CN107067023A - 一种故障诊断方法和装置 - Google Patents
一种故障诊断方法和装置 Download PDFInfo
- Publication number
- CN107067023A CN107067023A CN201710017368.2A CN201710017368A CN107067023A CN 107067023 A CN107067023 A CN 107067023A CN 201710017368 A CN201710017368 A CN 201710017368A CN 107067023 A CN107067023 A CN 107067023A
- Authority
- CN
- China
- Prior art keywords
- matrix
- training sample
- feature
- mrow
- failure
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开一种故障诊断方法和装置。本发明将特征选择与支持向量机相结合，利用特征之间的差异性，选出与该故障相关的特征，差异越大，代表该特征与正常情况下有了很大的偏离，说明该特征可能是造成故障的一个重要原因，从而减少无用特征对分类结果的影响，本发明可较为容易选择出与故障相关的重要特征，提高了故障诊断的精度。
Description
技术领域
本申请涉及工业系统领域，更具体地说，涉及一种故障诊断方法和装置。
背景技术
工业系统中产生的故障不仅会影响产品质量，造成经济损失，而且有可能会危害人身安全，因此故障诊断已经成为自动化领域的一个研究分支。鉴于工业系统自动化和传感器的快速发展，大量的过程数据可以通过控制系统产生，基于数据驱动的过程监控方法已经被广泛应用。该类方法就是利用收集到的过程数据，运用多元统计和机器学习的方法完成故障检测和故障诊断。
故障诊断其实可以被看作是一个分类问题，支持向量机(Support VectorMachine，SVM)是一种推广能力较好的分类器，已被广泛应用到故障诊断中。一般状态下，可能是几个关键性的特征在引导着正常与故障状况的差别，识别出这些导致区别的关键特征，就可以直接或间接找到导致故障的原因。当前主要采用线性SVM特征选择方法可以和SVM结合进行故障诊断，但是该方法是线性的，而工业过程本身是非线性的，因而该方法不容易找到那些最重要的特征，给构造模型和提高分类精度造成了困难，降低了故障诊断的精度。
发明内容
有鉴于此，本申请提供一种故障诊断方法和装置，利用故障特征与正常特征之间的差异性进行特征排序，挑选出与故障最相关的特征，并利用挑选出的故障特征训练SVM，以提高故障诊断的精度。
为了实现上述目的，现提出的方案如下：
一种故障诊断方法，包括：
获取正常训练样本和故障训练样本，所述正常训练样本和所述故障训练样本均包含多个特征；
对所述正常训练样本和所述故障训练样本进行数据标准化处理；
对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵；
计算所述第一特征矩阵和所述第二特征矩阵的相异性；
基于所述相异性对所述多个特征进行排序；
利用支持向量机对排序后的所述多个特征进行十折交叉验证，以确定最优特征集；
利用所述最优特征集对测试样本进行故障检测。
优选的，所述对所述正常训练样本和所述故障训练样本进行数据标准化处理，包括：
基于预设数据标准化公式对所述正常训练样本和所述故障训练样本进行数据处理；
其中，所述数据标准化公式为：
其中，为训练样本第j个特征值，为训练样本第j个特征值均值，σ[j]为训练样本第j个特征的标准差，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
优选的，所述对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵，包括：
以单位矩阵为基础对于每一个特征进行重构，得到特征矩阵
所述特征矩阵为：
其中，为训练样本第j个特征值，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
优选的，所述计算所述第一特征矩阵和所述第二特征矩阵的相异性，包括：
计算所述第一特征矩阵的第一协方差矩阵和所述第二特征矩阵的第二协方差矩阵；
计算所述第一协方差矩阵和所述第二协方差矩阵的联合协方差矩阵；
对所述联合协方差矩阵进行特征分解，得到投影矩阵；
利用所述投影矩阵对所述第一特征矩阵进行投影，得到所述第一特征矩阵的投影矩阵；
计算所述第一特征矩阵的投影矩阵的协方差矩阵，并对所述第一特征矩阵的投影矩阵的协方差矩阵进行特征分解，得到特征值
计算所述第一特征矩阵和所述第二特征矩阵的相异性
其中，
优选的，所述利用所述最优特征集对测试样本进行故障检测，包括：
对测试样本进行数据标准化处理；
根据最优特征集选取测试样本的特征形成输入数据，再用支持向量机分类确定测试样本是否有故障。
一种故障诊断装置，包括：
数据采集单元，用于获取正常训练样本和故障训练样本，所述正常训练样本和所述故障训练样本均包含多个特征；
数据预处理单元，用于对所述正常训练样本和所述故障训练样本进行数据标准化处理；
特征矩阵构建单元，用于对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵；
