CN105631596B - 一种基于多维分段拟合的设备故障诊断方法 - Google Patents

Abstract

一种基于多维分段拟合的设备故障诊断方法，依次包括故障诊断训练步骤和故障诊断运行步骤，着手数据形态特征本质，基于设备故障数据，结合了多维分段拟合算法和优化的动态时间弯曲算法实现建模的模式表达和距离阈值提取功能，并通过对发现的设备异常数据提取形态特征进行模式匹配达到设备数据故障类型识别和原因诊断的功能解决当前故障诊断技术中难以高效、准确地刻画故障数据之间相似程度的难题。

Description

一种基于多维分段拟合的设备故障诊断方法

技术领域

本发明涉及故障诊断技术领域，具体涉及基于多维分段拟合的设备故障诊断方法。

背景技术

近些年来，随着科学技术的不断革新壮大以及社会工业化的迅猛发展，越来越多的工业产业化系统被装载在大型工业生产场合，在这种应用环境下创造了无可替代的巨大生产力。因而这些设备的保养维护工作显得尤其重要和艰巨。但往往太多隐含的影响因素都有可能造成这些系统设备故障的产生甚至是失效，因此国家和企事业单位越来越关注对这些重要系统设备的状态检测以及故障诊断方面工作。

一般而言，这些设备结构日趋复杂缜密，不同部位之间的作用相互牵扯，耦合性很强。通过拆卸、解体设备的途径，即费时费力，诊断效果往往不理想，且容易导致设备性能不稳定。通过安装监控传感器装置来实时读取设备重要部位的状态，以观察设备相关参数的运行趋势对照指标阈值的这种方法简单直观可靠性强，目前在各类电厂、汽车、卫星等生产场合下普及比较广泛。但是这种方法的效率依然受限于设备维护人员的工作经验能力以及精力，经验欠缺的人员对设备突显的复杂未知状况处理较为有心无力。

上述方法由于经验知识表达的困境很难形成规范的故障诊断体系，于是一种基于数学挖掘技术的故障诊断方法正逐渐被引入这些大型复杂设备的故障诊断工作当中去。数学挖掘技术融合了现代控制论、计算机科学、人工智能、信号处理、模式识别、统计数学等学科知识，通过研究分析设备的历史数据和当前实时数据，挖掘出隐含在数据内部有利于故障状况分析的信息。专家系统、关联规则、神经元网络、贝叶斯网络等是一些应用比较广泛的数学挖掘方法，这些方法逐渐形成了一套分为故障分析、故障建模、故障检测、故障推断、故障决策、故障决策等几方面的研究体系。

在论文《融合实例与规则推理的车辆故障诊断专家系统》(《机械工程学报》，2002年，第7期：91-95)中，文章提出了一种全新的融合实例与规则的混合推理方法，建立了一整套用于解决不同诊断单元难以互通信息问题的专家系统。可以看出专家系统能够在特定领域当中，以类似于人类专家水平的能力去解决相关领域内的故障诊断问题，其主要特点为依靠已有的人类专家经验知识形成自己特有的规则来进行问题的分析与解决。这是专家系统的特点，但受限于人类专业知识在未知领域经验的欠缺，专家系统往往存在着自我学习能力低下、诊断成功率不高、系统知识获取困难等一系列问题，这些问题仍需要对专家系统这种方法进一步深入探究和优化。

在论文《基于关联规则数据挖掘技术的电网故障诊断》(《电力系统保护与控制》，2009年，第9期：8-14)中，文章将关联规则算法应用到电网故障诊断当中。根据故障特点指定相应的决 策属性和条件属性并完成原始决策表的建立，同时应用关联规则算法对决策表数据进行频繁项集的挖掘以及强规则的筛选，最终实现了对多种复杂情况的故障信息的推理诊断。但是该技术存在一些问题，比如说对于潜在隐含的故障模式若辨别力、大规模数据处理能力差、关联规则存储和更新效率低等常见问题，这些仍然后续相关工作进行解决。

在论文《基于BP神经网络的故障诊断技术研究》(《计算机与现代化》，2009年，第7卷)中，文章选择通用的BP神经网络应用到故障诊断场景当中，在合理构建BP神经网络模型的情况下，依据设备层次分布特点成功将神经网络应用于故障诊断当中，提高了诊断的效率和可靠性。神经网络最大特点是在大样本量的情况下可无限非线性逼近原始数据模型，但是其固有的过拟合、数值随机性、训练不稳定等特点限制了神经网络在故障诊断领域内的应用范围，需配合其他一些优化算法进行诊断应用。

在论文《多特征信息融合的贝叶斯网络故障诊断方法研究》(《中国机械工程》，2010年，第8期：940-945)中，文章以泵类振动信号为研究对象，利用贝叶斯参数估计法对信号提取的频域、时域等多种故障特征进行信息融合，之后再构造贝叶斯网络建立完备的故障分类器，通过最大后验概率估计值的计算进行故障类型的识别。贝叶斯网络的构建需要大量样本数据的先验统计知识，同时贝叶斯网络有向无环表现方式存在错误累积的风险，这些方面是贝叶斯网络故障诊断方法亟需关注的。

鉴于上述几种常见故障诊断技术存在的问题与风险，本发明围绕如何充分挖掘数据样本的潜在直观表达形式以及度量故障模式差异有效性问题，尝试通过组建一种新的模式匹配技术更好地解决故障诊断的效率低下、识别准确度不高的问题，从而有利于设备良好状态的持续性维护。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多维分段拟合的设备故障诊断方法，解决当前故障诊断技术中难以高效、准确地刻画故障数据之间相似程度的难题。

