CN104991547A - 一种实际故障征兆数据驱动的多重故障诊断方法 - Google Patents

一种实际故障征兆数据驱动的多重故障诊断方法 Download PDF

Info

Publication number
CN104991547A
CN104991547A CN201510255602.6A CN201510255602A CN104991547A CN 104991547 A CN104991547 A CN 104991547A CN 201510255602 A CN201510255602 A CN 201510255602A CN 104991547 A CN104991547 A CN 104991547A
Authority
CN
China
Prior art keywords
fault
sample
database
diagnostic
physical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510255602.6A
Other languages
English (en)
Other versions
CN104991547B (zh
Inventor
张可
柴毅
王一鸣
田甜
邱焕敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese People's Liberation Army 63790 Unit
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201510255602.6A priority Critical patent/CN104991547B/zh
Publication of CN104991547A publication Critical patent/CN104991547A/zh
Application granted granted Critical
Publication of CN104991547B publication Critical patent/CN104991547B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种实际故障征兆数据驱动的多重故障诊断方法，属于基于类群区分的多重故障诊断领域。该方法将待分类故障诊断样本的每一个单一故障样本元Px与数据库中的已知故障样本A1、A2…An一一匹配，在反复迭代之下，所有待分类故障诊断样本形成的类群P1、P2…Pm都能够与数据库中已存储的实际故障进行匹配从而得到归类，而如果某一待诊断样本形成的类群并未与数据库中所存数据产生匹配结果，那么数据库将收录其作为新的故障样本An+1。本发明通过将实际故障数据与典型故障样本中的对比，可以有效地避免传统多故障诊断方法上针对多重故障进行类群区分时所面临的无法有效分离故障样本的相关问题，也可以有效规避多个类群之间故障样本产生交叉的缺点。

