CN110046419B - 一种基于ctma-dl算法的动设备故障类型在线诊断方法 - Google Patents

Abstract

本发明属于设备故障诊断领域，涉及一种基于CTMA‑DL算法的动设备故障类型在线诊断方法。该方法利用J判据寻找到各类故障的关键表征参数，对模板库进行初始化；又采用同类参数压缩降低模板库的维度；同时，通过调整允许偏离半径的动态偏离系数和0‑1化动态阈值构成了用于待匹配模板建模的双闭环修正系统，建立精确的待匹配参数模板；最后通过计算待诊断数据与模板库的匹配度，来诊断动设备的故障类型。本发明所设计的CTMA‑DL算法可以有效的降低动设备故障诊断中模板库的维度，提高待匹配模板的精度，从而提高模板匹配速度，实现设备故障的在线诊断效率。

Description

一种基于CTMA-DL算法的动设备故障类型在线诊断方法

技术领域

本发明涉及一种应用于动设备(如：压缩机、透平、泵等设备)故障诊断的处理方法，更具体的说，本发明涉及一种能够对动设备是否发生故障及故障类型进行准确诊断的方法。

背景技术

动设备的结构复杂、零部件多，机构之间联系紧密，某一部分发生故障，往往会引起整台设备的瘫痪，导致整个装置停工，造成很大的经济损失。因此，对动设备故障进行准确及时的诊断具有非常重要的实际意义。动设备发生故障时产生大量的冲击、摩擦以及运行速度的不稳定、负荷的变化，振动激励较多，导致非平稳信号的产生，并且信号中所包含的不同零部件的故障特征频率分布在不同的频带范围内。另外当某一零部件产生故障时，其振动信号常常被其它振动信号和大量的随机噪声所淹没，特别是早期故障时故障特征信息很微弱，并且故障原因与故障表现形式之间没有很清楚的对应关系，造成故障诊断难度偏大。

模板匹配算法是故障诊断中的常用方法。然而，由于动设备运行过程中工况复杂、数据的实时波动频繁、波动性大等特点，无法严格掌握各监控参数的正常工作范围，导致利用传统模板匹配技术无法准确建立模板库。同时，由于动设备的监控参数种类多样，存在同一参数有多个监测点的情况，导致传统的模板匹配算法建立的模板库维度高，不利于动设备故障在线快速诊断。为了解决匹配模板准确建立及降低模板库维度的难题，本发明利用模板匹配的思想，基于时间序列数据样本，设计了一种动设备故障类型的在线诊断方法，即双闭环模板压缩匹配算法(Compressed Template Matching Algorithm with Double-loop，简称CTMA-DL)，该方法通过J判据关键特征参数识别和同类参数压缩的方法降低故障库模板维度；通过调整允许工作范围的动态偏离系数和0-1化动态阈值构成双闭环修正系统，准确计算动设备数据的待匹配模板。

发明内容

本发明设计了一种基于CTMA-DL算法的动设备故障种类型在线诊断方法，实现匹配模板的准确建立，降低模板库维度，提高诊断效率。

所述的基于CTMA-DL算法的动设备故障类型在线诊断方法应用的数据条件为：

具有动设备多部位压力、温度、振动等参数的时间序列样本数据；

存在一个监测部位设置多个检测点的情况；

样本数据按照固定的采样频率实时采集，并具有一定的连续采集时长；

样本数据应包含故障发生情况下的运行数据和正常工作情况下的运行数据；

建立模板库所用时段的样本数据所对应的故障类型已知。

本发明设计了一种基于CTMA-DL算法的动设备故障类型在线诊断方法，该方法包括以下步骤：

步骤1：数据预处理，对样本数据进行数据清洗、异常数据剔除、数据转换等处理，获得较高质量的数据样本X。

步骤2：利用J判据计算各故障类型的关键表征参数集X_f，并初始化模板库，具体方法为：

(1)利用J判据计算各故障类型的关键表征参数集X_f。设共N个时间序列样本数据，每个时间序列的样本数据中含有m个参数，每个参数有n个采样点，N个样本分属于c类故障，每类故障含有N_i个样本数据。