本发明提供了一种基于多维分段拟合的设备故障诊断方法，依次包括如下步骤：

步骤1：故障诊断训练步骤，具体为：

(1.1)从数据库中获取故障样本信息；

(1.2)依次对每个故障样本进行分段线性拟合；

(1.3)对故障样本的每段数据进行特征提取，得到故障样本的特征矩阵；

(1.4)进行故障特征转化，消除特征量纲，得到消除量纲的故障样本的特征矩阵；

(1.5)计算模式距离阈值；

(1.6)将故障特征矩阵和模式距离阈值彼此关联起来，存储生成故障模式知识库；

步骤2：故障诊断运行步骤，具体为：

(2.1)从实时数据库中获取异常样本信息；

(2.2)对当前的异常样本进行分段线性拟合；

(2.3)对分段拟合后的数据进行异常特征提取与转化；

(2.4)用异常特征信息对故障模式知识库中的样本特征依次计算模式距离；

(2.5)使用降岭分步法将模式距离转化成模式相似度；

(2.6)输出最终故障诊断结果。

进一步地，所述步骤(1.1)具体步骤为：选择一个故障类型数目P≥2且每种故障发生次数T≥2满足要求的可研究性设备，选定足量数目的观测点N，其中N≥10，对设备足够长时间的历史运行状态数据进行故障记录查找，利用设定的筛选规则从故障记录中摘选出故障相关测点信息、故障过程的起止时间以及故障维修措施记录的有用信息，依据有用信息从电厂实时数据库PI中读取故障样本数据,其中：

测点数为n、时间点数目为m的故障样本数据，在j时刻的全部测点数据看成一个n维的列向量，表示为：

u(t_j)＝[u_j1,u_j2,u_j3,...,u_jn]

该样本数据文件保存为m×n的矩阵形式，具体形式如下：

其中行代表m个故障时间，列代表n个设备观测点，且每个故障样本之间的行列m、n两值不尽相同，同时为每个故障样本赋予其故障类型标识ID，故障类型标识ID确定方法为若全部样本中包含X种故障，则故障类型标识ID的数值范围为：1-X。

进一步地，所述步骤(1.2)具体步骤为：

(1.2.1)均值滤波操作：对掺杂在样本数据中的噪声污染进行滤波消除；

(1.2.2)故障样本分段初始化:对滤波处理后的故障样本进行分段初始化；

(1.2.3)将初始化数据段两两合并计算拟合误差；

(1.2.4)确定故障样本的分段切割点，对故障样本进行自适应性的状态分割。

进一步地，所述步骤(1.3)具体步骤为：

将故障样本经步骤(1.2)分割为

这x个分割数据段，从f₁ ^*数据段开始进行特征提取，具体操作如下：

由于f₁ ^*数据段为

矩阵形式，行为时间点数，列为测点数；

按照测点的维度(列)进行特征提取，特征有：斜率k、时长l、均值m、方差v四种；

其中，

依据最小二乘法原理对此向量进行线性拟合，拟合结果为一次方程p(x)＝a_0i+a_1ix，故而斜率特征k＝a_1i，其中a_0i、a_1i为拟合常数；

时长特征l为

向量长度h，即l＝h；

均值特征m为

向量所有数值的平均，即

方差特征v为

向量所有数值离均值的波动幅度之和，即

N为向量总数；

分割数据段

就转化为特征矩阵

剩余的

按照上述的操作方法进行特征提取，将原始的时域数据矩阵转化为数学特征矩阵，最终分割数据段集合

转化为：

进一步地，所述步骤(1.4)具体步骤为：将斜率k转化为倾斜角度α，时长l转化为时间比例，均值特征m进行归一化处理，将故障样本的特征矩阵

转化为消除量纲的

进一步地，所述步骤(2.1)具体步骤为：

依据电厂的设备状态预警系统发现设备出现某种未知的异常状态，进行如下的相关操作：

(2.1.1)从预警系统中确定设备警报产生时间t₁和截止时间t₂；

(2.1.2)从预警系统中确定设备警报的相关观测点wp＝[x₁,x₂,...,x_n']；

(2.1.3)根据产生时间t₁和截止时间t₂，以及数据库采样频率fs，得到时间点数m＝fs×(t₂-t₁)，设备测点数目n＝length([x₁,x₂,...,x_n'])，其中length(·)为计算长度函数)；

(2.1.4)获取异常样本数据为测点数为n'、时间点数目为m的样本数据，在j时刻的全部测点数据看成一个n'维的列向量，表示为：

v(t_j)＝[v_j1,v_j2,v_j3,...,v_jn']

将样本数据文件存储为m×n'的矩阵形式，具体形式如下：

其中行代表m个故障时间，列代表n'个设备观测点。

进一步地，所述步骤(2.2)具体步骤为：

(2.2.1)均值滤波操作：依据均值滤波原理对掺杂在异常样本数据中每个测点的噪声污染进行滤波消除；

(2.2.2)异常样本分段初始化:对滤波处理后的异常样本进行分段初始化；

(2.2.3)将初始化数据段两两合并计算拟合误差；

(2.2.4)基于递归合并的方式确定异常样本分段切割点。

进一步地，所述步骤(2.5)具体步骤为：

根据降岭分步法的原理按照以下公式将模式距离转化成模式相似度

其中，

代表着异常样本与故障类型i下的第j个故障样本进行模式识别计算的模式距离，而Th_i代表着故障类型i下的模式距离阈值；

按照故障类型的维度，将每个距离向量

转化为相似度向量

最终得到异常样本FT与故障知识库全部样本的相似度集合，如下所示：

进一步地，所述步骤(2.6)具体步骤为：

依据相似度集合结果ρSets，根据约定的规则输出故障诊断结果，其中满足规则：

规则1：若有与异常样本相似度超过90％的故障样本且出现多个，则将全部样本的序号输出，同时输出故障样本所属的故障类型、所属故障类型的置信度、故障发展阶段为最大相似度样本的最佳匹配位置，如果置信度超过50％，则输出建议采取的维修措施；

规则2：若没有与异常样本相似度超过90％的故障样本且最大相似度数值大于等于60％，则将最大相似度样本的序号输出，同时输出该故障样本所属的故障类型、所属故障类型的置信度、故障发展阶段为最大相似度样本的最佳匹配位置，如果置信度超过50％，则输出建议采取的维修措施；