相异性计算单元，用于计算所述第一特征矩阵和所述第二特征矩阵的相异性；
特征排序单元，用于基于所述相异性对所述多个特征进行排序；
最优特征集选取单元，用于利用支持向量机对排序后的所述多个特征进行十折交叉验证，以确定最优特征集；
故障检测单元，用于利用所述最优特征集对测试样本进行故障检测。
优选的，包括：所述数据预处理单元具体用于基于预设数据标准化公式对所述正常训练样本和所述故障训练样本进行数据处理；
其中，所述数据标准化公式为：
其中，为训练样本第j个特征值，为训练样本第j个特征值均值，σ[j]为训练样本第j个特征的标准差，i＝1为正常训练样本i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
优选的，所述特征矩阵构建单元具体用于以单位矩阵为基础对于每一个特征进行重构，得到特征矩阵
所述特征矩阵为：
其中，为训练样本第j个特征值，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
优选的，所述相异性计算单元包括：
第一计算模块，用于计算所述第一特征矩阵的第一协方差矩阵和所述第二特征矩阵的第二协方差矩阵；
第二计算模块，用于计算所述第一协方差矩阵和所述第二协方差矩阵的联合协方差矩阵；
矩阵分解模块，用于对所述联合协方差矩阵进行特征分解，得到投影矩阵；
投影处理模块，用于利用所述投影矩阵对所述第一特征矩阵进行投影，得到所述第一特征矩阵的投影矩阵；
第四计算模块，用于计算所述第一特征矩阵的投影矩阵的协方差矩阵，并对所述第一特征矩阵的投影矩阵的协方差矩阵进行特征分解，得到特征值
第五计算单元，用于计算所述第一特征矩阵和所述第二特征矩阵的相异性
其中，
优选的，所述故障检测单元具体用于对测试样本进行数据标准化处理，根据最优特征集选取测试样本的特征形成输入数据，再用支持向量机分类确定测试样本是否有故障。
经由上述技术方案可知，本申请公开一种故障诊断方法和装置。该方法先对正常训练样本和故障训练样本进行数据标准化处理。进而，对于训练样本的任一特征构建特征矩阵，以计算正常训练样本的特征矩阵和故障训练样本的特征矩阵的相异性。进一步，基于相异性对多个特征进行排序，并利用支持向量机对排序后的多个特征进行十折交叉验证，从而确定最优特征集，以利用最优特征集对测试样本进行故障检测。本发明将特征选择与支持向量机相结合，利用特征之间的差异性，选出与该故障相关的特征，差异越大，代表该特征与正常情况下有了很大的偏离，说明该特征可能是造成故障的一个重要原因，从而减少无用特征对分类结果的影响，本发明可较为容易选择出与故障相关的重要特征，提高了故障诊断的精度。
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，还可以根据提供的附图获得其他的附图。
图1示出了本发明一个实施例公开的一种故障检测方法的流程示意图；
图2示出了本发明另一个实施例公开的一种特征相似性的计算方法的流程示意图；
图3示出了一种基于SVM的故障检测结果；
图4示出了一种基于Linear-SVM-RFE的故障检测结果；
图5示出了一种基于中DISS-FS-SVM(本发明)的故障检测结果；
图6示出了本发明另一个实施例公开的一种故障检测装置的结构示意图；
图7示出了本发明另一个实施例公开的一种相异性计算单元的结构示意图。
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。
参见图1示出了本发明一个实施例公开的一种故障检测方法的流程示意图。
由图1可知，本发明包括：
S101：获取正常训练样本和故障训练样本。
采集工业过程中的正常训练样本和故障训练样本
其中，N1和N2分别表示正常训练样本和故障训练样本的样本数，m表示每个样本的特征数。
S102：对所述正常训练样本和所述故障训练样本进行数据标准化处理。
数据标准化的方法有很多种，常用的有“最大-最小标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各个指标值都处于同一数量级别上。
在本实施例中，采用“Z-score标准化”方法，即新数据＝(原数据-均值)/标准差。
具体在本实施例中，该公式为：
其中，为训练样本第j个特征值，为训练样本第j个特征值均值，σ[j]为训练样本第j个特征的标准差，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
S103：对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵。
以单位矩阵为基础对于每一个特征进行重构，得到该特征对应的特征矩阵
所述特征矩阵为：
其中，为训练样本第j个特征值，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
S104：计算所述第一特征矩阵和所述第二特征矩阵的相异性。
S105：基于所述相异性对所述多个特征进行排序。
按照相异性从大到小的顺序对上述多个特征进行排序，相异性越大表示该特征与正常情况下有了很大的偏离，该特征可能是造成故障的一个重要原因。
S106：利用支持向量机对排序后的所述多个特征进行十折交叉验证，以确定最优特征集。
