CN108802525A - 基于小样本的设备故障智能预测方法 - Google Patents

Abstract

本发明一种基于小样本的设备故障预测方法，包括：采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；对所述经过降噪的训练集数据进行频域分析，提取特征向量；建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。本发明方法可以准确地对直流设备进行故障的提前预测，而且建立监测模型所需要的样本易于获取，便于实际应用。

Description

基于小样本的设备故障智能预测方法

技术领域

本发明涉及设备故障诊断技术领域，更具体地说，涉及一种基于小样本的设备故障智能预测方法。

背景技术

目前，直流电气设备得到普遍应用，小到人们身边的手机锂电池、电瓶车里的蓄电池，大到航空空间站的供电系统、大功率直流供电设备等。但是随着人们对直流设备长时间的使用，难免会出现一些故障，影响设备的正常运转。在一些特殊领域，比如大型光伏系统、航天航空、电动汽车、大型机房等，若不能够及时发现直流设备故障发生并做出有效的应对措施，将会造成不可想象的后果。

现有技术中，对交流电气设备的故障诊断方法研究较多，而对于直流电气设备的故障预测诊断研究较少。因为交流电气设备的故障与直流电气设备的故障产生原因存在不同，所以交流电气设备的故障诊断方法并不适用于对直流电气设备的故障的预测诊断。此外，电气设备故障预测中所应用的模型一般都需要大量的样本进行训练，才能使模型具备比较准确的故障预测能力。但是，在现实中，很多情况下都无法获取大量的故障数据对模型进行训练，这极大地制约了故障预测模型的实际应用。

发明内容

有鉴于此，本发明的目的在于提供一种基于小样本的设备故障预测方法，该方法可以准确地对直流电气设备进行故障的提前预测，而且建立设备正常状态监测模型所需要的样本为正常运行状态下的样本，易于获取，便于实际应用。

为了达到上述目的，本发明提供如下技术方案：一种基于小样本的设备故障预测方法，包括以下步骤：

步骤一，采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；

步骤二，对所述经过降噪的训练集数据进行频域分析，提取特征向量；

步骤三，基于自回归滑动平均模型建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；

步骤四，采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；

步骤五，计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。

进一步地，所述降噪处理的步骤如下：

利用小波基函数Sym6对电流信号进行4层小波分解，得到小波系数；

利用Penalty阈值法滤除干扰信号所产生的小波系数；

将滤除干扰信号后的小波系数通过小波重建恢复信号。

进一步地，所述提取特征向量的方法包括：

将故障电流与正常工作电流的数据进行降噪处理，分别进行快速傅里叶分析；

将信号频率范围分为等宽的M个频段，别计算出故障与正常工作情况下电流数据在经过快速傅里叶分析后在各个频段的分能量f₁,f₂,…,f_m；

计算各个频段内在正常情况与发生故障情况下的分能量的差异；

选取分能量差异最大的频段中的分能量作为特征向量。

进一步地，所述分能量差异最大的频段为小于100MHz的频段。

进一步地，所述建立正常状态下的设备监测模型包括：

正常运行状态下连续时段在线监测电流数据，取等间隔长度为a时间点上的电流数据k个，进行降噪处理后，提取小于100MHz的频段内的能量E组成时间序列{E_t,t＝a,2a,3a,…,ka}；

判断所述时间序列是否为平稳序列，若为平稳序列则进行下一步骤，若为非平稳序列则对所述时间序列进行差分处理，直到差分后的序列变为平稳序列；

计算20阶滞后期的自相关系数和偏自相关系数，根据其拖尾、截尾特性进行模型识别和定阶；

利用AIC信息准则对模型进行优化；

用t统计量检验参数显著性，提取出显著性通过的参数，得到设备正常状态的估计值F_t：

式中，p和q为ARMA模型阶数，若选取AR模型则q＝0，若选取MA模型则 p＝0，为数据拟合获取的参数；

设备监测模型根据残差序列s_t对设备的运行状态进行监测，其中残差序列 s_t表达式为：s_t＝E_t-F_t。

进一步地，所述判断时间序列是否为平稳序列的方法为：对E_t进行单位根检验，计算DF统计量，如果小于1％水平下的t统计值，则判断E_t为平稳序列。

进一步地，利用Q统计量的检验方法判断所述残差序列s_t是否为白噪声序列，若为白噪声序列则表示所建立模型能通过显著性检验。

进一步地，所述阈值的建立方法包括：统计故障样本残差，计算所述残差的均值μ和标准差σ，所述阈值η＝μ+3σ。

本发明提供了一种基于小样本的设备故障预测方法，该方法首先采集设备正常状态和故障状态下的电流信号数据，对数据降噪处理，提取特征向量，根据特征向量建立设备正常状态的监测模型，利用实测值和估计值之间的残差与设立的阈对设备的故障进行预测，实时输出预测结果，适合于对直流电气设备的故障预测。

