CN104156627B - 一种基于设备工况的故障诊断方法及装置 - Google Patents

Abstract

本发明涉及一种基于设备工况的故障诊断方法及装置，其中，该方法包括：对设备的未知样本的诊断数据进行特征提取；根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况识别和分类；利用工况分类结果和所述诊断数据的特征，通过Q‑矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q‑矩阵表示不同的工况类型与最优诊断算法之间对应关系。

Description

一种基于设备工况的故障诊断方法及装置

技术领域

本发明涉及设备故障诊断领域，特别涉及一种基于设备工况的故障诊断方法及装置。

背景技术

设备故障诊断是一种了解掌握设备状态、早期发现故障、以及能预报故障发展趋势的技术。随着生产与科学技术的发展，设备的工作强度不断增大，生产自动化程度越来越高，同时设备更加复杂、各部分的关联更加密切。一个微小故障就有可能导致整个设备乃至整条“设备链”遭受灾难性的毁坏，不仅造成巨大的经济损失，而且会危及人身安全。因此，设备故障诊断技术发挥日益重要的作用，它能及时诊断出设备的故障，以减少维修时间，提高维修质量，节约维修费用。

当前，国内外诊断算法比较完备，诊断技术也比较先进，但是依然存在大量的误报警的问题。主要原因在于：设备在不同的工况下表现出来的故障形式和特点各异，仅用一种诊断算法不能够准确、高效地诊断出所有类型的故障。当前设备故障诊断发展迅速，涌现出许多诊断算法，但每种算法都有其适用的范围。比如：支持向量机(SVM)在小样本、非线性和高维模式识别时优势明显，且能得到全局最优解，但训练算法速度慢、算法复杂、检测阶段运算量大；模糊C均值聚类(FCM)计算速度快、无需先验知识，但抗噪能力不强、不一定得到全局最优解；BP神经网络拥有强大的学习、并行处理和良好容错的能力、可能得到局部最优解，但需求的训练样本多、训练时间长。因此，克服传统诊断方法中忽视工况变化对诊断的影响，根据工况变化而自适应地调整诊断方法具有重要的研究意义。

发明内容

为解决上述技术问题，本发明提出一种基于设备工况的故障诊断方法及装置，设备在不同的工况下表现出来的故障形式和特点各异，针对不同的工况下的故障应该选用不同的诊断算法进行诊断，达到提高诊断准确率的目的。

为实现上述目的，本发明提供了一种基于设备工况的故障诊断方法，该方法包括：

对设备的未知样本的诊断数据进行特征提取；

根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况识别和分类；

利用工况分类结果和所述诊断数据的特征，通过Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。

优选地，所述Q-矩阵的建立方法包括：

已知样本中的诊断数据和行为参数进行特征提取；

将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

优选地，所述算法库中的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

对应地，为实现上述目的，本发明还提供了一种基于设备工况的故障诊断装置，该装置包括：

未知样本特征提取单元，用于对设备的未知样本的诊断数据进行特征提取；

第一故障诊断单元，用于根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况分类；

第二故障诊断单元，用于利用工况分类结果和所述诊断数据的特征，通过Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。

优选地，所述第二故障诊断单元包括：

已知样本特征提取模块，用于已知样本中的诊断数据和行为参数进行特征提取；

已知样本工况识别模块，用于将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

诊断精度获取模块，用于利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

Q-矩阵建立模块，用于选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

优选地，所述诊断精度获取模块使用的算法库内的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

优选地，所述第二故障诊断单元还包括诊断模块；

所述诊断模块，用于利用所述Q-矩阵建立模块建立的Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别。

为实现上述目的，基于上述技术方案，本发明提供了一种Q-矩阵建立方法，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系；包括：

已知样本中的诊断数据和行为参数进行特征提取；

将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

优选地，所述算法库中的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

对应地，为实现上述目的，本发明还提供了一种Q-矩阵建立装置，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系；该装置包括：

已知样本特征提取单元，用于已知样本中的诊断数据和行为参数进行特征提取；

已知样本工况识别单元，用于将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

诊断精度获取单元，用于利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

Q-矩阵建立单元，用于选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

上述技术方案具有如下有益效果：本技术方案提取不同工况下已知样本的特征，构建算法库，分别对诊断算法库中的算法进行训练，获得不同工况下的各算法的诊断识别准确率，选出识别准确率最高的算法作为不同工况下对应的诊断算法，构建Q-矩阵。利用Q-矩阵识别未知样本工况，在不同工况下，故障诊断选用准确率高的诊断算法进行诊断，有效提高设备故障诊断准确率，在设备故障诊断领域有重要意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明技术方案的工作原理示意图；

