.2)分割為[/Γ;/：;...，捉]運X個分割數據段，從fi*數據段開始 進行特征提取，具體操作如下：
[0039] 由于打數據段為
€陣形式，行為時間點數，列為測點數；
[0040] 按照測點的維度(列)進行特征提取，特征有:斜率k、時長1、均值m、方差V四種； [004。 其中：
[0042] 依據最小二乘法原理對此向量進行線性擬合，擬合結果為一次方程p(x)=a〇i+ aiix，故而斜率特征k = aii，其中a日i、ai功擬合常數；
[0043] 時長特征1為向量長度h，即i=h;
[0044] 均值特征m為向量所有數值的平均，即
[0045] 方差特征V為:跨向量所有數值離均值的波動幅度之和，目[
N為向量 總數；
[0046] 分割數據捜
[0047] 剩余的若-方按照上述的操作方法進行特征提取，將原始的時域數據矩陣轉化為 數學特征矩陣，最終分割數據段集合[./Γ;.記;...，/，1轉化為：
[004引
[0049]進一步地，所述步驟(1.4)具體步驟為:將斜率k轉化為傾斜角度α，時長1轉化為時 間比例，均值特征m進行歸一化處理，將故障樣本的特征矩陣
[0052] 進一步地，所述步驟(2.1)具體步驟為：
[0053] 依據電廠的設備狀態預警系統發現設備出現某種未知的異常狀態，進行如下的相 關操作：
[0054] (2.1.1)從預警系統中確定設備警報產生時間ti和截止時間t2;
[005引（2.1.2)從預警系統中確定設備警報的相關觀測點^ =[財，町...，亂];
[0化6] (2.1.3)根據產生時間tl和截止時間t2，W及數據庫采樣頻率fs，得到時間點數m = fsX (t2-ti)，設備測點數目n = length([xi，X2, . . .，xn' ])，其中lengtM ·)為計算長度函 數)；
[0057] (2.1.4)獲取異常樣本數據為測點數為η'、時間點數目為m的樣本數據，在j時刻的 全部測點數據看成一個η '維的列向量，表示為：
[005引 V(tj) = [Vjl，Vj2，Vj3, . . .，Vjn']
[0059] 將樣本數據文件存儲為mXn'的矩陣形式，具體形式如下：
[0060]
[0061 ]其中行代表m個故障時間，列代表η '個設備觀測點。
[0062] 進一步地，所述步驟(2.2)具體步驟為：
[0063] (2.2.1)均值濾波操作：依據均值濾波原理對滲雜在異常樣本數據中每個測點的 噪聲污染進行濾波消除；
[0064] (2.2.2)異常樣本分段初始化:對濾波處理后的異常樣本進行分段初始化；
[0065] (2.2.3)將初始化數據段兩兩合并計算擬合誤差；
[0066] (2.2.4)基于遞歸合并的方式確定異常樣本分段切割點。
[0067] 進一步地，所述步驟(2.5)具體步驟為：
[0068] 根據降嶺分步法的原理按照W下公式將模式距離轉化成模式相似度=
[0069]
[0070] 其中，運品代表著異常樣本與故障類型i下的第j個故障樣本進行模式識別計算的 模式