[0294] 經過W上4步驟，所有的故障樣本數據全部轉化為特征矩陣形式集合形式。本步驟 需要使用動態時間彎曲方法(DTW)計算同類故障樣本中兩兩不同樣本的模式距離，依據計 算結果確定每類故障的模式距離闊值。
[02M]比如，在故障樣本中的第1類故障中有25個樣本特征矩陣，兩兩特征矩陣計算DTW 距離，得到一個向量化wVecto;ri=[Mdi,Md2, . . . ,Md25]。故障類型1的模式距離闊值化i=min (化wVectori)。按照相同的方式可得故障類型2、3的模式距離闊值化2、化3。
[0296] 步驟6:生成汽累氣質累故障模式知識庫；
[0297] 匯總上述步驟所得的信息，汽累前置累故障知識庫中應當包含W下3部分信息：
[0298] 1.所有故障樣本提取出的特征矩陣集合Faul評eatureSets。
[0299] 2.;類故障的相關測點名稱集合口了={口山口*2，口*3};
[0300] 3.Ξ類故障對應的模式距離闊值Thsets = [Thi，Th2, . . .，Thx]。
[0301 ]整合W上3部分信息生成完整的汽累前置累故障知識庫，形式如下：
[0302]
[0303] 二、汽累前置累設備的故障在線診斷過程
[0304] 在2014年12月15日03時該電廠的廠級監測系統發現汽累前置累設備某測點出現 未知異常。為了更好幫助專業人員進行檢查和維修，電廠人員依據已知異常的起止時間W 及相關報警測點信息pt從實時數據庫中調取異常樣本數據F，并運用本發明的故障診斷方 法進行提前預判。
[0305] 異常樣本數據歹經過分段線性擬合、異常特征提取及特征量綱消除等數據處理操 作后，計算得與異常樣本數據方相應的特征矩陣巧^矩陣。W上具體操作均可參見具體實施 例模型運行階段的對應步驟。
[0306] 異常樣本信息員及pt將對故障模式知識庫中的樣本信息一一進行匹配，并將 模式距離轉化為對應的故障相似度。
[0307] 異常樣本與知識庫中全部故障樣本匹配，本發明使用滑動伸縮時間窗法計算出 DTW距離作為最終的模式距離。可得距離集合形式如下：
[030引
[0309] 運行降嶺分布法將距離映射到[0，1]數值之間，按統一標準將模式距離轉化相似 度。具體實施例模型運行階段的降嶺分布法運用在運里。可得相似度集合形式如下：
[0310]
[0311] 根據約定的故障診斷規則輸出故障診斷的判定結果:此次異常預判定為電機傳動 端徑向瓦溫突升故障，判定理由為:在汽累前置累中與異常樣本相似度超過90%的故障樣 本有15個（瓦化5%、項90.6%、瓦。)3.2%等），診斷為故障類型1的置信度為60%超過 置信度闊值，相似度最大故障樣本為分割段數為7的瓦^最佳匹配位置為1~4段，實際故障 診斷效果圖為附圖4。兩個樣本整體趨勢從開始到中間位置均匹配一致，故將故障發展階段 確定為故障發展中期，查詢運行規程建議采取維修措施為冷水沖擊電機傳動端強制降溫方 法
[0312] 事實表明，等專業人員及時趕到后的診斷結果確實為電機傳動端徑向瓦溫突升故 障，采用冷水降溫法強制汽累前置累降溫到合理溫度區間后，汽累前置累設備運轉恢復正 常。
[0313]盡管為了說明的目的，已描述了本發明的示例性實施方式，但是本領域的技術人 員將理解，不脫離所附權利要求中公開的發明的范圍和精神的情況下，可W在形式和細節 上進行各種修改、添加和替換等的改變，而所有運些改變都應屬于本發明所附權利要求的 保護范圍，并且本發明要求保護的產品各個部口和方法中的各個步驟，可任意組合的 形式組合在一起。因此，對本發明中所公開的實施方式的描述并非為了限制本發明的范圍， 而是用于描述本發明。相應地，本發明的范圍不受W上實施方式的限制，而是由權利要求或 其等同物進行限定。
【主權項】
1. 一種基于多維分段擬合的設備故障診斷方法，其特征在于，依次包括如下步驟： 步驟1:故障診斷訓練步驟，具體為： (1.1) 從數據庫中獲取故障樣本信息； (1.2) 依次對每個故障樣本進行分段線性擬合； (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； (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； (1.5) 計算模式距離閾值； (1.6) 將故障特征矩陣和模式距離閾值彼此關聯起來，存儲生成故障模式知識庫； 步驟2:故障診斷運行步驟，具體為： (2.1) 從實時數據庫中獲取異常樣本信息； (2.2) 對當前的異常樣本進行分段線性擬合； (2.3) 對分段擬合后的數據進行異常特征提取與轉化； (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； (2.5) 使用降嶺分步法將模式距離轉化成模式相似度； (2.6) 輸出最終故障診斷結果。2. 如權利要求1所述的方法，其特征在于:所述步驟(1.1)具體步驟為:選擇一個故障類 型數目P 2 2且每種故障發生次數T 2 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N2 10,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以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： 測點數為n、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： u(tj) = [Ujl,Uj2,Uj3, . . . ,Ujn] 該樣本數據文件保存為mx η的矩陣形式，具體形式如下：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。