规则3：若没有与异常样本相似度超过90％的故障样本且最大相似度数值小于60％，则将输出异常样本为不常见工况或者未知故障类型，继续关注此异常的发展。

本发明的设备故障诊断方法，可以实现：

1.本发明是一种全新的不依赖于故障诊断技术。目前传统的或者已有的诊断技术，它们均要依赖于专家经验和先验信息的参与才能展开故障诊断工作，而本发明从分析历史故障样本数据的数学形态特征着手，对当前的异常样本及时判别出与已有故障的相似程度及其最可能的发展走势。

2.本发明能够高效、精确地展开故障诊断工作，通过将样本数据从时域空间转化到数学形态特征空间，即实现了数据信息压缩目标，又消除冗余数据噪声的影响，从而极大提高了故障诊断 的效率。

3.为了保证模式表达的有效性，本发明建立了一种基于数据发展状态的多维分段拟合方法。考虑到样本数据中各个变量之间耦合性不清晰的特点，本发明采用自适应算法挖掘当前样本数据的最佳分割阈值，且所有变量的分割位置均一致，从而使分割的各阶段数据发展状态更具层次性。

4.本发明对进行故障诊断的样本数据要求性低，无需进行复杂数据预处理工作。已有相关技术一般无法实现对与知识库中的样本时长不一致、变量数目不同的样本数据的故障诊断，本发明通过变量切齐、动态时间规整等方法能够解决这一问题。

5.本发明故障分析与故障识别部分运行速度在秒级以内，不仅能够实现完整故障模态的样本进行故障诊断，还能对部分故障模态进行故障定位。因此本发明完全可以移植到设备在线状态检测系统中进行应用。

附图说明

图1故障诊断模型训练阶段与运行阶段的综合流程图

图2动态时间弯曲距离效果图

图3汽泵前置泵三种故障的关键测点趋势图

图4异常样本在线故障诊断效果图

具体实施方式

下面详细说明本发明的具体实施，有必要在此指出的是，以下实施只是用于本发明的进一步说明，不能理解为对本发明保护范围的限制，该领域技术熟练人员根据上述本发明内容对本发明做出的一些非本质的改进和调整，仍然属于本发明的保护范围。

已有大多数相关技术是将故障数据的各个变量维度单独割裂开进行计算，而本发明综合考虑样本数据不同变量之间相关信息存在的问题，实现一种基于自底向上的分段拟合技术，在提取故障数据的多种整体形态特征的同时兼顾故障数据的数值特征。本发明通过这种方法能实现大规模数据的有效压缩，减少了故障诊断时间，并从根本上提高故障诊断的精度，因此本发明具备快速故障诊断能力。本发明以动态时间规整方法进行故障样本特征差距计算，可以解决不同长度的故障样本相似程度难以衡量问题。本发明的故障诊断方法不以模式距离作为最终衡量标准，而是以相似百分数进行比较，统一了故障识别的衡量标准，进而再次提高故障诊断精度。

本发明提供了一种基于多维分段拟合的设备故障诊断方法，是一种着手数据形态特征本质的全新故障诊断技术方法，它基于设备故障数据，结合了多维分段拟合算法和优化的动态时间弯曲算法实现建模的模式表达和距离阈值提取功能，并通过对发现的设备异常数据提取形态特征进行模式匹配达到设备数据故障类型识别和原因诊断的功能。该方法主要包括建立模型和运行模型两个过程。

图1(左)为本发明建立模型的流程图，整个建模过程主要包括以下步骤：

步骤1：从系统数据库中获取故障样本信息。

现获取的故障样本信息来自电厂的设备状态检测系统，大致的操作过程如下：首先，选择一 个故障类型数目P(P>＝2)且每种故障发生次数T(T>＝2)满足要求的可研究性设备，选定足量数目的观测点N(N>＝10)，对设备足够长时间的历史运行状态数据进行故障记录查找；然后利用设定的筛选规则从故障记录中摘选出故障相关测点信息、故障过程的起止时间以及故障维修措施记录等有用信息；最后依据上述信息从电厂实时数据库PI中读取故障样本数据。

举例，一测点数为n、时间点数目为m的故障样本数据，在j时刻的全部测点数据可看成一个n维的列向量，表示为：

u(t_j)＝[u_j1,u_j2,u_j3,...,u_jn]

该样本数据文件保存为m×n的矩阵形式，具体形式如下：

按照上述方法，所有故障样本的存储形式：行这个维度代表m个故障时间，列这个维度代表n个设备观测点，且每个故障样本之间的行列维度(m,n)两值可能不尽相同。同时为每个故障样本赋予其故障类型标识ID。故障类型标识ID确定方法：若全部样本中包含X种故障，则故障类型标识ID的数值范围为：1～X。