Description

一种实际故障征兆数据驱动的多重故障诊断方法
技术领域
本发明涉及基于类群区分的多重复合故障诊断领域，特别涉及一种实际故障征兆数据驱动的多重故障诊断方法。
背景技术
故障诊断是针对收集到的故障数据通过相应手段进行检测和隔离分类的过程。它的主要流程是通过特定的检查和测试方法，发现系统和设备是否存在故障；并进一步将检测到的故障数据进行特定的分类，实现对故障全面掌控。常见的故障诊断方法有基于专家系统的诊断方法、基于神经网络的人工智能型诊断方法、基于模糊数学的人工智能型诊断方法、基于故障树的人工智能型诊断方法。智能型诊断方法在当前随着人工智能技术的快速发展拥有更广阔的发展前景，其以知识处理和知识推理的核心概念正逐步取代过往以数值计算与信号处理为核心的诊断过程。
在智能故障诊断技术中，多重故障诊断(又称复合故障诊断)占据着十分重要的地位。多重故障主要包括以下几种形式：一是在单位器件上产生的多个继发性的故障；二是在同一体系下不同系统发生的故障；三是在同一系统下同一时间区间内发生的多种故障。其相关领域的研究进展也较故障诊断的其他方向上的研究进展更为突出。从现有的故障诊断方法来看，其基本模式是：对工况信号进行采集与处理，在这一过程中用适当的方式将其中的噪声和冗余信号予以过滤清除，放大突出其故障信息中的关键特征，从而达到对故障充分诊断的目的。其方法以“对故障正在实施检测，对收集数据进行预处理，对收集到的数据进行诊断推理”三个主轴为基准实施。信号预处理完成之后，相应信号将按诊断推理方法转变成更易识别分类的待诊断数据集，从而进行数据诊断的相关流程。
多重故障诊断是一个对不确定工况进行推理的过程。从该领域的较多的研究结果看来，多重故障诊断是一个特殊的类群区分问题。类群区分的最终目的是针对可归属于一类的故障特征的对象进行聚类，形成一定数量的有明显特征差异的类群。特别值得关注的一点是，同一类群中各个元素可能并不完全相同，而它们被认作一类的原因在于其相似度达到了特定条件下的相关标准。但是，基于多重故障征兆组成和耦合方式种类纷繁复杂，同时组成其的多个单一故障模式与该故障模式存在非线性关系的概率较高。因此在全故障体系、多重故障体系、单一故障、征兆这一典型的“空间、子空间、独立子空间、实体”联系之间很难对其使用线性函数进行描述。而正是这一原因，使得已有的当前广大的针对单一故障基于类群区分的诊断方法很难在多重故障的诊断上取得较高的复合要求的准确性。
因此，为了保证多重故障诊断的准确性，需要一种实际故障征兆数据驱动的多重故障诊断方法。
发明内容
有鉴于此，本发明所要解决的问题便是提供一种准确的多重故障诊断方法。
本发明的目的是提出一种实际故障征兆数据驱动的多重故障诊断方法。
本发明的目的是通过以下技术方案来实现的：
本发明提供的一种实际故障征兆数据驱动的多重故障诊断方法，包括以下步骤：
步骤一：构建实行故障诊断需要的检测环境。
步骤二：建立存储实际故障样本的数据库，将其分为A1～An，且保证其更新能力。
步骤三：对每一个输入的待诊断故障数据形成一个单独的类群Px。
步骤四：将A1～Ax与数据库中的实际故障样本形成的类群Pm进行匹配，通过匹配结果确定其类型。
步骤五：反复迭代，直到所有待检测故障数据全部通过以实际故障征兆数据驱动的故障样本检测，形成完整的诊断结果。
进一步，所述步骤一中的配置检测环境为配置故障检测仪。
进一步，所述步骤二中的建立数据库采用以下措施：在数据库中存储根据专家长期积累的实践经验和大量的故障信息知识形成的实际故障诊断数据样本，通过对过往检测过程中收集到的实际故障数据进行分类整合，形成足量的故障诊断样本，对每一个故障诊断样本进行对应的A1～An的分类。
所述步骤二中更新数据库采用以下措施：将待检测的实际故障诊断样本分类以形成P1、P2、...、Pn为诊断中心的多个类群，将数据库中每个故障数据的将通过所有诊断类群的匹配，如果仍未能达成匹配，则在数据库中生成新的故障诊断样本An+1。
进一步，所述步骤三中针对故障数据分类的具体方式，在于依据权利要求1中所述的数据库中的已知故障样本A1～An与形成的待诊断类群Px的诊断结果实施一对一的匹配，从而完善的实施对待诊断样本的分类。
再进一步，所述步骤四中的以实际故障征兆数据驱动的诊断样本与多重复合故障数据的匹配分类采用以下步骤：针对每一个待诊断的单独的故障数据样本Px做相应的观测，如果能够与A1～An的任一样本产生匹配结果，则认为其类群得到相应分类。
再进一步，所述步骤五中每一个故障数据与实际故障样本进行匹配，并根据N个故障数据与M个故障诊断样本的匹配结果形成一个N×M的诊断矩阵，其矩阵以1或0表示该故障数据是否与该故障诊断样本匹配或者无法匹配。
