CN109974782A - 基于大数据敏感特征优化选取的设备故障预警方法及系统 - Google Patents
基于大数据敏感特征优化选取的设备故障预警方法及系统 Download PDFInfo
- Publication number
- CN109974782A CN109974782A CN201910283665.0A CN201910283665A CN109974782A CN 109974782 A CN109974782 A CN 109974782A CN 201910283665 A CN201910283665 A CN 201910283665A CN 109974782 A CN109974782 A CN 109974782A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- class
- feature
- index
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明提出了一种基于大数据敏感特征优化选取的设备故障预警方法及系统,预警方法的步骤为:采集设备正常工况下振动数据,对其进行时、频域指标特征提取以组成振动类特征向量;然后运用补偿距离评估技术对振动类特征向量进行优化选取,将优化选取的振动类特征向量与设备正常工况下的工艺数据共同组成敏感向量集作为支持向量数据描述模型的训练样本,以训练形成设备正常工况下的SVDD超球体模型;对测试振动数据采取上述同样的步骤处理将所得到的优化选取特征向量与测试工况下工艺数据形成测试敏感向量集输入到正常工况下的SVDD超球体模型,当设备异常或即将发生异常时,通过输出结果进行预警分析。本发明可实现设备的智能维修。
Description
技术领域
本发明涉及设备故障预警的技术领域,尤其涉及一种基于大数据敏感特征优化选取的设备故障预警方法及系统。
背景技术
设备检修费用占据设备管理中的大部分比例,而传统设备检修模式存在着维修不足或过剩维修等问题:前者可能会造成重大事故的发生,而后者会增加不必要的维修费用。实现设备的早期预警能够在设备故障形成的早期,提前采取相应的措施,避免重大事故的发生,变被动检修为主动检修,从而有效降低企业设备管理费用。
常规基于大数据的设备早期预警方法往往将设备原始监测数据或未经优化选取的提取特征向量作为智能算法的训练及测试特征向量,这样用未清洗大数据的预警方法存在着正确率低、效率不高等问题:未经特征提取的原始监测数据不能有效反映设备的正确运行状态;未经优化选取的特征向量由于维度过大会造成预警实时性差的问题,而过少的特征向量又不能全面反映设备的状态。
随着大数据、故障特征提取技术、人工智能及网络技术的发展,上述传统设备检修模式及常规大数据预警方法得到有效改善。故障特征能否有效的提取及是否全面直接关系到预警系统的正确性及实时性。有效的特征向量输入不仅能综合有效反映设备的真实状态,更能提高早期预警的时效性和正确性。
发明内容
针对现有设备预警方法正确率低、效率低的技术问题,本发明提出一种基于大数据敏感特征优化选取的设备故障预警方法及系统,提高了大数据预警方法的准确性,且可以实时进行预警。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于大数据敏感特征优化选取的设备故障预警方法,其步骤如下:
步骤一:采集设备正常工况下振动类数据、工艺类数据和电气类数据;
步骤二:选取步骤一中的振动类数据,并对其进行包括小波能量谱熵的15个指标的特征提取得到15个特征向量;
步骤三:运用补偿距离评估方法对步骤二中的15个特征向量进行优化选取,将优化选取后的特征向量与步骤一中的工艺类数据和电气类数据共同形成SVDD超球体模型的正常工况下的训练样本并训练相应的SVDD超球体模型;
步骤四:采取测试工况下的振动类数据、工艺类数据和电气类数据,并用步骤二中的特征提取方法对测试工况下的振动类数据进行15个特征向量提取;
步骤五:运用补偿距离评估方法对步骤四中的15个特征向量进行优化选取,将优化选取后的特征向量与步骤四中采集的工艺类数据和电气类数据共同形成测试向量;
步骤六:将步骤五得到的测试向量输入到步骤三中训练好的SVDD超球体模型,依据测试向量所对应的输出结果是否分布在SVDD超球体模型之外而决定是否报警。
所述步骤二和步骤四中的振动类数据特征提取的15个特征量包括峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值、3倍频幅值、波形指标、脉冲指标、峰值指标、裕度指标、歪度指标、峭度指标和小波能量谱熵;其中,峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值和3倍频幅值为有量纲幅域指标,波形指标、脉冲指标、峰值指标、裕度指标、歪度指标和峭度指标为量纲为一的幅域指标。
所述小波能量谱熵的计算方法为:采用小波能量熵时频分析方法对振动类参量的振动信号进行特征提取,小波能量谱熵为:且其中,ph表示小波变换第h级小波分解级别的能量百分比;N表示小波分解级数;Eh为原始振动信号的连续小波变换后第h级小波分解尺度上的能量值。