步骤2：依次对每个故障样本进行多维分段线性拟合

此步骤为本故障诊断发明的关键技术部分，主要是根据故障样本整体发展趋势进行自适应性的状态分割，为后续的故障特征提取进行数据预处理准备。

步骤2.1均值滤波操作：

为了有效进行故障样本数据的分段，首先要对掺杂在样本数据中的噪声污染进行滤波消除。为快速有效地实现噪声数据滤波，选用典型的线性滤波算法：均值滤波。

依据均值滤波原理，具体滤波操作过程为：首先抽取故障样本数据F的第一个观测点列向量数据u_-1，形式如下：

将列向量u_-1看作为数字序列，滤波模板大小

(round为四舍五入取整函数)，若L为偶数，需要再加1。确定完滤波模板大小之后，开始进行实质滤波操作：

1.将滤波模板的中心位置置于u₁₁处，将模板之内的所有数据求和除以L，所得数值为u₁₁的滤波操作的输出数值为：

2.滤波模板的中心位置继续前移，按照上述相同的操作进行滤波输出直至所有数据全部完成滤波操作，比如在u_1i位置，均值滤波的输出为：

3.最终获取的列向量数据u_-1的滤波数据也为一列向量，具体形式如下：

故障样本数据所有的测点依次按照上述3步骤完成滤波操作，这样故障样本数据F转化为F^*，形式为：

步骤2.2故障样本分段初始化

对滤波处理后的故障样本F*进行分段初始化，每2条数据分成1个数据段，由于故障样本数据长度为m，则将其分为

个最细致的数据段；若m为奇数，则最后一段由3条数据组成，最终分为

个最细致的数据段。分段的初始化效果为：

其中，

步骤2.3初始化数据段两两合并计算拟合误差

本步骤的主要目的是对上步骤初始化分段后生成了

(或者

)个数据段，每个数据段和其右相邻的数据段进行合并，同时计算产生的拟合误差。

详细合并操作如下：比如合并f_i ^*和

为：

为一个形式如4×n的矩阵，列为测点数。对每一列的数据

进行最小二乘法拟合成直线。最小二乘法的具体步骤如下：

拟合目标是将数据

使用一次多项式p(x)＝a₀+a₁x进行表示，使得拟合误差累积之和I＝(a₀+a₁x-y_i)²最小。

这显然是一个求I＝I(a₀,a₁)极值的二次规划问题。根据拉格朗日原理，得

即：

其中，m＝4n＝1

上式是a₀,a₁关于的线性方程组，用矩阵表示为

上式成为正规方程组，其系数矩阵是一个对称正定矩阵，故存在唯一解。从上式中解出a_k(k＝0,1)，从而可得多项式：

p(x)＝a₀+a₁x

由于拟合产生的平均误差称为拟合误差，拟合误差记作：

所有测点拟合完成之后，产生的拟合误差之和

(N为测点数目)。

当全部的

(或者

)个数据段两两合并完成之后，会生成三个结果，一是分割数据段集合

二是拟合误差向量

三是样本整体分割位置向量

步骤2.4确定故障样本的分段切割点

本步骤主要目的是通过递归合并的方式实现故障样本分割位置的确定。

1.本发明根据经验设置一数值MAX_ERROR作为对拟合误差进行判断的指标。若拟合误差向量

中所有数值均大于最大拟合误差阈值MAX_ERROR时，则执行操作1：确认

就是最终的样本分割位置集合；否则执行操作2：合并拟合误差向量

中最小值位置J及其右邻位置J+1的分割数据段，并更新分割数据段集合F^*、拟合误差向量

和样本整体分割位置向量

其具体更新操作为：F^*长度减1，前J-1保持不变，J之后的数值前移1位，J位置上F_J'＝[F_J；F_J+1]；根据更新后的F^*确定新的分割位置向量

长度减1，前J-1保持不变，J之后的数值前移1位，J位置上

merge是按照最小二乘法生成设计的求拟合误差函数；

2.再次对更新后的拟合误差向量数值跟最大拟合误差阈值MAX_ERROR进行大小判断，若全部大于阈值MAX_ERROR将执行操作1，否则将跳出循环操作停止；

3.循环合并最小拟合误差位置及其右邻位置的分割数据段，直至最后的拟合误差向量

全部大于MAX_ERROR数值，递归合并循环停止。

经过上述步骤之后，全部的分割数据段通过递归合并的方式完成之后，会生成三个结果，一是分割数据段集合

二是拟合误差向量

三是样本整体分割位置向量

(其中x为样本数据最终分割的数目)。至此就实现了对故障样本进行自适应性的状态分割的目标，为下步故障特征提取做好准备。

步骤3：对故障样本分割数据段进行特征提取；

本步骤实现对当前故障样本每个分割数据段提取斜率、时间比例、均值、方差等数学特征。

比如，将故障样本F^*经步骤2分割为

这x个分割数据段。从f₁ ^*数据段开始进行特征提取。

特征提取的具体操作如下：

由于f₁ ^*数据段为

矩阵形式，行为时间点数，列为测点数。

按照测点的维度(列)进行特征提取，主要特征有：斜率k、时长l、均值m、方差v四种。

以

为例，介绍如何进行相关特征提取工作：

依据最小二乘法原理对此向量进行线性拟合，拟合结果为一次方程p(x)＝a_0i+a_1ix。故而斜率特征k＝a_1i；

时长特征l为

向量长度，即l＝h；

均值特征m为

向量所有数值的平均，即

方差特征v为

向量所有数值离均值的波动幅度之和，即

这样分割数据段

就转化为特征矩阵

剩余的

按照上述的操作方法进行特征提取，将原始的时域数据矩阵转化为数学特征矩阵。

最终分割数据段集合

转化为这样的形式：

步骤4：进行故障特征转化，消除特征量纲；

1斜率k转化为倾斜角度α：由于k的取值范围为[-∞,+∞]，为了防止相似的两个故障样本由于拟合误差的存在产生斜率数值的过大差异最终导致误判，我们通过反正切函数将斜率数值转化成角度数值，以实现特征量纲的消除。斜率特征转化公式为：α_ij＝arctan(k_ij)其中i∈[1,x]；j∈[1,n；]

2时长l转化为时间比例p：在故障样本长度不同的情形下，分割时长并不能代表真实有效的分割阶段长短，也容易产生误判，故而应当除以原故障样本的整体长度，以消除时长特征的量纲。时长特征转化公式为：

其中i∈[1,x]；

3均值特征m归一化：在故障样本分割数目不同的情形下，均值大小并不能代表真实有效的分割阶段数值特点，也容易产生误判，故而应当除以原故障样本的全体数值总量，以消除均值特征的量纲。时长特征转化公式为：

其中i∈[1,x]；j∈[1,n]；

最终故障样本的特征矩阵

转化为消除量纲的

这样的矩阵形式；

步骤5：计算模式距离阈值；

本步骤的目的是求取步骤1中所获取的全部样本两两之间模式距离，并且计算出每种故障类别的距离阈值。

经过以上的四个步骤，所有的故障样本数据{F¹,F²,...,F^s}全部转化为类似式(1)特征矩阵形式集合{fm¹,fm²,...,fm^s}。接下来需要使用动态时间弯曲方法(DTW)计算同类故障样本中两两不同样本的模式距离，依据计算结果确定每类故障的模式距离阈值。

以下介绍通过动态时间弯曲(DTW)法计算模式距离的具体操作：

1假设故障类型I下有两个样本特征矩阵I_A和I_B，具体形式如下所示：

其中，a_i(i＝1,2,...,x)，b_j(j＝1,2,...,x')分别为两个样本特征矩阵I_A和I_B的行向量，代表了各自故障样本的每个分割数据段在所有测点维度上的数学特征表现。