采用支持向量机对排序后的多个特征进行十折交叉验证，取分类效果做好的特征集作为最优特征集。十折交叉验证方法为本领域人员常用的方法，在此不作详细的解释。
S107：利用所述最优特征集对测试样本进行故障检测。
获取工业过程中的测试样本，并利用步骤S102中的数据标准化处理方法对测试样本进行标准化处理。根据上述得到的最优特征集选取测试样本的特征形成输入数据，再利用支持向量机分类，输出结果，以判断测试样本是否有故障，是否属于此类故障。
本发明将特征选择与支持向量机相结合，利用特征之间的差异性，选出与该故障相关的特征，差异越大，代表该特征与正常情况下有了很大的偏离，说明该特征可能是造成故障的一个重要原因，从而减少无用特征对分类结果的影响，本发明可较为容易选择出与故障相关的重要特征，提高了故障诊断的精度。
参见图2示出了本发明另一个实施例公开的一种特征相似性的计算方法的流程示意图。
由图2可知，在本发明中特征相似性的计算方法包括：
S201：计算第一特征矩阵的第一协方差矩阵和第二特征矩阵的第二协方差矩阵。
其中，协方差矩阵计算公式为：
S202：计算所述第一协方差矩阵和所述第二协方差矩阵的联合协方差矩阵。
两个特征矩阵的联合协方差矩阵R[j]：
S203:对所述联合协方差矩阵进行特征分解，得到投影矩阵。
对R[j]进行特征分解后得到特征向量和特征值，特征向量为一个正交化矩 阵P0，特征值则为对角化矩阵Λ，满足R[j]P0＝P0Λ，从而得到投影矩阵P＝P0Λ-1/2。
S204：利用所述投影矩阵对所述第一特征矩阵进行投影，得到所述第一特征矩阵的投影矩阵。
投影后的矩阵可表示
S205：计算所述第一特征矩阵的投影矩阵的协方差矩阵，并对所述第一特征矩阵的投影矩阵的协方差矩阵进行特征分解，得到特征值
求得投影后矩阵的协方差矩阵对之进行特征分解特征值k＝1,2,...,m。
S206：计算所述第一特征矩阵和所述第二特征矩阵的相异性
两个特征矩阵之间的相异性为
这里，越小，表示两个特征是越相似；越大则表明两个特征之间的差异也就越大，这个特征发生异常的可能性越大。
需要说明的是，为了进一步验证本发明对故障检测的精度更高，本发明在田纳西伊斯曼过程(Tennessee-Eastman Process，TEP)数据集上进行了测试。TEP数据集中包含正常数据集和21种不同故障的数据集。
实验表明本发明提出的基于特征相异性的特征选择方法和支持向量机结合(即DISS-FS-SVM)可以改善传统的支持向量机(SVM)的故障诊断结果，同时对于非线性过程数据，基于特征相异性的特征选择方法的表现要远远优于线性SVM特征选择方法(即Linear-SVM-RFE)。不同故障的故障诊断结果如表1所示，故障11，16和21的检测率在特征选择之后都有了很大的提升。
表1不同故障用SVM、Linear-SVM-RFE和DISS-FS-SVM的故障检测率
以故障21为例作具体分析，基于特征相异的特征选择方法选出的最优特征集中只包含特征45，故障21产生的原因是流4的阀门固定在稳态的位置，而特征45记录的是流4的总进料量的数据，两者都与流4有关，说明特征45的数据发生异常时会导致故障21的产生。SVM、Linear-SVM-RFE和DISS-FS-SVM的过程监控结果如图3—5所示，图3示出了一种基于SVM的故障检测结果。图4示出了一种基于Linear-SVM-RFE的故障检测结果，图5示出了一种基于中DISS-FS-SVM(本发明)的故障检测结果。
本发明能把故障21测试集中后800个故障数据都检测出来，而SVM检测和Linear-SVM-RFE中的大多数故障数据都未能识别，说明基于相异的特征选择方法能选出产生故障的关键特征，可以极大地改善过程监控。
参见图6示出了本发明另一个实施例公开的一种故障检测装置的结构示意图。
由图6可知，该装置包括：数据采集单元1、数据预处理单元2、特征矩阵构建单元3、相异性计算单元4、特征排序单元5、最优特征集选取单元6和故障检测单元7。
其中，数据采集单元1，用于获取正常训练样本和故障训练样本
其中，N1和N2分别表示正常训练样本和故障训练样本的样本数，m表示每个样本的特征数。
数据预处理单元2，对正常训练样本和故障训练样本进行数据标准化处理。
该数据标准化处理公式为：
其中，为训练样本第j个特征值，为训练样本第j个特征值均值，σ[j]为训练样本第j个特征的标准差，i＝1为正常训练样本，i＝2为故障训练样本。
特征矩阵构建单元3，用于对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵。
所述特征矩阵为：
相异性计算单元4用于计算所述第一特征矩阵和所述第二特征矩阵的相异性。
特征排序单元5基于上述计算得到相异性对所述多个特征进行排序。
进而，最优特征集选取单元6利用支持向量机对排序后的所述多个特征进行十折交叉验证，以确定最优特征集。
故障检测单元7，用于利用所述最优特征集对测试样本进行故障检测。
参见图7示出了本发明另一个实施例公开的一种相异性计算单元的结构示意图。
由图6可知，该相异性计算单元包括：
第一计算模块41用于计算所述第一特征矩阵的第一协方差矩阵和所述第二特征矩阵的第二协方差矩阵。
第二计算模块42用于计算所述第一协方差矩阵和所述第二协方差矩阵的联合协方差矩阵。
矩阵分解模块43用于对所述联合协方差矩阵进行特征分解，得到投影矩阵。
投影处理模块44，用于利用所述投影矩阵对所述第一特征矩阵进行投影，得到所述第一特征矩阵的投影矩阵。