所述步骤三中设备正常工况下的SVDD超球体模型实现方法为:
假定包含有n个数据对象的样本集{xi}构建单值分类器的学习样本,寻找一个包含所有样本xi的超球体且该超球体要尽可能的小,i=1,...,n;该超球体用其中心a和半径R表示满足如下关系:
minε=R2;
约束条件为:||xi-a||2≤R2;
引入松弛因子ξi≥0,超球体最小化问题变为:
约束条件为:||xi-a||2≤R2+ξi,ξi≥0;
其中,ε为最小化函数,C为指定的常数;
引入Lagrange因子αi≥0,γi≥0,超球体最小化问题问题转化为Lagrange极值问题:
对于每一个样本xi都有一个对应的Lagrange因子αi和γi,经过变换,Lagrange极值问题可写成Lagrange极值变换问题:
超球体的半径R由任一支持向量xk求出:
对于一个新样本即测试样本z,判断它是否属于目标样本,就判断测试样本z到超球体的中心a的距离是否大于超球体半径R,即如果:
成立,则判断测试样本z属于目标样本,否则判断测试样本z为非目标样本。
所述步骤三和步骤五中的补偿距离评估方法的实现方法为:
1)假设含有C个模式类ω1,ω2,…ωc的特征集为:
{pc,m,n,c=1,2,…C;m=1,2,…,Mc;n=1,2,…,N};
其中,pc,m,n,为在c状态下第m个样本的第n个特征,Mc是在c状态下的样本总数,N为每个样本的特征数目;
2)计算模式类ωc中所有特征向量的平均距离:
对平均距离dc,n求平均后得到平均类内距离为:
3)计算平均类内距离的方差因子:
4)计算C个模式类的类间距离:
其中,为模式类ωc中所有第n个特征的均值;μe,n为模式类ωe中所有第n个特征的均值;
5)计算类间距离的方差因子:
6)计算补偿因子γn为:
7)计算类间距离与平均类内距离的比值,从而得到距离评估指标:
对距离评估指标αn进行归一化处理,得到补偿距离评估指标:
8)设定阈值φ,且φ∈[0,1],从特征集{pc,m,n}中选择补偿距离评估指标的特征作为敏感特征,所有敏感特征组成敏感特征向量。
所述步骤六的报警方法是:
61)通过步骤三得到正常工况下SVDD超球体模型及超球体的半径R;
62)通过步骤四和步骤五得到测试向量z;
63)将测试向量z输入到步骤61)中的SVDD超球体模型,并根据||Z-a||2≤R2判断是否报警:若满足,证明测试向量Z所对应的设备状态为正常;反之,测试向量Z视为异常,系统报警。
一种基于大数据敏感特征优化选取的设备故障预警系统,其特征在于,包括数据采集模块、Webservice接口调用模块、数据格式定义模块、机组注册模块、数据持久化模块、特征量提取模块和预警报告模块,Webservice接口调用模块分别与数据采集模块和机组注册模块相连接,数据采集模块与数据持久化模块相连接,数据持久化模块通过数据库与特征提取模块相连接,特征提取模块与预警报告模块相连接;数据采集模块采集机组的相关数据,包括振动类参量、工艺类参量和电气类参量;工艺类参量包括温度、压力及流量;电气类参量有包括电流及电压;Webservice接口调用模块负责对外的接口;数据格式定义模块定义对预警数据的XML格式要求;机组注册模块包含预警机组的相关信息;数据持久化模块将注册数据持久化到数据库中;特征提取模块对持久化到数据库中的数据进行特征提取;预警报告模块负责预警推理、预警结果输出及报告生成。
本发明采集设备正常工况下振动数据,对其进行峰值、平均值、1倍频幅值、2倍频幅值、小波能量谱熵值等15个指标特征提取以组成振动类特征向量;然后运用补偿距离评估技术对振动类特征向量进行优化选取,将优化选取的振动类特征向量与设备正常工况下工艺数据(如温度值、速度值及流量等)形成敏感向量集作为支持向量数据描述(SupportVector Data Description,SVDD)超球体模型正常模型的训练样本,以训练形成设备正常工况下的SVDD超球体模型。同样,对测试振动数据采取上述同样的步骤处理后,将所得到的优化选取特征向量与测试工况下工艺数据(如温度值、速度值及流量等)形成测试敏感向量集输入到训练好的正常工况下的SVDD超球体模型,对SVDD超球体模型的输出结果进行分析,当设备异常或即将发生异常时,输出结果将分布于超球体之外,此时设备发生预警;反之,当输出结果分布于超球体之内时,测试向量所对应的设备运行状态视为正常工况。本发明可以有效综合利用设备振动和工艺数据,预测设备的早期故障,引导设备管理人员对设备的运行状态做出正确的判断,从而做到设备的智能维修,避免传统设备管理中的过剩维修、维修过量等弊端。本发明将为设备故障有效预警提供一种新方法,可以保证设备安全高效运行避免突发性事故发生的同时,实现企业经济效益的最大化。
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。
图1为本发明预警方法的流程图。
图2为本发明SVDD超球体模型分类的示意图。
图3为本发明预警系统的具体实施示意图。
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付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。
实施例1