2同故障类型下两个样本S_A和S_B的特征矩阵I_A、I_B的模式距离，结合附图2按照动态时间弯曲原理确定其最优途径，将I_A和I_B行向量进行复制和拉伸，达到满足两个样本特征矩阵列长度对齐相等的条件下I_A和I_B的模式距离计算结果最小。S_A和S_B的模式距离计算公式为：

其中，T[i:-]表示特征矩阵T的第i个行向量到最后一个行向量组成的多元序列；

MD_base(a_i,b_j)表示与的分割数据段欧式距离，其具体计算方法如下所示：

其中，eud(X,Y)表示求取两个向量X、Y的欧式距离，即

ε、λ、ρ、ω四个变量代表着倾斜角度α、时间比例p、均值比例T、方差v四个特征在计算模式距离中所占的权重值。ε、λ、ρ、ω四个变量之和为1，本发明中全部设置成0.25

依照以上介绍的DTW计算方法，可求得两个样本S_A和S_B的模式距离为

若故障类型I中有d个故障样本，按照排列组合的方式需要按上述计算方式获得

共计

个模式距离结果。而故障类型I的模式距离阈值Th₁应该为向量

的最大值

依据上述方式可计算得所有故障类型的模式距离阈值，组成模式距离阈值向量：

Thsets＝[Th₁,Th₂,...,Th_x]

步骤6：整合有用信息生成故障模式知识库；

故障知识库中有用信息应当包含以下几部分：

1所有故障样本提取出的特征矩阵集合FM＝{fm¹,fm²,...,fm^s}(s为故障样本的数目)；

2各个故障类型相关的测点名称集合PT＝{pt₁,pt₂,...,pt_x}(x为故障类型的种类数目)；

3各个故障类型相对应的模式距离阈值向量Thsets＝[Th₁,Th₂,...,Th_x](x为故障类型的种类数目)。

为了将两部分信息(故障特征矩阵和模式距离阈值)彼此关联起来，本发明按照以下方式将故障信息存储生成故障知识库：

图1(右)为本发明模型运行的流程图，整个运行过程主要包括以下6个步骤：

步骤1：从实时数据库中获取异常样本信息；

依据电厂的设备状态预警系统发现该设备出现某种未知的异常状态，进行如下的相关操作：1从预警系统中确定该设备警报产生时间t₁和截止时间t₂；

2从预警系统中确定该设备警报的相关观测点wp＝[x₁,x₂,...,x_n']；

根据产生时间t₁和截止时间t₂，以及数据库采样频率fs，可得时间点数m＝fs×(t₂-t₁)，设备测点数目n＝length([x₁,x₂,...,x_n'])(length计算长度函数)。

这样，获取的异常样本数据是一测点数为n'、时间点数目为m的样本数据，在j时刻的全部测点数据可看成一个n'维的列向量，表示为：

v(t_j)＝[v_j1,v_j2,v_j3,...,v_jn']

该样本数据文件保存为m×n'的矩阵形式，具体形式如下：

按照上述方法，，获取的异常样本存储形式：行这个维度代表m个故障时间，列这个维度代表n'个设备观测点。

步骤2：对当前的异常样本进行分段线性拟合；

主要是根据异常样本整体发展趋势进行自适应性的状态分割，为后续的故障特征提取进行数据预处理准备。本步骤按照模型训练阶段的分段线性拟合此方法进行操作：

2.1均值滤波操作

设置异常样本

的样本长度0.1倍作为滤波模板长度，依据均值滤波原理对掺杂在异常样本中每个测点的噪声污染进行滤波消除。具体操作可见模型训练阶段步骤2.1。

异常样本数据所有测点依次按照相应步骤完成滤波操作，这样异常样本数据

转化为

形式为：

2.2异常样本分段初始化

对滤波处理后的异常样本

进行分段初始化，每2条数据分成1个数据段，由于异常样本数据长度为m，则将其分为

个最细致的数据段；若m为奇数，则最后一段由3条数据组成，最终分为

个最细致的数据段。分段的初始化效果为：

其中，

2.3初始化数据段两两合并计算拟合误差

对步骤2.2异常样本分段初始化后生成的

(或者

)个数据段，令每个数据段和其右相邻的数据段按照最小二乘法原理进行拟合以实现合并，并计算所有测点产生的拟合误差和。

当全部的

(或者

)个数据段两两合并完成之后，有三个结果生成，1分割数据段集合

2拟合误差向量

3样本整体分割位置向量

2.4递归合并确定异常样本分段切割点

本步骤具体操作参考模型构建阶段，以上分割的

个数据段通过递归合并的方式不断将产生最小拟合误差的相邻两数据段进行合并，会产生更新后的3个结果，1是分割数据段集合

二是拟合误差向量

三是样本整体分割位置向量

(其中x为样本数据最终分割的数目)。至此就实现了对异常样本进行自适应性的状态分割的目标，

为下步异常特征提取的操作对象。

步骤3：对分段拟合后的数据进行异常特征提取与转化；

本步骤实现对当前异常样本分割后的每个数据段提取斜率、时间跨度、均值、方差4个数学特征。

比如，将异常样本

经步骤2分割为

这x个分割数据段。特征提取的具体操作可以参考模型构建阶段的步骤3。

每个分割数据段

均按照测点的维度进行提取相应斜率k、时间跨度l、均值m、方差v等特征，提取完成之后的结果是：

当异常样本的所有分割数据段均按照上述方式进行特征提取，长度为x的分割数据段向量

可以转化为如下特征矩阵形式：

为了防止在计算模式距离的时候，异常样本跟相似的故障样本由于以下几个原因的存在会导致最终的误判：

1拟合误差的存在导致斜率数值的过大差异，解决方式为通过反正切函数将斜率数值k转化成角度数值α，以实现特征量纲的消除；

2在故障样本长度不同的情形下，分割时长l并不能代表真实有效的分割阶段所占比例，容易产生误判，应当除以原故障样本的整体长度m，以消除时长特征的量纲；

3在故障样本分割数目不同的情形下，均值大小并不能代表真实有效的分割阶段数值特点，也容易产生误判，故而应当除以原故障样本的全体数值总量，以消除均值特征的量纲。

消除量纲的具体操作方法可见模型构建阶段的步骤4的特征转化公式。这样经过转化，特征转换为如下无量纲形式：

异常样本

转化为上述特征矩阵

后，就可进行故障知识库样本模式距离计算步骤。

步骤4：用异常特征信息对故障模式知识库中的样本特征依次计算模式距离；

首先，提取故障知识库中的存储信息faultMessageSets,具体方式如下所示:

然后，将异常样本的特征矩阵FT和测点信息向量wp与第一类故障信息V₁＝{fm¹¹,fm¹²,...,fm^1,c1,pt₁,Th₁}进行故障识别工作。具体操作如下所示：

一对比测点信息向量wp和故障类型故障测点信息向量pt₁重复率f，计算公式如下：

二异常样本特征矩阵FT依次和故障类型1下每个特征矩阵按照如下方法进行模式距离数值dist_1i计算：

由于异常样本可能是一个某类完整故障样本，也可能为某类发展过程中的部分故障样本。为准确计算出dist_1i数值，本步骤应用伸缩窗口滑动搜索技术进行故障部位的精准定位，即实现了对异常样本的模式识别功能，又捕捉出异常样本的发展阶段信息。

2.1首先，确定伸缩窗口WT所有可能取的数值。本发明中设定以下内容：

1故障知识库中的故障样本全部是完整过程的样本；

2伸缩窗口的伸缩比例为ξ＝20％；

于是WT的取值范围可定为round(length(FT)*80％)～round(length(FT)*120％)，设定WT＝[n₁,n₂,...,n_x]；

其中，round为四舍五入取整函数；length为计算样本分割段数的函数，即特征矩阵的行数。

2.2然后从伸缩窗口为n₁开始，在故障类型1的每个样本特征矩阵fm¹ⁱ上进行滑动计算模式距离。

若fm¹ⁱ的长度为m，则伸缩窗口的滑动次数为，在故障样本进行模式识别的范围为：

[1,n₁]～[m-n₁+1,m]。

异常样本从故障样本的[1,n₁]位置开始计算模式距离，每次滑动步长L定为1，下面是计算FT与fm¹ⁱ[1:n₁]的模式距离公式：

dist₁₁＝κ*MD_DTW(FT,fm¹ⁱ[1:n₁]

其中，若重复率η等于0，则κ＝2；若重复率η不等于0，则

MD_DTW(FT,fm¹ⁱ[1,n₁])为求FT和fm¹ⁱ[1,n₁]的DTW距离函数。

剩余[2,n₂]～[m-n₁+1,m]的范围均按照上述2.1-2.2步骤来进行计算，最后可得一个模式距离向量

在窗口大小为n₁的情况下，局部最佳模式距离为dist₁₁＝min(distVector₁)，局部最佳匹配位置为:

L₁₁＝[n_min-n₁+1,n_min]。

2.3最后其他伸缩窗口x-1个取值情况n²～n_x，计算出每种窗口取值情况下的局部最佳模式距离dist_1i和局部最佳匹配位置L_1i＝[n_x-n_i+1,n_x]。

2.4全部窗口取值匹配完毕之后，会生成以下两个重要结果：

1局部模式距离向量

2局部最佳位置向量

从局部模式距离向量中挑选出模式距离最小值

以及相应的最佳匹配位置

作为异常样本、故障样本的特征矩阵FT与fm¹ⁱ的模式识别最终结果。

三异常样本特征矩阵FT和其余故障样本所有特征矩阵一一匹配后，生成了模式距离向量

以及位置向量

剩余的x-1类故障V_i均按照上述方式和异常样本FT以及wp进行模式距离向量的求解，最终 可得模式距离集合

以及位置向量集合

步骤5：使用降岭分布法将模式距离转化成模式相似度；

上步骤求得的模式距离是应用DTW算法求得的距离本质上为欧几里得距离，而欧几里得距离是与样本时间长度相关的，时间长度越大，欧几里得距离也会相应地增大，导致我们无法直观地对两个样本的相似性进行判断，因此本步骤采用降岭分布法将上步骤求得的模式距离转化为模式相似度后才能获取最终的故障诊断结果。

步骤4所求得的模式距离集合组成成分为abc模式距离

模式距离根据降岭分步法的原理按照以下公式转化成相似度

其中，

代表着异常样本与故障类型i下的第j个故障样本进行模式识别计算的模式距离，而Th_i代表着故障类型i下的模式距离阈值。

这样按照故障类型的维度，将每个距离向量

转化为相似度向量

最终可得异常样本FT与故障知识库全部样本的相似度集合，如下所示：

步骤6：输出最终故障诊断结果。

本发明依据步骤5得出的相似度集合结果ρSets，根据约定的规则输出最有效、可靠的故障诊断结果：

规则1：若有与异常样本相似度超过90％的故障样本且出现多个，则将全部样本的序号输出，同时输出故障样本所属的故障类型typeVector、所属故障类型的置信度confidenceLevel、故障发展阶段为最大相似度样本的最佳匹配位置Location、如果置信度confidenceLevel超过50％，则输出建议采取的维修措施repairAction；

规则2：若没有与异常样本相似度超过90％的故障样本且最大相似度数值大于等于60％，则将最大相似度样本的序号输出，同时输出该故障样本所属的故障类型typeVector、所属故障类型的置信度confidenceLevel、故障发展阶段为最大相似度样本的最佳匹配位置Location；如果置信度confidenceLevel超过50％，建议采取的维修措施repairAction；

规则3：若没有与异常样本相似度超过90％的故障样本且最大相似度数值小于60％，则将输出该异常样本为不常见工况或者未知故障类型，建议继续关注此异常的发展；

其中，typeVector数值为满足上述规则的

中的i值；某故障类型的confidenceLevel数值等于满足上述规则的该故障类型个数除以该故障类型的故障样本总数；维修措施repairAction根据故障类型可通过查询该设备的运行规程获得。