第四计算模块45用于计算所述第一特征矩阵的投影矩阵的协方差矩阵，并对所述第一特征矩阵的投影矩阵的协方差矩阵进行特征分解，得到特征值
第五计算单元46用于计算所述第一特征矩阵和所述第二特征矩阵的相异性
其中，
需要说明的是该系统实施例与方法实施例相对应，其执行过程和执行原理相同，在此不作赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种故障诊断方法，其特征在于，包括：
获取正常训练样本和故障训练样本，所述正常训练样本和所述故障训练样本均包含多个特征；
对所述正常训练样本和所述故障训练样本进行数据标准化处理；
对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵；
计算所述第一特征矩阵和所述第二特征矩阵的相异性；
基于所述相异性对所述多个特征进行排序；
利用支持向量机对排序后的所述多个特征进行十折交叉验证，以确定最优特征集；
利用所述最优特征集对测试样本进行故障检测。
2.根据权利要求1所述的方法，其特征在于，所述对所述正常训练样本和所述故障训练样本进行数据标准化处理，包括：
基于预设数据标准化公式对所述正常训练样本和所述故障训练样本进行数据处理；
其中，所述数据标准化公式为：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msup>
<mi>x</mi>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
</mrow>
<msup>
<mi>&sigma;</mi>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msup>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
</mrow>
其中，为训练样本第j个特征值，为训练样本第j个特征值均值，σ[j]为训练样本第j个特征的标准差，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
3.根据权利要求1所述的方法，其特征在于，所述对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵，包括：
以单位矩阵为基础对于每一个特征进行重构，得到特征矩阵
所述特征矩阵为：
其中，为训练样本第j个特征值，i＝1为正常训练样本，i＝2为故障训练样本，N为训练样本个数，m为特征个数。
4.根据权利要求3所述的方法，其特征在于，所述计算所述第一特征矩阵和所述第二特征矩阵的相异性，包括：
计算所述第一特征矩阵的第一协方差矩阵和所述第二特征矩阵的第二协方差矩阵；
计算所述第一协方差矩阵和所述第二协方差矩阵的联合协方差矩阵；
对所述联合协方差矩阵进行特征分解，得到投影矩阵；
利用所述投影矩阵对所述第一特征矩阵进行投影，得到所述第一特征矩阵的投影矩阵；
计算所述第一特征矩阵的投影矩阵的协方差矩阵，并对所述第一特征矩阵的投影矩阵的协方差矩阵进行特征分解，得到特征值
计算所述第一特征矩阵和所述第二特征矩阵的相异性
其中，
5.根据权利要求1所述的方法，其特征在于，所述利用所述最优特征集对测试样本进行故障检测，包括：
对测试样本进行数据标准化处理；
根据最优特征集选取测试样本的特征形成输入数据，再用支持向量机分类确定测试样本是否有故障。
6.一种故障诊断装置，其特征在于，包括：
数据采集单元，用于获取正常训练样本和故障训练样本，所述正常训练样本和所述故障训练样本均包含多个特征；
数据预处理单元，用于对所述正常训练样本和所述故障训练样本进行数据标准化处理；
特征矩阵构建单元，用于对于任一特征，构建所述正常训练样本的第一特征矩阵以及所述故障训练样本的第二特征矩阵；
相异性计算单元，用于计算所述第一特征矩阵和所述第二特征矩阵的相异性；
特征排序单元，用于基于所述相异性对所述多个特征进行排序；
最优特征集选取单元，用于利用支持向量机对排序后的所述多个特征进行十折交叉验证，以确定最优特征集；
故障检测单元，用于利用所述最优特征集对测试样本进行故障检测。
7.根据权利要求6所述的装置，其特征在于，包括：所述数据预处理单元具体用于基于预设数据标准化公式对所述正常训练样本和所述故障训练样本进行数据处理；
其中，所述数据标准化公式为：
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msubsup>
<mo>-</mo>
<mover>
<msup>
<mi>x</mi>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msup>
<mo>&OverBar;</mo>
</mover>
</mrow>
<msup>
<mi>&sigma;</mi>
<mrow>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>&rsqb;</mo>
</mrow>
</msup>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
</mrow>