则第j个参数的类内均值矢量为：

第j个参数总的均值矢量为：

第j个参数总的类内离差矩阵为：

总的类间离差矩阵为：

利用s_w和s_b的行列式或迹构造可分离性判据：

J判据的值越大，说明参数的类间距越大而类内距越小，此类参数的分类能力越好，通过选取J判据值较大的参数，组成故障关键表征参数集X_f。

(2)采用0和1两个状态表示设备参数的工作状态，1表示异常，0表示正常。将每类故障模板中与关键表征参数集X_f对应的参数置1，不包含在X_f中的参数置0，非故障数据的模板参数均置0，最终得到c类故障的初始化模板库T₀。

步骤3：采用同类参数压缩法进行对初始化模板库进行再压缩处理，具体方法为：

针对同一设备部位存在多个同类检测参数的情况，进行压缩处理，即将步骤2所述的初始化模板库T₀中同一设备部位的同类样本参数用一个替代参数来表示。压缩的方法是：当模板中同一设备部位的同类参数有任意一个为1时，则令替代参数的值为1，计算公式如下：

T′_0z＝T_0z1∪T_0z2∪…∪T_0zs            公式(6)

式中T_0z1、T_0z2、…、T_0zs表示设备部件的第z类检测参数共s个，T′_0z为替代参数。对初始化模板库T₀中所有参数进行参数压缩处理，建立最终的模板库T。

步骤4：计算各个样本参数的正常工作范围，通过调整动态偏离系数，得到允许偏离半径R，具体方法为：

输入正常工作状态下设备数据，取时间长度t内的时间序列采样点，假设共n个米样点，计算各样本参数的中心，如公式所示：

式中，

表示参数的均值向量，X_i表示设备各参数的第i个采样点的数值。

参数的工作范围平均偏离半径为：

设参数的动态偏离系数矢量为α，则允许偏离半径R为：

R＝α·R₀               公式(9)

其中，α初始化的值为1，可调范围通常在1～3之间。

步骤5：采用时间序列参数模板0-1化方法进行设备参数待匹配模板初始化，具体方法为：

计算时间长度t内时间序列样本参数偏离

的偏差E_r，

对E_r(j)大于允许偏离半径R(j)的采样点进行累积计数(计数值记为count(j))。调整动态阈值Th(j)，若该参数的累积计数值count(j)大于阈值Th(j)，则该参数在模板中记为1，即认为该参数超出正常工作范围，为故障数据；反之，若该参数的累积计数值count(j)小于阈值Th(j)，则该参数在模板中记为0，即认为该参数在正常工作范围内，为正常数据。如公式所示：

对m个参数分别进行上述处理后，获得该样本参数的0-1化矩阵，记为P₀＝{P_0j，j＝1，2…m}；动态阈值矩阵记作Th＝{Th(j)，j＝1，2…m}，初始化动态阈值时令Th最大化，即Th(j)＝n。对各个数据样本时间序列数据进行上述的操作，再步骤3中所述的方法进行同类数据压缩，可获得各样本的待匹配参数模板P_w。

步骤6：采用动态阈值修正法进行待匹配模板建模的内环修正，具体方法为：

将步骤5中所述的P_w与步骤3中所述的模板库T进行匹配。二者不匹配时，返回步骤5，调整动态阈值Th。Th调整的依据是：使表征参数集中的参数在正常工作情况下待匹配模板状态为0，在故障状况下模板状态为1，即找到与故障库参数状态不一致的参数类z，找到第z类参数对应的count(j)，令Th(j)＝count(j)，重新计算P_w，并执行此步操作，直到P_w与T完全匹配为止。

步骤7：采用动态阈值修正法进行待匹配模板建模的外环修正，具体方法为：

(1)将用于测试的故障数据和正常数据进行步骤4和步骤5中所述的操作，获得各工况下压缩后的待匹配参数模板P_w，基于欧式距离对待匹配参数模板P和步骤3中所述的模板库T进行匹配度计算，公式如下：

D_min＝min{(T(k)-P_w(v))((T(k)-P_w(v))^T}               公式(12)