如图1所示,一种基于大数据敏感特征优化选取的设备故障预警方法,其步骤如下:
步骤一:采集设备正常工况下振动类数据、工艺类数据和电气类数据。
振动类数据表示设备工作时产生振动信号包含的数据。工艺类数据如温度、压力及流量等数据;电气类数据如电流及电压等数据。
步骤二:选取步骤一中的振动类数据,并对其进行特征提取得到15个特征量。
所述步骤二和步骤四中对振动类数据的特征提取得到的15个特征量包括峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值、3倍频幅值、波形指标、脉冲指标、峰值指标、裕度指标、歪度指标、峭度指标和小波能量谱熵;其中,峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值和3倍频幅值为有量纲幅域指标,波形指标、脉冲指标、峰值指标、裕度指标、歪度指标和峭度指标为量纲为一的幅域指标。无论设备正常与否,振动信号往往呈现出非平稳特性,为了更准确的提取原始振动信号中包含的时域、频域特征,本发明采用小波能量熵时频分析方法对振动信号进行特征提取,将提取特征向量作为第15个特征向量。
所述小波能量谱熵的计算方法为:首先对原始信号进行连续小波变换,然后计算各尺度上的能量值Eh,称为小波能谱,小波能谱是对原信号在时-频域中的划分,定义与其相对应的小波能量谱熵WEE为:
其中,ph表示小波变换第h级小波分解级别的能量百分比;N表示小波分解级数;Eh为原始振动信号的连续小波变换后的第h级小波分解尺度上的能量值。
当设备正常运行时,振动信号的能量频率成分分布比较均匀,其具有较大的小波能谱熵值;当设备发生异常时,振动信号的能量频率成分主要集中于故障部件故障特征频率及其谐频处,其相对正常运行的设备具有较小的小波能谱熵值。
步骤三:运用补偿距离评估技术对步骤二中的15个特征向量进行优化选取,将优化选取后的特征向量与步骤一中的工艺类数据和电气类数据共同形成SVDD超球体模型的正常工况下的训练样本并训练相应的SVDD超球体模型。
所述步骤二中特征选取的15个特征量并非都是设备正常运行时振动数据的敏感特征,15个特征向量之间存在着向量耦合与特征冗余问题:不但会降低分类效率,而且还会增加误判率;而过少的特征向量又不能完全有效反映设备的具体情况。补偿距离评估方法可以有效优化选取设备在不同运行状态下的敏感特征向量,用维度较少的向量有效的反映设备的具体运行状况。所述步骤三中的补偿距离评估方法的实现方法为:
1)假设含有C个模式类ω1,ω2,…ωc的特征集为:
{pc,m,n,c=1,2,…C;m=1,2,…,Mc;n=1,2,…,N}; (2)
其中,pc,m,n,为在c状态下第m个样本的第n个特征,Mc是在c状态下的样本总数,N为每个样本的特征数目;
2)计算模式类ωc中所有特征向量的平均距离:
对平均距离dc,n求平均后得到平均类内距离为:
3)计算平均类内距离的方差因子:
4)计算C个模式类的类间距离:
其中,为模式类ωc中所有第n个特征的均值;μe,n为模式类ωe中所有第n个特征的均值;
5)计算类间距离的方差因子:
6)计算补偿因子γn为:
7)计算类间距离与平均类内距离的比值,从而得到距离评估指标:
对距离评估指标αn进行归一化处理,得到补偿距离评估指标:
8)设定阈值φ,且φ∈[0,1],从特征集{pc,m,n}中选择补偿距离评估指标的特征作为敏感特征,所有敏感特征组成敏感特征向量。
如图2所示,SVDD的基本思想是把要描述的对象作为一个整体,建立一个闭而紧凑的区域,尽可能多的描述对象包含在该区域内,而非该类对象不包含或尽可能少的包含在该区域内。当描述边界确定以后,如果测试样本在描述边界的内部,那么就可以判断其属于目标样本;反之,则可以判断其属于非目标样本,从而实现对数据分类的目的。
所述步骤三中的正常工况下的SVDD超球体模型训练过程如下:
假定包含有n个数据对象的样本集{xi},i=1,...,n,即构建单值分类器的学习样本。SVDD超球体模型的目标是要寻找到一个包含所有的样本xi的超球体,而且该超球体要尽可能的小。该超球体可用其中心a和半径R表示。这样的超球体应满足如下关系
minε=R2i=1,...,n (11)
约束条件:||xi-a||2≤R2 (12)
为增强其分类的鲁棒性,引入松弛因子ξi≥0,i=1,...,n,上式变为
约束条件:||xi-a||2≤R2+ξi,ξi≥0 (14)
式中,C为某个指定的常数,在超球体体积和超球体外样本数比例之间起平衡折中的作用。引入Lagrange因子αi≥0,γi≥0,,上述问题转化为Lagrange极值问题:
对于每一个样本xi都有一个对应的Lagrange系数αi和γi。经过变换,上述优化问题可写成如下形式:
在实际的计算中,只有满足式(14)中等号成立的那些样本对应的Lagrange参数αi将不为0(大于0),而这部分样本通常只是少数,多数的αi将为0。其不为0的αi对应的样本称之为支持向量,只有这少数的支持向量决定了超球体中心a和半径R的值,其他非支持向量在计算中将被忽略。超球体半径R可由任一支持向量xk按下式求出:
步骤四:采取测试工况下的振动类数据、工艺类数据和电气类数据,并用步骤二中的特征提取方法对测试工况下的振动类数据进行15个特征向量提取。