其中，为训练样本第j个特征值，为训练样本第j个特征值均值，σ[j]为训练样本第j个特征的标准差，i＝1为正常训练样本，i＝2为故障训练样本，Ni为训练样本个数，m为特征个数。
8.根据权利要求6所述的装置，其特征在于，所述特征矩阵构建单元具体用于以单位矩阵为基础对于每一个特征进行重构，得到特征矩阵
所述特征矩阵为：
其中，为训练样本第j个特征值，i＝1为正常训练样本，1＝2为故障训练样本，N为训练样本个数，m为特征个数。
9.根据权利要求8所述的装置，其特征在于，所述相异性计算单元包括：
第一计算模块，用于计算所述第一特征矩阵的第一协方差矩阵和所述第二特征矩阵的第二协方差矩阵；
第二计算模块，用于计算所述第一协方差矩阵和所述第二协方差矩阵的联合协方差矩阵；
矩阵分解模块，用于对所述联合协方差矩阵进行特征分解，得到投影矩阵；
投影处理模块，用于利用所述投影矩阵对所述第一特征矩阵进行投影，得到所述第一特征矩阵的投影矩阵；
第四计算模块，用于计算所述第一特征矩阵的投影矩阵的协方差矩阵，并对所述第一特征矩阵的投影矩阵的协方差矩阵进行特征分解，得到特征值
第五计算单元，用于计算所述第一特征矩阵和所述第二特征矩阵的相异性
其中，
10.根据权利要求6所述的装置，其特征在于，所述故障检测单元具体用于对测试样本进行数据标准化处理，根据最优特征集选取测试样本的特征形成输入数据，再用支持向量机分类确定测试样本是否有故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710017368.2A CN107067023A (zh) | 2017-01-10 | 2017-01-10 | 一种故障诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710017368.2A CN107067023A (zh) | 2017-01-10 | 2017-01-10 | 一种故障诊断方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107067023A true CN107067023A (zh) | 2017-08-18 |
Family
ID=59597872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710017368.2A Pending CN107067023A (zh) | 2017-01-10 | 2017-01-10 | 一种故障诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107067023A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
| CN108805419A (zh) * | 2018-05-22 | 2018-11-13 | 浙江大学 | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 |
| WO2020034126A1 (zh) * | 2018-08-15 | 2020-02-20 | 深圳先进技术研究院 | 样本训练方法、分类方法、识别方法、装置、介质及系统 |
| CN111723514A (zh) * | 2020-05-09 | 2020-09-29 | 东华大学 | 基于高斯核函数的svm算法的工艺流程故障诊断方法 |
| CN113901999A (zh) * | 2021-09-29 | 2022-01-07 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
| CN103245907A (zh) * | 2013-01-30 | 2013-08-14 | 中国人民解放军海军航空工程学院 | 一种模拟电路故障诊断方法 |
| CN106292622A (zh) * | 2016-07-21 | 2017-01-04 | 中国人民解放军军械工程学院 | 基于小波特征值容差阈值随机统计模拟的故障判别方法 |
-
2017
- 2017-01-10 CN CN201710017368.2A patent/CN107067023A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断系统及方法 |
| CN103245907A (zh) * | 2013-01-30 | 2013-08-14 | 中国人民解放军海军航空工程学院 | 一种模拟电路故障诊断方法 |
| CN106292622A (zh) * | 2016-07-21 | 2017-01-04 | 中国人民解放军军械工程学院 | 基于小波特征值容差阈值随机统计模拟的故障判别方法 |
Non-Patent Citations (1)
| Title |
|---|
| MANABU KANO等: "Statistical Process Monitoring Based on Dissimilarity of Process Data", 《AICHE JOURNAL》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052974A (zh) * | 2017-12-12 | 2018-05-18 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