式中，T(k)表示模板库中的第k个模板，P_w(v)表示第v个待匹配模板，D_min表示距离最小，即具有最高匹配度，匹配度最高的模板所对应的故障类型即为待识别的故障类型。

(2)对N个时间序列训练样本进行公式(12)的操作，识别精度如下式所示：

式中，N_r为故障类型识别正确的个数，Q为识别精度。

(3)若Q未达到精度要求，则先记录此时Th、α及精度Q，再判断动态偏离系数α的值是否达到上限；若动态偏离系数α的值未达到上限，则返回步骤4，调整动态偏离系数α，重新计算待匹配参数模板；若动态偏离系数α的值达到上限，则从记录的模板中选择精度最高的Th和α作为待匹配参数模板模型修正系数，待匹配参数模板模型建立完成；若Q达到精度要求，则待匹配参数模板模型建立完成。

动态偏离系数α的调整公式为：

α(j)＝α(j)+Δα                   公式(14)

式中，α(j)表示第j个参数的动态偏离系数，Δα需设定，可取范围为0.1～1。

步骤8：故障类型在线诊断。

对用于待识别的故障数据和正常数据进行步骤4和步骤5的操作，获得各工况下待匹配的参数模板P_w，按照步骤7所述的公式(12)计算P_w和模板库T中各个模板的欧式距离，寻找匹配度最高的模板库模板，欧式距离最小的模板所对应的故障类型即为待识别的故障类型。

本发明的有益效果是：通过本发明所介绍的基于CTMA-DL算法的动设备故障类型在线诊断方法，可以解决由于动设备参数波动频繁及波动范围大而造成工作范围难以准确确定问题，以及模板库维度高、匹配速度慢的问题。相比于传统匹配算法，CTMA-DL算法提高了参数正常工作范围判断的准确性和适用性，降低了模板库的维度，从而提高待匹配模板的建模精度和故障识别速度。

附图说明

图1：系统整体流程图；

图2：CTMA-DL算法流程图；

图3：参数的允许偏离半径示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容了解本发明地其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，因此图示中仅显示与本发明有关的参数而非按照实际实施时的参数类型、数量及状态，其实际实施时设备参数的类型、数量及状态可以根据实际情况改变。

本实施例的一种基于CTMA-DL算法的动设备故障类型在线诊断方法，系统整体流程图如图1所示，CTMA-DL算法流程图如图2所示，该方法主要包括如下步骤：

步骤1：数据预处理，对样本数据进行数据清洗、异常数据剔除、数据转换等处理，获得较高质量的数据样本X。

步骤2：利用J判据计算各故障类型的关键表征参数集X_f，并初始化模板库，具体方法为：

(1)利用J判据计算各故障类型的关键表征参数集X_f。设共N个时间序列样本数据，每个时间序列的样本数据中含有m个参数，每个参数有n个采样点，N个样本分属于c类故障，每类故障含有N_i样本数据。

则第j个参数的类内均值矢量为：

第j个参数总的均值矢量为：

第j个参数总的类内离差矩阵为：

总的类间离差矩阵为：

利用s_w和s_b的行列式或迹构造可分离性判据：

J判据的值越大，说明参数的类间距越大而类内距越小，此类参数的分类能力越好，通过选取J判据值较大的参数，组成故障关键表征参数集X_f。

(2)采用0和1两个状态表示设备参数的工作状态，1表示异常，0表示正常。将每类故障模板中与关键表征参数集X_f对应的参数置1，不包含在X_f中的参数置0，非故障数据的模板参数均置0，最终得到c类故障的初始化模板库T₀。

步骤3：采用同类参数压缩法进行对初始化模板库进行再压缩处理，具体方法为：

针对同一设备部位存在多个同类检测参数的情况，进行压缩处理，即将步骤2所述的初始化模板库T₀中同一设备部位的同类样本参数用一个替代参数来表示。压缩的方法是：当模板中同一设备部位的同类参数有任意一个为1时，则令替代参数的值为1，计算公式如下：

T′_0z＝T_0z1∪T_0z2∪…∪T_0zs           公式(6)