本方法中利用小波转换对电流数据进行降噪处理，可以有效地滤除干扰信号，提高预测的准确性。

本方法通过采集设备在正常运行状态下连续时段在线监测电流数据建立设备监测模型，数据易于获取，比较方便地建立准确的故障预测模型，只需少量的故障样本对模型进行验证即可，更加适于实际使用。

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为本发明一种基于小样本的设备故障预测方法的流程图；

图2为本发明中提取特征向量的流程图。

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。

请参阅图1，图1为本发明一种基于小样本的设备故障预测方法的流程图。

本发明提出了一种基于小样本的设备故障预测方法，该方法适用于直流电气设备故障的提前预测，具体包括以下步骤：

S10，采集正常状态下和故障状态下的直流电气设备的电流信号，并对电流信号进行降噪处理。

信号的采集过程中，在接收端除了获取目标信号外还会引入噪声。小波变换在信号处理方面已经发展的比较成熟了，对于信号的降噪处理有着明显优势。小波变换能够在信号的局部进行特性分析，并且小波基函数的选择可以改变，更加灵活和广泛，故通过合适的小波基函数的小波变换可以很好的实现对于信号的降噪处理，同时也对信号的信噪比有明显的改善作用。

对采集的电流信号进行降噪的步骤包括：

S101，信号分解：选择一种小波基函数并确定小波分解的层数N，对电流信号进行N层小波分解。

利用小波变换进行降噪时，其产生的效果会和使用的小波基函数有一定关系，一般的原始信号的降噪效果与小波基函数的正交性和波形的结构有关系。只有选择具有较好的正交性和较好的对称性的小波基函数来降噪信号才会得到较好的效果。对几种常见的小波基函数(Sym1、Sym4、Sym6、DB4、 DB10、Coif4)进行对比分析，计算不同小波基函数降噪后的信噪比(SNR)，最终确定降噪效果比较显著的Sym6作为小波分解的基函数。

利用小波基函数Sym6对电流信号进行分解，并得到在不同分解层数下降噪后的SNR，发现在分解层数为4时，降噪效果较为显著，所以选择基于Sym6 小波基函数的小波变换分解层数N＝4。

S102，作用阈值：对分解得到的各层系数选择一个阈值，并对细节系数作用阈值处理。

对于分解后的小波变换，需要选取合适的阀值来滤出干扰信号所产生的系数，阀值的选取的好坏将决定最后重构小波时，信号恢复的好坏。选择的阀值不仅能够最大程度的滤除由噪声产生的小波系数，同时又可以保留原始信号的特性。利用小波基函数Sym6且分解层数为4的前提下对电流信号进行分解，选取了几种常见的阀值处理策略(硬阀值、软阀值、Penalty以及B-M)分别对电流信号作降噪处理，得到在不同阈值处理策略下降噪后的SNR，最终选择Penalty策略作为小波变换的阀值处理方法。

S103，信号重构：将处理后的小波系数通过小波重建恢复原始信号。

S20，对正常状态下和故障状态下的电流信号进行频域分析，提取频域特征向量。

请参阅图2，图2为提取特征向量的流程图。

本发明方法使用在频域内使用快速傅里叶变换(Fast Fourier Transform)对直流设备的故障电流与正常情况的降噪电流信号进行频域特性对比分析，从而获得频域内的特征向量。

直流电气设备在产生故障时，在某一个频段内的故障能量与正常状态下的能量会存在显著的差别。通过对某一频段内的能量变化作为特征向量可以有效地监测设备的运行状态是否正常。具体步骤为：

S201，将故障电流与正常工作电流的样本数据进行降噪处理，分别进行快速傅里叶变换；

S202，将信号频率范围分为等宽的M个频段，别计算出故障与正常工作情况下电流数据在经过快速傅里叶变换后在各个频段的分能量f₁,f₂,…,f_m；

S203，计算各个频段内在正常情况与发生故障情况下的分能量的差异；

S204，选取分能量差异最大的频段中的分能量作为特征向量。

在本发明的一个实施例中，分别在正常状态下和故障状态下进行电流采样，采样的采样率为1MHz，采样的频率范围为0～500MHz，将频率范围分解为10段等宽频段，每段为50MHz。计算每个频段内的正常状态下和故障状态下的分能量，比较各个频率段内在正常情况与故障情况下的能量差异大小。最后发现，在小于100MHz的频段内，正常情况与故障情况的能量差异最大。所以，将经过小波分析降噪处理后电流信号经过快速傅里叶分析后的小于 100MHz的频段内的能量E作为频域特征向量。