本发明的有益效果在于：本发明采用一种实际故障征兆数据驱动的多重故障诊断方法，以数据库中已经存储的已知故障作为类群区分的辨识标准，以待故障诊断的故障样本作为类群，并依据其与已知故障信息数据的匹配结果生成诊断结果。该方法通过将实际故障数据与已知故障样本中的对比，充分保证了对相应实际故障数据的分类准确性。可以有效地避免针对多重故障进行类群区分时所面临的无法有效分离故障样本的相关问题，也可以有效规避多个类群之间故障样本产生交叉的相关问题。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明提供的实际故障征兆数据驱动的多重故障诊断方法基本思路。
图2为本发明提供的实际故障征兆数据驱动的多重故障诊断方法示意图。
具体实施方式
以下将参照附图，对本发明所采用的实际故障征兆数据驱动的多重故障诊断方法进行详细的描述。其主要的流程如下：
步骤一：构建实行故障诊断需要的检测环境。
步骤二：建立存储实际故障样本的数据库，将其分为A1～An，且保证其更新能力。
步骤三：对每一个输入的待诊断故障数据形成一个单独的类群Px。
步骤四：将A1～Ax与数据库中的实际故障样本形成的类群Pm进行匹配，通过匹配结果确定其类型。
步骤五：反复迭代，直到所有待检测故障数据全部通过以实际故障征兆数据驱动的故障样本检测，形成完整的诊断结果。
进一步，所述步骤一中的配置检测环境为配置故障检测仪。
进一步，所述步骤二中的建立数据库采用以下措施：在数据库中存储根据专家长期积累的实践经验和大量的故障信息知识形成的实际故障诊断数据样本，通过对过往检测过程中收集到的实际故障数据进行分类整合，形成足量的故障诊断样本，对每一个故障诊断样本进行对应的A1～An的分类。
所述步骤二中更新数据库采用以下措施：将待检测的实际故障诊断样本分类以形成P1、P2、...、Pn为诊断中心的多个类群，将数据库中每个故障数据的将通过所有诊断类群的匹配，如果仍未能达成匹配，则在数据库中生成新的故障诊断样本An+1。
进一步，所述步骤三中针对故障数据分类的具体方式，在于依据步骤二中所述的数据库中的已知故障样本A1～An与形成的待诊断类群Px的诊断结果实施一对一的匹配，从而完善的实施对待诊断样本的分类。
再进一步，所述步骤四中的以实际故障征兆数据驱动的诊断样本与多重复合故障数据的匹配分类采用以下步骤：针对每一个待诊断的单独的故障数据样本Px做相应的观测，如果能够与A1～An的任一样本产生匹配结果，则认为其类群得到相应分类。
再进一步，所述步骤五中每一个故障数据与实际故障样本进行匹配，并根据N个故障数据与M个故障诊断样本的匹配结果形成一个N×M的诊断矩阵，其矩阵以1或0表示该故障数据是否与该故障诊断样本匹配或者无法匹配。
图1简明扼要的展现了该故障诊断方法的诊断思路。即通过将故障数据与数据库中的故障诊断样本进行遍历式的匹配，达到对故障进行充分分类诊断的目的。
在图2中，则详细的通过其图示展示了该故障诊断方法。
首先，对输入的故障数据进行分类，使其成为具有明显差异的单个的故障数据Px；
进一步，将每一个数据库中的已知故障样本与Px进行匹配，如果能够进入以故障诊断样本Px为中心的类群，则认为该待诊断故障有相应的故障样本与之匹配，输出值为1。反之，输出值为0。同时，若该待故障样本形成的类群P未与任何实际故障样本达成匹配，则根据其生成新的已知故障诊断样本An+1。
再进一步，反复迭代输入，直到所有待故障诊断样本通过检测，最后得到完整的诊断结果。即在N个已知故障数据以及M个待诊断故障诊断样本的条件下生成一个只存在1和0两个数值的N×M的诊断结果矩阵。其中1代表该已知故障数据与相应的故障诊断样本形成的类群匹配，使该类群得到相应的分类。
再进一步，而针对其中全0的一行，即其类群与任意已知故障不匹配，则将对其进行收集，使之形成一个新的已知故障样本，投入故障样本的数据库中，作为下一次类群区分过程中新的已知故障样本投入诊断过程。
在该诊断机制下，类群区分过程中，所有的待故障诊断数据形成的类群都将拥有一个唯一的已知故障数据与其匹配，且故障诊断机也将在自动诊断的基础上同时具有出色的学习能力。在这种无监督学习的背景下，实际故障通过与已知故障数据的一一匹配被明显地区分开来，从而达到实际故障征兆数据驱动的多重故障诊断。
最后说明的是，这一故障诊断方法所具有的诊断思路应该是多故障诊断方法中的一条具有广泛开拓前景的需要更多科研工作者继续探索的道路而非终点。本领域的技术研发人员也显然应该认识到，在结合实际情况的具体应用领域，其采取的方法可以因为环境原因、设备条件、资金力量、科研人员自身素质水平、相关研发现状等各种各样需要考虑的因素，在不偏离本发明权利要求书所限定的范围内，在实施形式上和具体细节上做出一些微小的改变。