步骤五:运用补偿距离评估技术对步骤四中的15个特征向量进行优化选取,将优化选取后的特征向量与步骤四中采集的工艺类数据和电气类数据共同形成测试向量。
步骤六:将步骤五得到的测试向量输入到步骤三中训练好的SVDD超球体模型,依据测试向量所对应的输出结果是否分布在SVDD超球体模型之外而决定是否报警。
所述步骤六中的测试向量的预警过程如下:
对于一个新样本即测试样本z,判断它是否属于目标样本,就看该样本到超球体中心a的距离是否大于超球体半径R。如果
成立,则判断样本z属于目标样本,即证明测试向量所对应的设备运行状态为正常工况,系统不报警;否则判断其为非目标样本,即证明测试向量所对应的设备运行状态为异常工况,系统报警。
所述步骤六的报警方法是:
61)通过步骤三得到正常工况下SVDD超球体模型及超球体的半径R;
62)通过步骤四和步骤五得到测试向量z;
63)将测试向量z输入到步骤61)中的SVDD超球体模型,并根据式(18)判断是否报警:若满足,证明测试向量z所对应的设备状态为正常;反之,测试向量z视为异常,系统报警。
本发明首先采集监测设备正常运行状态下的振动信号的数据,对其进行峰值、平均值、1倍频幅值、2倍频幅值、小波能量谱熵值等15个指标特征提取组成特征向量,运用补偿距离评估方法对特征向量进行优化选取,将优化选取的特征向量与设备正常工况下工艺数据(如温度值、速度值及流量等)形成敏感特征向量集作为SVDD模型正常工况下的训练样本,以训练形成设备正常工况下的SVDD超球体模型;其次,对测试振动信号数据采取上述同样的处理步骤后,将所得到的优化选取特征向量与测试工况下工艺数据(如温度值、速度值及流量等)形成测试敏感特征向量集输入到训练好的正常工况下的SVDD超球体模型;最后,对测试敏感特征向量输入到正常工况下SVDD超球体模型的输出进行相应的分析,当设备异常即将发生异常时,输出将分布在超球体之外;反之,系统不报警。本发明可引导设备管理人员对设备的运行状态做出正确的判断,从而做到设备的智能维修,避免传统设备管理中的过剩维修、维修过量等弊端。
实施例2
如图3所示,一种基于大数据敏感特征优化选取的设备故障预警系统,包括:数据采集模块、特征量提取模块、预警模型训练模块和预警模块,数据采集模块分别与特征量提取模块和预警模型训练模块相连接,特征量提取模块与预警模型训练模块相连接,预警模型训练模块与预警模块相连接。
数据采集模块,用于采集设备机组的振动类参量、工艺类参量和电气类参量;
特征量提取模块,用于设备正常工况下和测试工况下的振动类参量的特征提取;
预警模型训练模块,用于将设备正常工况下的振动提取特征量、工艺特征量输入到SVDD模型,训练设备正常工况下的SVDD超球体模型;
预警模块,用于将设备测试工况下的振动数据特征提取量、工艺特征量组成的敏感特征向量输入到训练好的正常工况下的SVDD超球体模型,依据输出是否分布在超球体之外触发设备报警与否。
基于上述基本技术方案,以下给出基于大数据敏感特征优化选取的设备故障预警系统具体的实施方式,当然,本发明并不局限于下述实施方式。本实施例中,预警模块的预警对象是旋转类机械。
设备预警系统包括数据采集模块、Webservice接口调用模块、数据格式定义模块、机组注册模块、数据持久化模块、特征量提取模块和预警报告模块。除了数据采集模块之外,上述各模块均为软件模块。Webservice接口调用模块分别与数据采集模块和机组注册模块相连接,数据采集模块与数据持久化模块相连接,数据持久化模块通过数据库与特征提取模块相连接,特征提取模块与预警报告模块相连接。数据采集模块采集机组的相关数据,有振动类参量、工艺类参量和电气类参量;工艺类参量有如温度、压力及流量等参量;电气类参量有如电流及电压等参量;对采集数据中的振动类参量进行滤波处理,去除白噪声,而工艺类参量和电气类参量不用滤波。Webservice接口调用模块负责预警系统对外的接口;数据格式定义模块定义了预警系统对预警数据的XML格式要求;XML信息包括机组的转速、功率、传感器类型、报警类型及机组的实时监测振动数据等信息。机组注册模块包含预警机组的相关信息;数据持久化模块将注册数据持久化到预警系统的数据库中;特征提取模块对持久化到预警系统数据库中的数据进行特征提取;预警报告模块负责预警结果的输出和报告的生成。
本设备预警系统的特征量提取模块对设备振动数据的特征提取。提取出振动数据的峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值、3倍频幅值、波形指标、脉冲指标、峰值指标、裕度指标、歪度指标、峭度指标和小波谱能量熵。实际工业的故障诊断中,工艺类参量和电气类参量往往为观察量或手抄量,可直接作为特征量使用,不像振动类参量需要相关的特征提取技术,故本实施例中,工艺类参量和电气类参量无需增加相关特征提取说明。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据敏感特征优化选取的设备故障预警方法,其特征在于,其步骤如下:
步骤一:采集设备正常工况下振动类数据、工艺类数据和电气类数据;
步骤二:选取步骤一中的振动类数据,并对其进行包括小波能量谱熵的15个指标的特征提取得到15个特征向量;