S30，建立正常状态下的设备监测模型。

基于ARMA方法(自回归滑动平均模型)建立正常状态下的设备监测模型。

设备正常状况下，监测参数一般要求控制在一个范围内，在外界环境及一定的劣化条件影响下发生随机波动，只有在故障发生情况下才会表现出大量的极端异常。本发明采用设备正常状态下采集的电流数据来建立监测模型，依靠实测值与预测值的差值来识别异常情况，以此为基础进行故障预测。建立正常状态监测模型的步骤如下：

S301，采集设备在正常运行状态下连续时段在线监测电流数据，取等间隔长度为a时间点上的电流数据k个，进行降噪处理后，提取小于100MHz的频段内的能量E组成时间序列{E_t,t＝a,2a,3a,…,ka}。

S302，判断所得到的序列是否为平稳序列，若为非平稳序列则需要先对原序列进行差分处理，直到差分后的序列变为平稳序列。判断所得到的序列是否为平稳序列的方法为：对E_t进行单位根检验(ADF检验)，计算DF统计量，如果小于1％水平下的t统计值，则判断E_t为平稳序列。

S303，计算20阶滞后期的自相关系数(ACF)和偏自相关系数(PACF)，观察其拖尾、截尾特性以进行模型识别和定阶。表1所示为模型识别原则。

表1 ARMA模型识别原则

自相关系数	偏自相关系数	选择模型
			拖尾	p阶截尾	AR(p)
q阶截尾	拖尾	MA(q)
			拖尾	拖尾	ARMA(p/q)

S304，ARMA方法中常用AIC信息准则来判断模型的最佳阶数。AIC准则的计算公式为：

其中，是对数似然函数，k表示模型中参数的个数，AIC值越小，代表模型越优秀。

S305，用t统计量检验参数显著性，提取出显著性通过的参数，得到设备正常状态的估计值，即在线监测数据正常状态的拟合模型为：

其中，p和q为ARMA模型阶数，若选取AR模型则q＝0，若选取MA模型则 p＝0；为参数，可以通过数据拟合获取具体赋值。

S306，设备监测模型利用残差序列s_t＝E_t-F_t对设备的运行状态进行监测。此外，还可以用Q统计量的检验方法判断该残差序列是否为白噪声序列，若为白噪声序列则表示所建立模型能通过显著性检验，可接受该模型。

本发明的正常状态监测模型是通过离线的方法，利用直流设备正常状态下采集的一组训练样本进行训练。当设备再工作时，监测模型不再训练，因此它记忆的是设备正常时的状态。正常状态监测模型能够对设备的正常运行状态进行准确的跟踪。当直流设备可能产生故障时，正常状态监测模型的输出将不能跟踪被监测设备的实际输出，二者之间将会产生差值(残差)，说明残差信号中包含一定的故障预测信息。

S40，确定残差信号的阈值η。通过监测设备的残差信号是否超过阈值η，来判断是否产生故障。

实测值和监测模型的估计值得到的残差是符合正态分布规律的，对其残差适合使用休哈特图进行过程控制。统计大量故障样本残差，计算其均值μ和标准差σ，根据休哈特图原理建立μ+3σ控制线，一旦有残差值越线则发出故障预警。

公知的，为了检验某个序列值组成的样本是否服从正态分布，可以利用 Jarque-Bera统计量来检验。JB统计量采用以下公式计算：

其中，S和K值是统计样本的偏度和峰度值，JB统计量的原假设为所验证序列是服从正态分布的，根据该假设JB统计量应该是服从自由度为2的χ²分布。统计JB统计量值大于样本计算的JB值的概率，所述概率如果大于0.05，则在检验水平5％下说明样本计算出的JB值落在了原假设的接受域，应该接受原假设，即证明该样本序列服从正态分布。

在本发明的一个实施例中，以发生的8次突发性直流设备故障前的电流信号监测样本为测试数据进行故障预警测试。每次故障取等时长40小时480 个样本点。对每个故障样本运用正常态预测模型进行预测，总共产生3840个预测残差数据。对残差进行统计分析，其JB统计量为2.93为一个较小的值， JB统计量值大于样本计算的JB值的概率为0.23，远大于0.05，说明在检验水平5％下，样本符合正态分布。由于该统计样本具有正态特性，证明其适用于休哈特控制图的方法对其建立控制线。

残差样本的均值为0.19，标准差为2.73。根据休哈特图方式η＝μ+3σ建立的控制线应该为8.19。从实际统计来看，落出±8.19的样本点仅有14个，样本点落在范围内的概率为(3840-14)/3840＝99.64％。证明该控制线的确能发现过程的异常状态，适合用于故障的预报。

S50，采集直流设备的电流数据，对数据进行降噪，提取特征值，利用设备监测模型计算残差，实时输出故障预测结果。具体步骤如下：

每隔一定时间，获取当前时刻的直流设备的电流信号；

重复S10中的降噪及S20中的特征量提取步骤，计算小于100MHz的频段内的能量E′_t；

利用正常状态下的设备监控模型得到估计值F_t′，获取实测信号和估计信号残差s′_t＝E′_t-F_t′；

判断残差s′_t是否超过阈值η，如果残差超过阈值，则表明设备将会发生故障，从而输出预警信号；如果残差没有超过阈值，则表明设备处于正常状态。

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 (8)

1.一种基于小样本的设备故障预测方法，其特征在于，包括以下步骤：

步骤一，采集正常状态下和故障状态下的设备的电流信号，并对电流信号进行降噪处理，作为训练数据集；

步骤二，对所述经过降噪的训练集数据进行频域分析，提取特征向量；

步骤三，基于自回归滑动平均模型建立正常状态下的设备监测模型，利用正常状态下的设备监测模型预测设备在正常状态下所述特征向量的估计值；

步骤四，采集设备实际运行中的实测电流数据，并对实测电流数进行据降噪处理以及计算所述特征向量的实测值；

步骤五，计算所述特征向量的实测值和估计值之间的残差，并将所述残差与阈值实时进行比较，如果残差大于阈值，则输出故障预警信号。

2.根据权利要求1所述的基于小样本的设备故障预测方法，其特征在于，所述降噪处理的步骤如下：

利用小波基函数Sym6对电流信号进行4层小波分解，得到小波系数；

利用Penalty阈值法滤除干扰信号所产生的小波系数；

将滤除干扰信号后的小波系数通过小波重建恢复信号。

3.根据权利要求2所述的基于小样本的设备故障预测方法，其特征在于，所述提取特征向量的方法包括：

将故障电流与正常工作电流的数据进行降噪处理，分别进行快速傅里叶分析；

将信号频率范围分为等宽的M个频段，别计算出故障与正常工作情况下电流数据在经过快速傅里叶分析后在各个频段的分能量f₁,f₂,…,f_m；

计算各个频段内在正常情况与发生故障情况下的分能量的差异；

选取分能量差异最大的频段中的分能量作为特征向量。

4.根据权利要求3所述的基于小样本的设备故障预测方法，其特征在于，所述分能量差异最大的频段为小于100MHz的频段。

5.根据权利要求4所述的基于小样本的设备故障预测方法，其特征在于，所述建立正常状态下的设备监测模型包括：

正常运行状态下连续时段在线监测电流数据，取等间隔长度为a时间点上的电流数据k个，进行降噪处理后，提取小于100MHz的频段内的能量E组成时间序列{E_t,t＝a,2a,3a,…,ka}；

判断所述时间序列是否为平稳序列，若为平稳序列则进行下一步骤，若为非平稳序列则对所述时间序列进行差分处理，直到差分后的序列变为平稳序列；

计算20阶滞后期的自相关系数和偏自相关系数，根据其拖尾、截尾特性进行模型识别和定阶；

利用AIC信息准则对模型进行优化；

用t统计量检验参数显著性，提取出显著性通过的参数，得到设备正常状态的估计值F_t：

式中，p和q为ARMA模型阶数，若选取AR模型则q＝0，若选取MA模型则p＝0，θ₁,…θ_q为数据拟合获取的参数；

设备监测模型根据残差序列s_t对设备的运行状态进行监测，其中残差序列s_t表达式为：s_t＝E_t-F_t。

6.根据权利要求5所述的基于小样本的设备故障预测方法，其特征在于，所述判断时间序列是否为平稳序列的方法为：对E_t进行单位根检验，计算DF统计量，如果小于1％水平下的t统计值，则判断E_t为平稳序列。

7.根据权利要求6所述的基于小样本的设备故障预测方法，其特征在于，利用Q统计量的检验方法判断所述残差序列s_t是否为白噪声序列，若为白噪声序列则表示所建立模型能通过显著性检验。

8.根据权利要求7所述的基于小样本的设备故障预测方法，其特征在于，所述阈值的建立方法包括：统计故障样本残差，计算所述残差的均值μ和标准差σ，所述阈值η＝μ+3σ。