Claims (6)

1.实际故障征兆数据驱动的多重故障诊断方法，其特征在于：包括以下步骤：
步骤一：构建实行故障诊断需要的检测环境。
步骤二：建立存储实际故障样本的数据库，将其分为A1～An，且保证其更新能力。
步骤三：对每一个输入的待诊断故障数据形成一个单独的类群Px
步骤四：将A1～Ax与数据库中的实际故障样本形成的类群Pm进行匹配，通过匹配结果确定其类型。
步骤五：反复迭代，直到所有待检测故障数据全部通过与已知故障数据的匹配检测，形成完整的诊断结果。
2.根据权利要求1所述的实际故障征兆数据驱动的多重故障诊断方法，其特征在于：所述步骤二中的建立数据库采用以下措施：在数据库中存储根据专家长期积累的实践经验和大量的故障信息知识形成的实际故障诊断数据样本，通过对过往检测过程中收集到的实际故障数据进行分类整合，形成足量的故障诊断样本，对每一个故障诊断样本进行对应的A1～An的分类。
3.根据权利要求1所述的实际故障征兆数据驱动的多重故障诊断方法，其特征在于：所述步骤二中更新数据库采用以下措施：将待检测的实际故障诊断样本分类以形成P1、P2、...、Pn为诊断中心的多个类群，将数据库中每个故障数据的将通过所有诊断类群的匹配，如果仍未能达成匹配，则在数据库中生成新的故障诊断样本An+1。
4.根据权利要求1所述的实际故障征兆数据驱动的多重故障诊断方法，其特征在于：所述步骤三中针对故障数据分类的具体方式，在于依据权利要求1中所述的数据库中的已知故障样本A1～An与形成的待诊断类群Px的诊断结果实施一对一的匹配，从而完善的实施对待诊断样本的分类。
5.根据权利要求1所述的实际故障征兆数据驱动的多重故障诊断方法，其特征在于：所述步骤四中的以实际故障为类中心的诊断样本与多重复合故障数据的匹配分类采用以下步骤：针对每一个待诊断的单独的故障数据样本Px做相应的观测，如果能够与A1～An的任一故障样本产生匹配，则认为其为诊断结果的组成部分。反之，则认为其并非诊断结果的组成部分。
6.根据权利要求1所述的实际故障征兆数据驱动的多重故障诊断方法，其特征在于：所述步骤五中每一个故障数据与实际故障样本进行匹配，并根据N个故障数据与M个故障诊断样本的匹配结果形成一个N×M的诊断矩阵，其矩阵以1或0表示该故障数据是否与待故障诊断样本匹配或者无法匹配。
CN201510255602.6A 2015-05-19 2015-05-19 一种实际故障征兆数据驱动的多重故障诊断方法 Expired - Fee Related CN104991547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510255602.6A CN104991547B (zh) 2015-05-19 2015-05-19 一种实际故障征兆数据驱动的多重故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510255602.6A CN104991547B (zh) 2015-05-19 2015-05-19 一种实际故障征兆数据驱动的多重故障诊断方法

Publications (2)

Publication Number Publication Date
CN104991547A true CN104991547A (zh) 2015-10-21
CN104991547B CN104991547B (zh) 2018-02-27

Family

ID=54303366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510255602.6A Expired - Fee Related CN104991547B (zh) 2015-05-19 2015-05-19 一种实际故障征兆数据驱动的多重故障诊断方法

Country Status (1)