图2为本发明提出的一种基于设备工况的故障诊断方法流程图；

图3为本发明提出的一种基于设备工况的故障诊断装置框图；

图4为本发明提出的一种Q-矩阵建立方法流程图；

图5为本发明提出的一种Q-矩阵建立装置框图；

图6为本实施例一的故障模式数据仿真结果示意图；

图7为本实施例一的Q-矩阵示意图；

图8为本实施例一的利用图7获得的诊断结果示意图；

图9为本实施例二的实验方案示意图；

图10为本实施例二的Q-矩阵示意图；

图11为本实施例二的利用图10获得的诊断结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本技术方案的工作原理是：首先，选择支持向量机(SVM)、BP神经网络和模糊C均值聚类(FCM)算法组建算法库。然后利用已知样本的诊断数据和行为参数对算法库进行训练，构建Q-矩阵。该Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。再对未知样本进行工况识别，并对未知样本的诊断数据进行特征提取，利用未知样本的工况分类结果和诊断数据的特征，通过Q-矩阵获得每种设备工况对应的最优诊断算法，最终完成设备的故障诊断识别。其中，Q-矩阵也亦可以称为工况算法优选原则。

基于上述工作原理，本发明提出的一种基于设备工况的故障诊断方法，如图2所示。该方法包括：

步骤201)：对设备的未知样本的诊断数据进行特征提取；

步骤202)：根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况分类；

步骤203)：利用工况分类结果和所述诊断数据的特征，通过Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。

优选地，所述Q-矩阵的建立方法包括：

已知样本中的诊断数据和行为参数进行特征提取；

将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

优选地，所述算法库中的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

如图3所示，为本发明提出的一种基于设备工况的故障诊断装置框图。该装置包括：

未知样本特征提取单元301，用于对设备的未知样本的诊断数据进行特征提取；

第一故障诊断单元302，用于根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况分类；

第二故障诊断单元303，用于利用工况分类结果和所述诊断数据的特征，通过Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。

优选地，所述第二故障诊断单元303包括：

已知样本特征提取模块，用于已知样本中的诊断数据和行为参数进行特征提取；

已知样本工况识别模块，用于将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

诊断精度获取模块，用于利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

Q-矩阵建立模块，用于选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

优选地，所述诊断精度获取模块使用的算法库内的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

优选地，所述第二故障诊断单元303还包括诊断模块；

所述诊断模块，用于利用所述Q-矩阵建立模块建立的Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别。

如图4所示，为本发明提出的一种Q-矩阵建立方法流程图。所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系；包括：

步骤401)：已知样本中的诊断数据和行为参数进行特征提取；

步骤402)：将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

步骤403)：利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

步骤404)：选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

优选地，所述算法库中的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

如图5所示，为本发明提出的一种Q-矩阵建立装置框图。所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系；该装置包括：

已知样本特征提取单元501，用于已知样本中的诊断数据和行为参数进行特征提取；

已知样本工况识别单元502，用于将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

诊断精度获取单元503，用于利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

Q-矩阵建立单元504，用于选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

如图6所示，为本实施例的故障模式数据仿真结果示意图。构建5个多元正态分布，以此作为仿真数据的工况。对工况数据进行一定规则的变换，使得每种工况下获得4种故障类型数据。每种故障类型数据样本分为100个。具体的构造规则如下：

多元正态分布定义如式(1)：设随机向量x＝(x₁,x₂,…，x_p)′，-∞<x_i<+∞，若其的密度函数为：

其中，E(x)＝(μ₁,μ₂,…,μ_p)′为x＝(x₁,x₂,…,x_p)′的均值。协方差为：

那么x＝(x₁,x₂,…,x_p)′是服从均值E(x)和协方差Σ的正态分布。

通过多元正态分布来仿真工况数据。分别设计5组均值和1组协方差，可形成5种组合，即对应5组多元正态分布。利用这5组多元正态分布生成100个工况样本。5组均值分别为：[1 1]，[5 5]，[10 10]，[1 10]和[10 1]。协方差矩阵为：[0.8 0；0 0.3]。

然后将工况数据按照以下规则生成4种故障类型数据。将样本数据(x,y)分别往x方向移动cx(i)个单位，往y方向移动cy(i)个单位，并且数据大小缩放1/n(i)倍。其中i＝4，为故障模式数；cx＝[0 1.3 0 1.3]，为x方向平移向量；cy＝[0 0 1.0 1.0]，为y方向平移向量；n＝[2 2.5 3 2.5]，为缩放的倍数。最终获得变换后的数据为(x1,y1)，具体变换公式如下：

x1＝(x-averX)/n(i)+cx(i)；

y1＝(y-averY)/n(i)+cy(i)；

averX＝mean(x)；％中心x

averY＝mean(y)；％中心y

如图7所示，为本实施例的工况算法优选原则获取示意图。利用仿真样本分别对SVM算法、FCM算法和BP算法进行训练和识别，获得不同工况下最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵。

然后利用工况算法优选原则对待识别样本进行工况的优选算法选择，并进行计算得到结果如图8所示。采用工况自组织最优算法诊断，获得识别率为0.973，高于SVM识别率0.93，BP识别率0.932，FCM识别率0.85。说明基于工况的自组织优选算法诊断模型是可行的，能够达到提高故障识别率的目的。