| CN108052974B (zh) * | 2017-12-12 | 2022-05-17 | 苏州大学 | 一种故障诊断方法、系统、设备及存储介质 |
| CN108805419A (zh) * | 2018-05-22 | 2018-11-13 | 浙江大学 | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 |
| WO2020034126A1 (zh) * | 2018-08-15 | 2020-02-20 | 深圳先进技术研究院 | 样本训练方法、分类方法、识别方法、装置、介质及系统 |
| CN111723514A (zh) * | 2020-05-09 | 2020-09-29 | 东华大学 | 基于高斯核函数的svm算法的工艺流程故障诊断方法 |
| CN113901999A (zh) * | 2021-09-29 | 2022-01-07 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和系统 |
| CN113901999B (zh) * | 2021-09-29 | 2023-09-29 | 国网四川省电力公司电力科学研究院 | 一种高压并联电抗器故障诊断方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107067023A (zh) | 一种故障诊断方法和装置 | |
| CN101251564B (zh) | 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 | |
| Stetter et al. | Detection of hazardous gases and vapors: pattern recognition analysis of data from an electrochemical sensor array | |
| CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
| CN100489870C (zh) | 用于过程统计控制的方法和多维系统 | |
| CN102467684B (zh) | 基于改进雷达图的综合性能评估系统和方法 | |
| CN103776480B (zh) | 基于多次移动平均的微小故障检测方法和装置 | |
| Wahono et al. | A comparison framework of classification models for software defect prediction | |
| CN101738991B (zh) | 检测产品品质超规与评估产品实际测量值的方法 | |
| CN106355030A (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
| CN101971169A (zh) | 使用偏最小二乘分析(pls-树)分级地组织数据 | |
| CN108268905A (zh) | 一种基于支持向量机的变压器故障诊断方法及系统 | |
| CN104461896B (zh) | 基于可信属性的航天系统关键软件评价方法 | |
| CN109407652A (zh) | 基于主辅pca模型的多变量工业过程故障检测方法 | |
| WO2011034805A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN103389701B (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
| CN104199441B (zh) | 基于稀疏贡献图的高炉多工况故障分离方法及系统 | |
| Abbas et al. | Improved linear profiling methods under classical and Bayesian setups: An application to chemical gas sensors | |
| CN116450399A (zh) | 微服务系统故障诊断及根因定位方法 | |
| CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
| CN105911407A (zh) | 基于物元增广可拓关联的变压器状态模糊集对评估方法 | |
| CN101008936A (zh) | 一种校正测量数据显著误差与随机误差的方法 | |
| CN106250937B (zh) | 一种基于非相似度指标的故障分类诊断方法 | |
| CN103389360A (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
| CN106124729A (zh) | 一种评价土壤中重金属含量数据异常程度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
| RJ01 | Rejection of invention patent application after publication |