3. 如權利要求2所述的方法，其特征在于:所述步驟(1.2)具體步驟為： (1.2.1) 均值濾波操作:對摻雜在樣本數據中的噪聲污染進行濾波消除； (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； (1.2.3) 將初始化數據段兩兩合并計算擬合誤差； (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。4.如權利要求3所述的方法，其特征在于:所述步驟(1.3)具體步驟為： 將故障樣本經步驟（1.2)分割為/Π 這X個分割數據段，從/〗:數據段開始進行 特征提取，具體操作如下： 由于/Γ數據段）牢形式，行為時間點數，列為測點數； 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； 其中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)=aQl+allX，故 而斜率特征k = au，其中aQi、au為擬合常數； 時長特征1為向量長度h，即1 = h; 均值特征m為ξ向量所有數值的平均，Εφ方差特征V為!^向量所有數值離均值的波動幅度之和，即N為向量總數； 分割數據段. 就轉化為特征矩庫剩余的 < ~￡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轉化為：5. 如權利要求4所述的方法，其特征在于: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 .、 ,?· I - Λ - Λ ^ Λ ~ f Λ - Λ ,ΛΠ - Λ ~ Λ?Ι'~ ΛΙ?' ^ 轉化為消除量綱的6. 如權利要求1-5任一項所述的方法，其特征在于:所述步驟(2.1)具體步驟為： 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： (2.1.1) 從預警系統中確定設備警報產生時間。和截止時間t2; (之-^彡從預警系統中確定設備警報的相關觀測點耶二匕:^^^^^]; (2.1.3) 根據產生時間ti和截止時間t2，以及數據庫采樣頻率f s，得到時間點數m = f s X (t2_ti)，設備測點數目n = length([xi，X2,…，χη'])，其中length( ·)為計算長度函數）； (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： V(tj) = [Vjl,Vj2,Vj3, · · · ,Vjn'] 將樣本數據文件存儲為m X η '的矩陣形式，具體形式如下：其中行代表m個故障時間，列代表η '個設備觀測點。7. 如權利要求6所述的方法，其特征在于:所述步驟(2.2)具體步驟為： (2.2.1) 均值濾波操作：依據均值濾波原理對摻雜在異常樣本數據中每個測點的噪聲 污染進行濾波消除； (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； (2.2.3) 將初始化數據段兩兩合并計算擬合誤差； (2.2.4) 基于遞歸合并的方式確定異常樣本分段切割點。8. 如權利要求7所述的方法，其特征在于:所述步驟(2.5)具體步驟為： 根據降嶺分步法的原理按照以下公式將模式距離轉化成模式相似度#(??);其中，?,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 距離，而?η代表著故障類型i下的模式距離閾值； 按照故障類型的維度，將每個距離向量，轉 化為相似度向量_ _ "t 最終得到異常樣本FT與故障知識庫全部樣本的相似度集合，如下所示：9.如權利要求8所述的方法，其特征在于:所述步驟(2.6)具體步驟為： 依據相似度集合結果PSets，根據約定的規則輸出故障診斷結果，其中滿足規則： 規則1:若有與異常樣本相似度超過90%的故障樣本且出現多個，則將全部樣本的序號 輸出，同時輸出故障樣本所屬的故障類型、所屬故障類型的置信度、故障發展階段為最大相 似度樣本的最佳匹配位置，如果置信度超過50%，則輸出建議采取的維修措施； 規則2:若沒有與異常樣本相似度超過90%的故障樣本且最大相似度數值大于等于 60%，則將最大相似度樣本的序號輸出，同時輸出該故障樣本所屬的故障類型、所屬故障類 型的置信度、故障發展階段為最大相似度樣本的最佳匹配位置，如果置信度超過50%，則輸 出建議采取的維修措施； 規則3:若沒有與異常樣本相似度超過90%的故障樣本且最大相似度數值小于60%，則 將輸出異常樣本為不常見工況或者未知故障類型，繼續關注此異常的發展。
【專利摘要】一種基于多維分段擬合的設備故障診斷方法，依次包括故障診斷訓練步驟和故障診斷運行步驟，著手數據形態特征本質，基于設備故障數據，結合了多維分段擬合算法和優化的動態時間彎曲算法實現建模的模式表達和距離閾值提取功能，并通過對發現的設備異常數據提取形態特征進行模式匹配達到設備數據故障類型識別和原因診斷的功能解決當前故障診斷技術中難以高效、準確地刻畫故障數據之間相似程度的難題。
【IPC分類】G06Q10/06
【公開號】CN105631596
【申請號】CN201511004841
【發明人】丁書耕, 張建輝, 張華偉, 安佰京, 趙俊
【申請人】山東魯能軟件技術有限公司
【公開日】2016年6月1日
【申請日】2015年12月29日