下面，再列举一管道泄漏实验的工况优选算法模型实例。采用现在常用的管道泄漏实验装置，在实验装置的泄漏孔两旁附近，均安装有音波传感器和振动传感器，音波传感器采集声波数据，振动传感器采集振动数据，如图9所示。实验时分别采用4种工况S1、S2、S3和S4，分别对应0.3MPa、0.4MPa、0.5MPa和0.6MPa的气体管道压力。每种工况下均设有3种泄漏孔径，分别为1mm、3mm和5mm，泄漏量不超过10％，存储的文件以P0pD0d的格式命名，表示泄漏孔径为d mm，泄漏压力为p×0.1MPa。如P04D01表示的工况为：泄漏压力0.4MPa，泄漏孔径1mm。具体的实验工况条件如表1所示。

表1

根据表1对4种工况下的泄漏模式进行数据采集。采集的总样本数为3000个：其中原则构造总样本1800个，每个工况的训练样本数450个；验证总样本数为1200个，每个工况的识别样本数300个。其中原则构造总样本是用来构建工况-算法优选原则表，而验证总样本则是用来验证最优算法诊断的结果。

每个样本包含4个通道参数，分别为2个振动通道和2个音波通道。对每个通道的数据提取绝对均值和均方根值作为特征值，因此每个样本的特征向量为8个特征值。

利用原则构造训练样本分别对SVM算法、FCM算法和BP算法进行训练和识别，获得工况-算法优选原则，如图10所示。

然后将验证样本按照4种压力工况，分别对SVM算法、FCM算法和BP算法进行训练。再依据工况算法优选原则选择各工况下的最优诊断算法进行识别，获得最终识别结果，如图11所示。采用工况自组织最优算法诊断，获得识别率为99.94％，高于SVM识别率75.50％，BP识别率91.17％，FCM识别率75.00％。说明基于工况的自组织优选算法诊断模型能很好的达到提高设备故障诊断识别率的目的。主要原因是相同故障在不同工况下，其特征表现各不相同，工况和故障类型越多，表现得越混乱。因此，当使用单一算法对原则构造样本进行训练识别时，样本特征比较混乱，识别率比较低。当将验证样本按工况类型，其特征混乱则大大减小，分别对单一算法进行训练识别时，其识别率则有很大提高。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于设备工况的故障诊断方法，其特征在于，该方法包括：

对设备的未知样本的诊断数据进行特征提取；

根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况分类；

利用工况分类结果和所述诊断数据的特征，通过Q-矩阵获得每种设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。

2.如权利要求1所述的方法，其特征在于，所述Q-矩阵的建立方法包括：

已知样本中的诊断数据和行为参数进行特征提取；

将所述已知样本中的行为参数的特征进行工况识别，获得所述已知样本的工况类型；

利用所述已知样本中的诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

3.如权利要求2所述的方法，其特征在于，所述算法库中的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

4.一种基于设备工况的故障诊断装置，其特征在于，该装置包括：

未知样本特征提取单元，用于对设备的未知样本的诊断数据进行特征提取；

第一故障诊断单元，用于根据所述诊断数据的特征判断设备的故障是否直接识别；若直接识别故障，则直接对设备进行故障诊断识别；否则，则根据设备的行为参数进行工况分类；

第二故障诊断单元，用于利用工况分类结果和所述诊断数据的特征，通过Q-矩阵获得每个设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别；其中，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系。

5.如权利要求4所述的装置，其特征在于，所述第二故障诊断单元包括：

已知样本特征提取模块，用于已知样本中的诊断数据和行为参数进行特征提取；

已知样本工况识别模块，用于将所述已知样本中的行为参数的特征进行工况识别，获得所述已知样本的工况类型；

诊断精度获取模块，用于利用所述已知样本中的诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

Q-矩阵建立模块，用于选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

6.如权利要求5所述的装置，其特征在于，所述诊断精度获取模块使用的算法库内的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

7.如权利要求5所述的装置，其特征在于，所述第二故障诊断单元还包括诊断模块；

所述诊断模块，用于利用所述Q-矩阵建立模块建立的Q-矩阵获得每个设备工况对应的最优诊断算法，根据所述最优诊断算法对设备进行故障诊断识别。

8.一种Q-矩阵建立方法，其特征在于，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系；包括：

已知样本中的诊断数据和行为参数进行特征提取；

将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。

9.如权利要求8所述的方法，其特征在于，所述算法库中的算法包括：支持向量机算法、BP神经网络和模糊C均值聚类算法。

10.一种Q-矩阵建立装置，其特征在于，所述Q-矩阵表示不同的工况类型与最优诊断算法之间对应关系；该装置包括：

已知样本特征提取单元，用于已知样本中的诊断数据和行为参数进行特征提取；

已知样本工况识别单元，用于将所述行为参数的特征进行工况识别，获得所述已知样本的工况类型；

诊断精度获取单元，用于利用所述诊断数据的特征，算法库中的所有算法对已知样本的工况类型进行诊断，得到每种算法同各种工况类型对应的诊断情况，利用诊断情况统计得出数据样本各种工况对应每种算法的诊断精度；

Q-矩阵建立单元，用于选出诊断精度最高的算法作为该工况的最优诊断算法，建立不同的工况类型对应最优诊断算法的关系矩阵；所述关系矩阵为Q-矩阵。