式中T_0z1、T_0z2、…、T_0zs表示设备部件的第z类检测参数共s个，T′_0z为替代参数。对初始化模板库T₀中所有参数进行参数压缩处理，建立最终的模板库T。

步骤4：计算各个样本参数的正常工作范围，通过调整动态偏离系数，得到允许偏离半径R，如图3所示，具体方法为：

输入正常工作状态下设备数据，取时间长度t内的时间序列采样点，假设共n个采样点，计算各样本参数的中心，如公式所示：

式中，

表示参数的均值向量，X_i表示设备各参数的第i个采样点的数值。

参数的工作范围平均偏离半径为：

设参数的动态偏离系数矢量为α，则允许偏离半径R为：

R＝α·R₀                公式(9)

其中，α初始化的值为1，可调范围通常在1～3之间。

步骤5：采用时间序列参数模板0-1化方法进行设备参数待匹配模板初始化，具体方法为：

计算时间长度t内时间序列样本参数偏离

的偏差E_r，

对E_r(j)大于允许偏离半径R(j)的采样点进行累积计数(计数值记为count(j))。调整动态阈值Th(j)，若该参数的累积计数值count(j)大于阈值Th(j)，则该参数在模板中记为1，即认为该参数超出正常工作范围，为故障数据；反之，若该参数的累积计数值count(j)小于阈值Th(j)，则该参数在模板中记为0，即认为该参数在正常工作范围内，为正常数据。如公式所示：

对m个参数分别进行上述处理后，获得该样本参数的0-1化矩阵，记为P₀＝{P_0j，j＝1，2…m}；动态阈值矩阵记作Th＝{Th(j)，j＝1，2…m}，初始化动态阈值时令Th最大化，即Th(j)＝n。对各个数据样本时间序列数据进行上述的操作，再步骤3中所述的方法进行同类数据压缩，可获得各样本的待匹配参数模板P_w。

步骤6：采用动态阈值修正法进行待匹配模板建模的内环修正，具体方法为：

将步骤5中所述的P_w与步骤3中所述的模板库T进行匹配。二者不匹配时，返回步骤5，调整动态阈值Th。Th调整的依据是：使表征参数集中的参数在正常工作情况下待匹配模板状态为0，在故障状况下模板状态为1，即找到与故障库参数状态不一致的参数类z，找到第z类参数对应的count(j)，令Th(j)＝count(j)，重新计算P_w，并执行此步操作，直到P_w与T完全匹配为止。

步骤7：采用动态阈值修正法进行待匹配模板建模的外环修正，具体方法为：

(1)将用于测试的故障数据和正常数据进行步骤4和步骤5中所述的操作，获得各工况下压缩后的待匹配参数模板P_w，基于欧式距离对待匹配参数模板P和步骤3中所述的模板库T进行匹配度计算，公式如下：

D_min＝min{(T(k)-P_w(v))((T(k)-P_w(v))^T}             公式(12)

式中，T(k)表示模板库中的第k个模板，P_w(v)表示第v个待匹配模板，D_min表示距离最小，即具有最高匹配度，匹配度最高的模板所对应的故障类型即为待识别的故障类型。

(2)对N个时间序列训练样本进行公式(12)的操作，识别精度如下式所示：

式中，N_r为故障类型识别正确的个数，Q为识别精度。

(3)若Q未达到精度要求，则先记录此时Th、α及精度Q，再判断动态偏离系数α的值是否达到上限；若动态偏离系数α的值未达到上限，则返回步骤4，调整动态偏离系数α，重新计算待匹配参数模板；若动态偏离系数α的值达到上限，则从记录的模板中选择精度最高的Th和α作为待匹配参数模板模型修正系数，待匹配参数模板模型建立完成；若Q达到精度要求，则待匹配参数模板模型建立完成。

动态偏离系数α的调整公式为：

α(j)＝α(j)+Δα                  公式(14)