步骤三:运用补偿距离评估方法对步骤二中的15个特征向量进行优化选取,将优化选取后的特征向量与步骤一中的工艺类数据和电气类数据共同形成SVDD超球体模型的正常工况下的训练样本并训练相应的SVDD超球体模型;
步骤四:采取测试工况下的振动类数据、工艺类数据和电气类数据,并用步骤二中的特征提取方法对测试工况下的振动类数据进行15个特征向量提取;
步骤五:运用补偿距离评估方法对步骤四中的15个特征向量进行优化选取,将优化选取后的特征向量与步骤四中采集的工艺类数据和电气类数据共同形成测试向量;
步骤六:将步骤五得到的测试向量输入到步骤三中训练好的SVDD超球体模型,依据测试向量所对应的输出结果是否分布在SVDD超球体模型之外而决定是否报警。
2.根据权利要求1所述的基于大数据敏感特征优化选取的设备故障预警方法,其特征在于,所述步骤二和步骤四中的振动类数据特征提取的15个特征量包括峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值、3倍频幅值、波形指标、脉冲指标、峰值指标、裕度指标、歪度指标、峭度指标和小波能量谱熵;其中,峰值、峰峰值、平均幅值、方根幅值、有效值、1倍频幅值、2倍频幅值和3倍频幅值为有量纲幅域指标,波形指标、脉冲指标、峰值指标、裕度指标、歪度指标和峭度指标为量纲为一的幅域指标。
3.根据权利要求2所述的基于大数据敏感特征优化选取的设备故障预警方法,其特征在于,所述小波能量谱熵的计算方法为:采用小波能量熵时频分析方法对振动类参量的振动信号进行特征提取,小波能量谱熵为:且其中,ph表示小波变换第h级小波分解级别的能量百分比;N表示小波分解级数;Eh为原始振动信号的连续小波变换后第h级小波分解尺度上的能量值。
4.根据权利要求1所述的基于大数据敏感特征优化选取的设备故障预警方法,其特征在于,所述步骤三中设备正常工况下的SVDD超球体模型实现方法为:
假定包含有n个数据对象的样本集{xi}构建单值分类器的学习样本,寻找一个包含所有样本xi的超球体且该超球体要尽可能的小,i=1,...,n;该超球体用其中心a和半径R表示满足如下关系:
minε=R2;
约束条件为:||xi-a||2≤R2;
引入松弛因子ξi≥0,超球体最小化问题变为:
约束条件为:||xi-a||2≤R2+ξi,ξi≥0;
其中,ε为最小化函数,C为指定的常数;
引入Lagrange因子αi≥0,γi≥0,超球体最小化问题问题转化为Lagrange极值问题:
对于每一个样本xi都有一个对应的Lagrange因子αi和γi,经过变换,Lagrange极值问题可写成Lagrange极值变换问题:
超球体的半径R由任一支持向量xk求出:
对于一个新样本即测试样本z,判断它是否属于目标样本,就判断测试样本z到超球体的中心a的距离是否大于超球体半径R,即如果:
成立,则判断测试样本z属于目标样本,否则判断测试样本z为非目标样本。
5.根据权利要求1所述的基于大数据敏感特征优化选取的设备故障预警方法,其特征在于,所述步骤三和步骤五中的补偿距离评估方法的实现方法为:
1)假设含有C个模式类ω1,ω2,…ωc的特征集为:
{pc,m,n,c=1,2,…C;m=1,2,…,Mc;n=1,2,…,N};
其中,pc,m,n,为在c状态下第m个样本的第n个特征,Mc是在c状态下的样本总数,N为每个样本的特征数目;
2)计算模式类ωc中所有特征向量的平均距离:
对平均距离dc,n求平均后得到平均类内距离为:
3)计算平均类内距离的方差因子:
4)计算C个模式类的类间距离:
其中,为模式类ωc中所有第n个特征的均值;μe,n为模式类ωe中所有第n个特征的均值;
5)计算类间距离的方差因子:
6)计算补偿因子γn为:
7)计算类间距离与平均类内距离的比值,从而得到距离评估指标:
对距离评估指标αn进行归一化处理,得到补偿距离评估指标:
8)设定阈值φ,且φ∈[0,1],从特征集{pc,m,n}中选择补偿距离评估指标的特征作为敏感特征,所有敏感特征组成敏感特征向量。
6.根据权利要求4所述的基于大数据敏感特征优化选取的设备故障预警方法,其特征在于,所述步骤六的报警方法是:
61)通过步骤三得到正常工况下SVDD超球体模型及超球体的半径R;
62)通过步骤四和步骤五得到测试向量z;
63)将测试向量z输入到步骤61)中的SVDD超球体模型,并根据||Z-a||2≤R2判断是否报警:若满足,证明测试向量Z所对应的设备状态为正常;反之,测试向量Z视为异常,系统报警。