以北方某火力发电厂#2机组的汽泵前置泵为状态监测对象，汽泵前置泵是汽动给水泵的重要组成部分，它功能重要，维系锅炉设备的性能安全。由于此设备属于外露设施，观测部位较多且易发各种故障，此特点适合本发明设计的设备故障诊断方法。通过本实施例的详细阐述，进一步说明本发明的实施过程。

本发明实施例对某电厂汽泵前置泵设备故障诊断的实施步骤如下：

一、汽泵前置泵设备的故障诊断知识库构建过程

步骤1：从电厂PI数据库中获取汽泵前置泵故障样本信息；

选取与汽泵前置泵运行相关的关键参数21个，包括实发功率(MW)、电机传动端径向瓦温(℃)、推力瓦温(℃)、电机电流(A)等，因此该设备的每条观测数据为21维行向量：

u(t_j)＝[u_j1,u_j2,u_j3,...,u_j21]

从2013年10月份至2015年10月份这段历史运行状态数据进行该设备的故障记录查找，筛选规则定为故障种类P大于等于2且故障发生次数T大于等于2，然后根据筛选规则从该设备故障记录提取如下信息：此段时期一共出现3种故障(电机传动端径向瓦温突升、推力瓦温突降、电机电流突变)，发生故障次数为86次(电机传动端径向瓦温突升25次、推力瓦温突降28次、电机电流突变33次)，故障相关测点不同(电机传动端径向瓦温突升相关测点为测点6～测点14、推力瓦温突降相关测点为测点15～测点17、电机电流突变相关测点为测点1～测点6及测点18～测 点21)，故障持续时间范围为2小时～14小时。；最后依据上述信息从电厂实时数据库PI中读取全部的故障样本数据。

最终获取的故障样本包括故障类型编号信息(电机传动端径向瓦温突升编号为1、推力瓦温突降编号为2、电机电流突变编号为3)、故障样本数据、故障类型相关测点信息三部分内容，其中每类故障样本的排序按照故障发生时间的先后进行排序：

其中，ⁱF_j的具体形式为矩阵形式，行m代表样本长度，列代表测点。如下所示：

步骤2：对Fault Sets中的每个故障样本进行分段线性拟合；

从样本¹F₁开始一直到样本³F₃₃，每个故障样本采用分段线性拟合技术，实现依据故障样本整体发展趋势进行自适应性的状态分割，为后续的故障特征提取进行数据预处理准备。

首先，进行均值滤波操作。依次抽取ⁱF_j的每个测点列向量u_-i，按照具体实施例中均值滤波原理操作步骤对掺杂在样本数据中的噪声污染进行滤波消除，得滤波数据ⁱF_j ^*。

滤波操作处理之后，由经验设定最大拟合误差阈值MAX_ERROR为0.2。以递归合并的方式实现自底向上的状态分割。可得到以下三个结果：1分割数据段集合

2拟合误差向量

3样本整体分割位置向量

最终将汽泵前置泵的每个样本ⁱF_j全部处理成

步骤3：对分割后的每个故障样本每段数据进行特征提取；

由于样本数据时长均在小时级别，为便于本发明故障诊断快速有效运行，将对故障样本的每 段数据提取斜率k、时长l、均值m、方差v等数学特征进行数据压缩及特征空间的转化。

特征提取之后ⁱF_j的每段数据f_i ^*均转化为四维元素(k,l,m,v)。具体的特征提取公式可见具体实施例的建模阶段步骤3。这样每个故障样本便实现了样本由时域空间转到特征空间的过程：

步骤4：进行故障特征转化，消除特征量纲；

为了防止在计算模式距离的时候，出现不同故障样本由于量纲原因导致误判，需要将斜率、时长、均值这三个特征转化为倾斜角、时间比例、均值比例。消除量纲的具体操作方法可见建模阶段步骤4特征转化公式。经过转化，特征转换为如下无量纲形式：

至此，全部的样本便实现了时域空间向特征空间的转化，故障样本集合FaultSets的转化为故障样本特征集合：

步骤5：计算每个故障类型下的模式距离阈值；

经过以上4步骤，所有的故障样本数据全部转化为特征矩阵形式集合形式。本步骤需要使用动态时间弯曲方法(DTW)计算同类故障样本中两两不同样本的模式距离，依据计算结果确定每类故障的模式距离阈值。

比如，在故障样本中的第1类故障中有25个样本特征矩阵，两两特征矩阵计算DTW距离，得到一个向量DtwVector₁＝[Md₁,Md₂,...,Md₂₅]。故障类型1的模式距离阈值Th₁＝min(DtwVector₁)。按照相同的方式可得故障类型2、3的模式距离阈值Th₂、Th₃。

步骤6：生成汽泵气质泵故障模式知识库；

汇总上述步骤所得的信息，汽泵前置泵故障知识库中应当包含以下3部分信息：

1.所有故障样本提取出的特征矩阵集合FaultFeatureSets。

2.三类故障的相关测点名称集合PT＝{pt₁,pt₂,pt₃}；

3.三类故障对应的模式距离阈值Thsets＝[Th₁,Th₂,...,Th_x]。

整合以上3部分信息生成完整的汽泵前置泵故障知识库，形式如下：

二、汽泵前置泵设备的故障在线诊断过程

在2014年12月15日03时该电厂的厂级监测系统发现汽泵前置泵设备某测点出现未知异常。为了更好帮助专业人员进行检查和维修，电厂人员依据已知异常的起止时间以及相关报警测点信息pt从实时数据库中调取异常样本数据

并运用本发明的故障诊断方法进行提前预判。

异常样本数据

经过分段线性拟合、异常特征提取及特征量纲消除等数据处理操作后，计算得与异常样本数据

相应的特征矩阵

矩阵。以上具体操作均可参见具体实施例模型运行阶段的对应步骤。

异常样本信息

以及pt将对故障模式知识库中的样本信息一一进行匹配，并将模式距离转化为对应的故障相似度。

异常样本与知识库中全部故障样本匹配，本发明使用滑动伸缩时间窗法计算出DTW距离作为最终的模式距离。可得距离集合形式如下：

运行降岭分布法将距离映射到[0,1]数值之间，按统一标准将模式距离转化相似度。具体实施例模型运行阶段的降岭分布法运用在这里。可得相似度集合形式如下：

根据约定的故障诊断规则输出故障诊断的判定结果：此次异常预判定为电机传动端径向瓦温突升故障，判定理由为：在汽泵前置泵中与异常样本相似度超过90％的故障样本有15个(