式中，α(j)表示第j个参数的动态偏离系数，Δα需设定，可取范围为0.1～1。

步骤8：故障类型在线诊断。

对用于待识别的故障数据和正常数据进行步骤4和步骤5的操作，获得各工况下待匹配的参数模板P_w，按照步骤7所述的公式(12)计算P_w和模板库T中各个模板的欧式距离，寻找匹配度最高的模板库模板，欧式距离最小的模板所对应的故障类型即为待识别的故障类型。

本发明与传统的模板匹配算法的最大区别是：传统的模板匹配算法无法很好的适用于匹配参数波动频繁且随机性大的情况。而本发明所设计CTMA-DL算法，通过调整样本参数允许偏离半径的动态偏离系数和0-1化的动态阈值，实现待匹配参数模板0-1状态的双闭环调整，解决匹配模板准确建立的难题。同时，本发明针对时间序列数据采用J判据计算关键表征参数，并对同类参数进行压缩处理，降低模板库的维度，提高匹配速度。因此，本发明所设计的方法既保证了匹配模板的精度，又提高了匹配速度，能够实现动设备故障的在线快速、准确的诊断。

综上所述，本发明所述的一种基于CTMA-DL算法的动设备故障类型在线诊断方法的具有如下的优点：

1、本发明在待匹配模板建模时，采用了双闭环修正方法，即允许偏离半径动态偏离系数修正和0-1化的动态阈值修正，解决了由于动设备参数波动频繁及波动范围大而造成工作范围难以准确确定的问题，提高了参数正常工作范围判断的准确性和适用性，从而提高待匹配模板的精度。

2、本发明在故障模板库模板制作时，对时间序列参数进行了J判据计算，对同类参数进行压缩处理，有效降低了模板库的维度，提高匹配速度，实现动设备故障类型的在线快速、准确的诊断。

以上示意性的对本发明及其实施方式进行了描述，该描述没有局限性，附图中所示的也只是本发明的实施方式之一。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，采用其它形式的同类部件或其它形式的各部件布局方式，不经创造性的设计出与该技术方案相似的技术方案与实施例，均应属于本发明的保护范围。

Claims (1)

1.一种基于CTMA-DL算法的动设备故障类型在线诊断方法，其特征在于，包括步骤如下：

步骤1：数据预处理，对样本数据进行数据清洗、异常数据剔除、数据转换处理，获得较高质量的数据样本X；

步骤2：利用J判据计算各故障类型的关键表征参数集X_f，并初始化模板库，具体方法为：

首先，利用J判据计算各故障类型的关键表征参数集X_f，设共N个时间序列样本数据，每个时间序列的样本数据中含有m个参数，每个参数有n个采样点，N个样本分属于c类故障，每类故障含有N_i个样本数据；

则第j个参数的类内均值矢量为：

第j个参数总的均值矢量为：

第j个参数总的类内离差矩阵为：

总的类间离差矩阵为：

利用s_wj和s_bj的行列式或迹构造可分离性判据：

J判据的值越大，说明参数的类间距越大而类内距越小，此类参数的分类能力越好，通过选取J判据值较大的参数，组成故障关键表征参数集X_f；

然后，采用0和1两个状态表示设备参数的工作状态，1表示异常，0表示正常；将每类故障模板中与关键表征参数集X_f对应的参数置1，不包含在X_f中的参数置0，非故障数据的模板参数均置0，最终得到c类故障的初始化模板库T₀；

步骤3：采用同类参数压缩法进行对初始化模板库T₀进行再压缩处理，具体方法为：

针对同一设备部位存在多个同类检测参数的情况，进行压缩处理，即将步骤2所述的初始化模板库T₀中同一设备部位的同类样本参数用一个替代参数来表示，压缩的方法是：当模板中同一设备部位的同类参数有任意一个为1时，则令替代参数的值为1，计算公式如下：

式中，T_0z1、T_0z2、…、T_0zs表示设备部件的第z类检测参数共s个，T′_0z为替代参数；对初始化模板库T₀中所有参数进行参数压缩处理，建立最终的模板库T；