7.一种基于大数据敏感特征优化选取的设备故障预警系统,其特征在于,包括数据采集模块、Webservice接口调用模块、数据格式定义模块、机组注册模块、数据持久化模块、特征量提取模块和预警报告模块,Webservice接口调用模块分别与数据采集模块和机组注册模块相连接,数据采集模块与数据持久化模块相连接,数据持久化模块通过数据库与特征提取模块相连接,特征提取模块与预警报告模块相连接;数据采集模块采集机组的相关数据,包括振动类参量、工艺类参量和电气类参量;工艺类参量包括温度、压力及流量;电气类参量有包括电流及电压;Webservice接口调用模块负责对外的接口;数据格式定义模块定义对预警数据的XML格式要求;机组注册模块包含预警机组的相关信息;数据持久化模块将注册数据持久化到数据库中;特征提取模块对持久化到数据库中的数据进行特征提取;预警报告模块负责预警推理、预警结果输出及报告生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283665.0A CN109974782B (zh) | 2019-04-10 | 2019-04-10 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910283665.0A CN109974782B (zh) | 2019-04-10 | 2019-04-10 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109974782A true CN109974782A (zh) | 2019-07-05 |
CN109974782B CN109974782B (zh) | 2021-03-02 |
Family
ID=67083903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910283665.0A Active CN109974782B (zh) | 2019-04-10 | 2019-04-10 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109974782B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693264A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于人工智能及大数据的流体机械诊断系统及方法 |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112395545A (zh) * | 2020-11-26 | 2021-02-23 | 清科优能(深圳)技术有限公司 | 一种基于小波分析的录波数时频熵值特征提取方法 |
CN112699609A (zh) * | 2020-12-31 | 2021-04-23 | 中国人民解放军92942部队 | 一种基于振动数据的柴油机可靠性模型构建方法 |
CN113255777A (zh) * | 2021-05-28 | 2021-08-13 | 郑州轻工业大学 | 基于多模态敏感特征选取融合的设备故障预警方法及系统 |
CN113268552A (zh) * | 2021-05-28 | 2021-08-17 | 江苏国电南自海吉科技有限公司 | 一种基于局部敏感哈希的发电机设备隐患预警方法 |
CN113283744A (zh) * | 2021-05-24 | 2021-08-20 | 国网上海市电力公司 | 一种轻量级用电异常特征指纹库设计和更新方法 |
CN113516159A (zh) * | 2021-04-15 | 2021-10-19 | 成都运达科技股份有限公司 | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 |
CN114169539A (zh) * | 2022-02-11 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 模型训练方法、训练装置、电子设备和计算机可读介质 |
CN114882683A (zh) * | 2022-07-11 | 2022-08-09 | 深圳市鼎合丰科技有限公司 | 一种用于半导体器件的处理设备报警系统及方法 |
CN117804637A (zh) * | 2024-03-01 | 2024-04-02 | 山东本草堂中药饮片有限公司 | 用于中药材深加工的烘焙温度智能监测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046327A1 (en) * | 2008-08-06 | 2010-02-25 | Orlin David J | Methods and Systems to Detect Changes in Multiple-Frequency Band Sonar Data |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
JP2016526154A (ja) * | 2013-05-06 | 2016-09-01 | ハイドロ−ケベック | 傾向分析およびパターン認識用の信号関連測定値の定量的分析 |
CN106446931A (zh) * | 2016-08-30 | 2017-02-22 | 苏州大学 | 基于支持向量数据描述的特征提取及分类方法及其系统 |
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
US20190095400A1 (en) * | 2017-09-28 | 2019-03-28 | Sas Institute Inc. | Analytic system to incrementally update a support vector data description for outlier identification |