等)，诊断为故障类型1的置信度为60％超过置信度阈值，相似度最大故障样本为分割段数为7的

最佳匹配位置为1～4段，实际故障诊断效果图为附图4。两个样本整体趋势从开始到中间位置均匹配一致，故将故障发展阶段确定为故障发展中期，查询运行规程建议采取维修措施为冷水冲击电机传动端强制降温方法

事实表明，等专业人员及时赶到后的诊断结果确实为电机传动端径向瓦温突升故障，采用冷水降温法强制汽泵前置泵降温到合理温度区间后，汽泵前置泵设备运转恢复正常。

尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节上进行各种修改、添加和替换等的改变，而所有这些改变都应属于本发明所附权利要求的保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的形式组合在一起。因此，对本发明中所公开的实施方式的描述并非为了限制本发明的范围，而是用于描述本发明。相应地，本发明的范围不受以上实施方式的限制，而是由权利要求或其等同物进行限定。

Claims (1)

1.一种基于多维分段拟合的设备故障诊断方法，其特征在于，依次包括如下步骤：步骤1：故障诊断训练步骤，具体为：

(1.1)从数据库中获取故障样本信息；

(1.2)依次对每个故障样本进行分段线性拟合；

(1.3)对故障样本的每段数据进行特征提取，得到故障样本的特征矩阵；

(1.4)进行故障特征转化，消除特征量纲，得到消除量纲的故障样本的特征矩阵；

(1.5)计算模式距离阈值；

(1.6)将故障特征矩阵和模式距离阈值彼此关联起来，存储生成故障模式知识库；

步骤2：故障诊断运行步骤，具体为：

(2.1)从实时数据库中获取异常样本信息；

(2.2)对当前的异常样本进行分段线性拟合；

(2.3)对分段拟合后的数据进行异常特征提取与转化；

(2.4)用异常特征信息对故障模式知识库中的样本特征依次计算模式距离；

(2.5)使用降岭分步法将模式距离转化成模式相似度；

(2.6)输出最终故障诊断结果；

其中，所述步骤(1.1)具体步骤为：选择一个故障类型数目P≥2且每种故障发生次数T≥2满足要求的可研究性设备，选定观测点的数目为N，其中N≥10，对设备一定时间的历史运行状态数据进行故障记录查找，利用设定的筛选规则从故障记录中摘选出故障相关测点信息、故障过程的起止时间以及故障维修措施记录的有用信息，依据有用信息从电厂实时数据库PI中读取故障样本数据,其中：

测点数为n、时间点数目为m的故障样本数据，在j时刻的全部测点数据看成一个n维的列向量，表示为：

u(t_j)＝[u_j1,u_j2,u_j3,...,u_jn]

该样本数据文件保存为m×n的矩阵形式，具体形式如下：

其中行代表m个故障时间，列代表n个设备观测点，且每个故障样本之间的行列m、n两值不尽相同，同时为每个故障样本赋予其故障类型标识ID，故障类型标识ID确定方法为若全部样本中包含X种故障，则故障类型标识ID的数值范围为：1-X；

其中，所述步骤(1.2)具体步骤为：

(1.2.1)均值滤波操作：对掺杂在样本数据中的噪声污染进行滤波消除；

(1.2.2)故障样本分段初始化:对滤波处理后的故障样本进行分段初始化；

(1.2.3)将初始化数据段两两合并计算拟合误差；

(1.2.4)确定故障样本的分段切割点，对故障样本进行自适应性的状态分割；

其中，所述步骤(1.3)具体步骤为：

将故障样本经步骤(1.2)分割为

这x个分割数据段，从f₁ ^*数据段开始进行特征提取，具体操作如下：

由于f₁ ^*数据段为

矩阵形式，行为时间点数，列为测点数；

按照测点的维度进行特征提取，特征有：斜率k、时长l、均值m、方差v四种；

其中，

依据最小二乘法原理对此向量进行线性拟合，拟合结果为一次方程p(x)＝a_0i+a_1ix，故而斜率特征k＝a_1i，其中a_0i、a_1i为拟合常数；

时长特征l为

向量长度h，即l＝h；

均值特征m为

向量所有数值的平均，即

方差特征v为

向量所有数值离均值的波动幅度之和，即

N为向量总数；

分割数据段

就转化为特征矩阵

剩余的

按照上述的操作方法进行特征提取，将原始的时域数据矩阵转化为数学特征矩阵，最终分割数据段集合

转化为：

其中，所述步骤(2.1)具体步骤为：

依据电厂的设备状态预警系统发现设备出现某种未知的异常状态，进行如下的相关操作：

(2.1.1)从预警系统中确定设备警报产生时间t₁和截止时间t₂；

(2.1.2)从预警系统中确定设备警报的相关观测点wp＝[x₁,x₂,...,x_n']；

(2.1.3)根据产生时间t₁和截止时间t₂，以及数据库采样频率fs，得到时间点数m＝fs×(t₂-t₁)，设备测点数目n＝length([x₁,x₂,...,x_n'])，其中length(·)为计算长度函数；

(2.1.4)获取异常样本数据为测点数为n'、时间点数目为m的样本数据，在j时刻的全部测点数据看成一个n'维的列向量，表示为：

v(t_j)＝[v_j1,v_j2,v_j3,...,v_jn']

将样本数据文件存储为m×n'的矩阵形式，具体形式如下：

其中行代表m个故障时间，列代表n'个设备观测点；

其中，所述步骤(2.2)具体步骤为：

(2.2.1)均值滤波操作：依据均值滤波原理对掺杂在异常样本数据中每个测点的噪声污染进行滤波消除；

(2.2.2)异常样本分段初始化:对滤波处理后的异常样本进行分段初始化；

(2.2.3)将初始化数据段两两合并计算拟合误差；

(2.2.4)基于递归合并的方式确定异常样本分段切割点。

Images