步骤4：计算各个样本参数的正常工作范围，通过调整动态偏离系数，得到允许偏离半径R，具体方法为：

输入正常工作状态下设备数据，取时间长度t内的时间序列采样点，假设共n个采样点，计算各样本参数的中心，如公式所示：

式中，

表示参数的均值向量，X_i表示设备各参数的第i个采样点的数值；

参数的工作范围平均偏离半径为：

设参数的动态偏离系数矢量为α，则允许偏离半径R为：

R＝α·R₀  公式(9)

其中，α初始化的值为1，可调范围在1～3之间；

步骤5：采用时间序列参数模板0-1化方法进行设备参数待匹配模板初始化，具体方法为：

计算时间长度t内时间序列样本参数偏离

的偏差E_r，

对E_r(j)大于允许偏离半径R(j)的采样点进行累积计数，计数值记为count(j)；调整动态阈值Th(j)，若该参数的累积计数值count(j)大于阈值Th(j)，则该参数在模板中记为1，即认为该参数超出正常工作范围，为故障数据；反之，若该参数的累积计数值count(j)小于阈值Th(j)，则该参数在模板中记为0，即认为该参数在正常工作范围内，为正常数据；该参数在模板中的状态P_0j如公式所示：

对m个参数分别进行上述处理后，获得该样本参数的0-1化矩阵，记为P₀＝{P_0j，j＝1，2…m}；动态阈值矩阵记作Th＝{Th(j)，j＝1，2…m}，初始化动态阈值时令Th最大化，即Th(j)＝n；对各个数据样本时间序列数据进行上述的操作，再按照步骤3中所述的同类参数压缩法进行同类数据压缩，可获得各样本的待匹配参数模板P_w；

步骤6：采用动态阈值修正法进行待匹配模板建模的内环修正，具体方法为：

将步骤5中所述的P_w与步骤3中所述的模板库T进行匹配；二者不匹配时，返回步骤5，调整动态阈值Th；Th调整的依据是：使表征参数集中的参数在正常工作情况下的待匹配模板状态为0，在故障状况下的待匹配模板状态为1，即找到与故障库参数状态不一致的参数类z，找到第z类参数对应的count(j)，令Th(j)＝count(j)，重新计算P_w，并执行此步操作，直到P_w与T完全匹配为止；

步骤7：采用动态阈值修正法进行待匹配模板建模的外环修正，具体方法为：

首先，将用于测试的故障数据和正常数据进行步骤4和步骤5中所述的操作，获得各工况下压缩后的待匹配参数模板P_w，基于欧式距离对待匹配参数模板P_w和步骤3中所述的模板库T进行匹配度计算，公式如下：

D_min＝min{(T(k)-P_w(v))((T(k)-P_w(v))^T}  公式(12)

式中，T(k)表示模板库中的第k个模板，P_w(v)表示第v个待匹配模板，D_min表示距离最小，即具有最高匹配度，匹配度最高的模板所对应的故障类型即为待识别的故障类型；

然后，对N个时间序列训练样本进行公式(12)的操作，识别精度Q如下式所示：

式中，N_r为故障类型识别正确的个数；

最后，若Q未达到精度要求，则先记录此时Th、α及精度Q，再判断动态偏离系数矢量α的值是否达到上限；若动态偏离系数矢量α的值未达到上限，则利用公式(14)调整动态偏离系数矢量α，并返回步骤4，重新计算允许偏离半径和待匹配参数模板；若动态偏离系数矢量α的值达到上限，则从记录的模板中选择精度最高时对应的Th和α作为待匹配参数模板模型修正系数，待匹配参数模板模型建立完成；若Q达到精度要求，则待匹配参数模板模型建立完成；

动态偏离系数矢量α的调整公式为：

α(j)＝α(j)+Δα  公式(14)

式中，α(j)表示第j个参数的动态偏离系数，Δα需设定，可取范围为0.1～1；

步骤8：故障类型在线诊断，具体方法为：

对用于待识别的故障数据和正常数据进行步骤4和步骤5的操作，获得各工况下待匹配的参数模板P_w，按照步骤7所述的公式(12)计算P_w和模板库T中各个模板的欧式距离，寻找匹配度最高的模板库模板，欧式距离最小的模板所对应的故障类型即为待识别的故障类型。

Images