-
2019
- 2019-04-10 CN CN201910283665.0A patent/CN109974782B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100046327A1 (en) * | 2008-08-06 | 2010-02-25 | Orlin David J | Methods and Systems to Detect Changes in Multiple-Frequency Band Sonar Data |
JP2016526154A (ja) * | 2013-05-06 | 2016-09-01 | ハイドロ−ケベック | 傾向分析およびパターン認識用の信号関連測定値の定量的分析 |
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN105528504A (zh) * | 2016-03-01 | 2016-04-27 | 哈尔滨理工大学 | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 |
CN105759201A (zh) * | 2016-03-11 | 2016-07-13 | 江苏镇安电力设备有限公司 | 基于异常样本识别的高压断路器自诊断方法 |
CN106446931A (zh) * | 2016-08-30 | 2017-02-22 | 苏州大学 | 基于支持向量数据描述的特征提取及分类方法及其系统 |
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN107562979A (zh) * | 2017-07-11 | 2018-01-09 | 江南大学 | 一种基于foa‑wsvdd的滚动轴承性能退化评估方法 |
US20190095400A1 (en) * | 2017-09-28 | 2019-03-28 | Sas Institute Inc. | Analytic system to incrementally update a support vector data description for outlier identification |
Non-Patent Citations (4)
Title |
---|
DAVID M.J.等: "Data Domain Description using Supp ort", 《 EUROPEAN SYMPOSIUM ON ARTIFICIAL NEURAL NETWORKS》 * |
刘震坤: "基于支持向量数据描述的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李凌均等: "基于全矢谱和动态支持向量数据描述的滚动轴承故障诊断研究", 《机械强度》 * |
王宏超: "基于稀疏分解及图像稀疏表征的滚动轴承微弱故障诊断", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693264B (zh) * | 2020-06-16 | 2021-03-16 | 清华大学 | 一种基于人工智能及大数据的流体机械诊断系统及方法 |
CN111693264A (zh) * | 2020-06-16 | 2020-09-22 | 清华大学 | 一种基于人工智能及大数据的流体机械诊断系统及方法 |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN111949700B (zh) * | 2020-06-24 | 2024-04-09 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112395545A (zh) * | 2020-11-26 | 2021-02-23 | 清科优能(深圳)技术有限公司 | 一种基于小波分析的录波数时频熵值特征提取方法 |
CN112699609A (zh) * | 2020-12-31 | 2021-04-23 | 中国人民解放军92942部队 | 一种基于振动数据的柴油机可靠性模型构建方法 |
CN113516159B (zh) * | 2021-04-15 | 2023-05-26 | 成都运达科技股份有限公司 | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 |
CN113516159A (zh) * | 2021-04-15 | 2021-10-19 | 成都运达科技股份有限公司 | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 |
CN113283744A (zh) * | 2021-05-24 | 2021-08-20 | 国网上海市电力公司 | 一种轻量级用电异常特征指纹库设计和更新方法 |