Country Link
CN (1) CN104991547B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631199A (zh) * 2015-12-23 2016-06-01 苏州汇莱斯信息科技有限公司 一种基于数据驱动的故障诊断算法
CN111553380A (zh) * 2020-03-22 2020-08-18 中润普达(十堰)大数据中心有限公司 一种汽车故障征兆的辅助诊断系统及其使用方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5633800A (en) * 1992-10-21 1997-05-27 General Electric Company Integrated model-based reasoning/expert system diagnosis for rotating machinery
CN101135601A (zh) * 2007-10-18 2008-03-05 北京英华达电力电子工程科技有限公司 一种旋转机械振动故障诊断装置及方法
CN102374936A (zh) * 2010-08-23 2012-03-14 太原理工大学 一种基于复杂免疫网络算法的机械故障诊断方法
CN103995470A (zh) * 2014-05-30 2014-08-20 浙江工业大学 一种基于PolSOM神经网络算法的设备故障诊断方法
CN104614166A (zh) * 2015-01-29 2015-05-13 西北工业大学 一种飞机发动机转子振动信号故障状态识别的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5633800A (en) * 1992-10-21 1997-05-27 General Electric Company Integrated model-based reasoning/expert system diagnosis for rotating machinery
CN101135601A (zh) * 2007-10-18 2008-03-05 北京英华达电力电子工程科技有限公司 一种旋转机械振动故障诊断装置及方法
CN102374936A (zh) * 2010-08-23 2012-03-14 太原理工大学 一种基于复杂免疫网络算法的机械故障诊断方法
CN103995470A (zh) * 2014-05-30 2014-08-20 浙江工业大学 一种基于PolSOM神经网络算法的设备故障诊断方法
CN104614166A (zh) * 2015-01-29 2015-05-13 西北工业大学 一种飞机发动机转子振动信号故障状态识别的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631199A (zh) * 2015-12-23 2016-06-01 苏州汇莱斯信息科技有限公司 一种基于数据驱动的故障诊断算法
CN111553380A (zh) * 2020-03-22 2020-08-18 中润普达(十堰)大数据中心有限公司 一种汽车故障征兆的辅助诊断系统及其使用方法

Also Published As

Publication number Publication date
CN104991547B (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
CN104503399B (zh) 一种集团级风电机组状态监测及故障诊断平台
CN106354118A (zh) 一种基于故障树的列车故障诊断系统及方法
CN104391190B (zh) 一种用于测量仪器的远程诊断系统及诊断方法
CN111145042A (zh) 一种采用全连接神经网络的配电网电压异常诊断方法
CN111651530B (zh) 一种智能化港口监测系统
CN102819239A (zh) 一种数控机床智能故障诊断方法
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN109204389A (zh) 一种地铁设备故障诊断和自愈方法、系统
CN114429153A (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
CN111812507A (zh) 一种基于图卷积的电机故障诊断方法
CN110515781A (zh) 一种复杂系统状态监测及故障诊断方法
CN113962308A (zh) 一种航空设备故障预测方法
CN104991547A (zh) 一种实际故障征兆数据驱动的多重故障诊断方法
Lyu et al. A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study
EP3462266A1 (en) Aircraft maintenance message prediction
CN113093695A (zh) 一种数据驱动的sdn控制器故障诊断系统
CN112803587A (zh) 一种基于诊断决策库的自动化设备状态智能巡视方法
CN113962289B (zh) 面向终身学习的旋转机械在线智能故障诊断方法及系统
CN112213103A (zh) 轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质
CN113094996B (zh) 基于dda域自适应机制的智能故障迁移诊断方法
CN115496233A (zh) 一种基于马尔可夫模型的数据中台运行故障预测方法
KR102357754B1 (ko) 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
Thombare et al. Review on fault diagnosis model in automobile
CN114118137A (zh) 电力计量生产设备监测方法、装置、终端及存储介质
CN108627242B (zh) 基于盲源分离单边检测法的环冷机漏风率检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Mao Wanbiao

Inventor after: Zhang Ke

Inventor after: Chai Yi

Inventor after: Wang Yiming

Inventor after: Tian Tian

Inventor after: Qiu Huanmin

Inventor before: Zhang Ke

Inventor before: Chai Yi

Inventor before: Wang Yiming

Inventor before: Tian Tian

Inventor before: Qiu Huanmin

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180118

Address after: 400044 Shapingba District Sha Street, No. 174, Chongqing

Applicant after: Chongqing University

Applicant after: Chinese People's Liberation Army 63790 Unit

Address before: 400044 Shapingba District Sha Street, No. 174, Chongqing

Applicant before: Chongqing University

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180227