CN113268552A (zh) * | 2021-05-28 | 2021-08-17 | 江苏国电南自海吉科技有限公司 | 一种基于局部敏感哈希的发电机设备隐患预警方法 |
CN113255777A (zh) * | 2021-05-28 | 2021-08-13 | 郑州轻工业大学 | 基于多模态敏感特征选取融合的设备故障预警方法及系统 |
CN114169539A (zh) * | 2022-02-11 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 模型训练方法、训练装置、电子设备和计算机可读介质 |
CN114882683A (zh) * | 2022-07-11 | 2022-08-09 | 深圳市鼎合丰科技有限公司 | 一种用于半导体器件的处理设备报警系统及方法 |
CN117804637A (zh) * | 2024-03-01 | 2024-04-02 | 山东本草堂中药饮片有限公司 | 用于中药材深加工的烘焙温度智能监测方法 |
CN117804637B (zh) * | 2024-03-01 | 2024-05-07 | 山东本草堂中药饮片有限公司 | 用于中药材深加工的烘焙温度智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109974782B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109974782A (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及系统 | |
Santoso et al. | Power quality disturbance waveform recognition using wavelet-based neural classifier. II. Application | |
CN106006344B (zh) | 扶梯故障在线预警系统及故障诊断方法 | |
Jiang et al. | Spatial-temporal synchrophasor data characterization and analytics in smart grid fault detection, identification, and impact causal analysis | |
Turunen et al. | Comparison of three electromechanical oscillation damping estimation methods | |
CN107748314A (zh) | 基于声波震荡检测的变压器故障分析系统 | |
JP5291177B2 (ja) | ユーザーフィードバック情報に基づく電気器具検出方法とシステム | |
CN109033612A (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
CN100474878C (zh) | 图像质量预测方法和设备以及故障诊断系统 | |
CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
CN106022366B (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
CN109885854A (zh) | 基于arma模型的颤振边界实时预测系统及预测方法 | |
CN101916241A (zh) | 一种基于时频分布图的时变结构模态频率辨识方法 | |
CN109830972A (zh) | 一种新能源场站振荡源快速识别系统及方法 | |
CN106796157A (zh) | 检测配送网络、特别是饮用水配送网络中的异常的方法 | |
CN108981796A (zh) | 一种五位一体水力机械故障诊断方法 | |
CN106762343A (zh) | 基于在线数据的水轮发电机组推力轴承故障的诊断方法 | |
CN110082082A (zh) | 一种基于振动信号主成分分析法的gis状态识别方法 | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
CN109034277A (zh) | 基于多特征融合的电能质量扰动分类方法及系统 | |
CN110412368A (zh) | 基于声纹识别的电力设备在线监测方法及系统 | |
CN102456032B (zh) | 数据库安全保护方法和装置 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
Saikia et al. | Detection and classification of power quality disturbances using wavelet transform, fuzzy logic and neural network | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |