CN110162746A - 一种多参数融合相似度的健康预警及故障诊断方法 - Google Patents

Abstract

本发明公开了一种多参数融合相似度的健康预警及故障诊断方法，包括以下步骤：S1，采集设备运行时的实施数据，通过加权马氏相似度算法进行健康诊断，计算出健康值计算，同时进行实施数据的备份；S2，若计算得出的相似度值小于设定的健康阈值，则判定此时设备处于健康状态，显示出健康状态曲线，若计算得出的相似度值大于设定的健康阈值，此判定此时设备处于故障状态，启动相似度融合算法进行故障诊断，本发明的有益效果是：该方法根据实时数据自动更新模型中心参数，适合实时性要求较高的在线应用，诊断方法具有自学习能力，算法运行中可自行修正计算融合相似度所需要的中心参数。本发明结构简单可靠，诊断正确率高，实时性强，适合在线运用。

Description

一种多参数融合相似度的健康预警及故障诊断方法

技术领域

本发明是一种多参数融合相似度的健康预警及故障诊断方法。

背景技术

在工业生产中，对于大型设备或整个系统自身的运行状况及时了解是十分必要的。在系统或设备存在问题的初期，如果及时发现其存在异常，可以做到“防微杜渐”，提早解决问题。但是反映一个系统状态的过程参数很多，同时监视这些参数对于运行人员压力较大，如果能够将多个反映系统或设备状态的参数整合为一个健康指数，进而形成一条反映设备健康程度的健康指数预警曲线，将大大减少运行人员的工作量和工作压力。若健康指数曲线一直降低说明设备有发生故障的趋势，应及时加强对此设备的监测或提早检修；当健康指数低于设定阈值时，应启动故障诊断程序发现故障原因。做到有故障苗头早发现，发现故障及时处理，可以大大提高设备或系统的可靠性。

故障诊断的方法有很多，可以采用卡尔曼滤波、小波变换或支持向量机、神经网络等人工智能方法，但是这些方法不太适合于健康指数的计算。相似性原理是实现设备或系统健康指数计算以及故障诊断的重要方法之一。近年来，我国不少学者从事基于相似性原理的研究并将并其应用于故障诊断。郭鹏等应用非线性状态估计(Nonlinear StateEstimation,NSET)对风电设备进行设备状态预警和故障诊断，肖先亮将相似性原理应用于电压暂降方面的研究，韩涵将改进的马氏距离应用于模拟电路故障诊断，张胜君还将相性理论应用于医学诊断。但是综合来看，这些方法还存在一定的局限性，如诊断的精度不高，需要规模较大的记忆矩阵或样本库等。这些原因导致诊断过程或算法过于复杂，无法保证实时性，因此限制了这些成果的应用和推广。

发明内容

本发明的目的在于提供一种多参数融合相似度的健康预警及故障诊断方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种多参数融合相似度的健康预警及故障诊断方法，包括以下步骤：

S1，采集设备运行时的实施数据，通过加权马氏相似度算法进行健康诊断，计算出健康值计算，同时进行实施数据的备份；

S2，若计算得出的相似度值小于设定的健康阈值，则判定此时设备处于健康状态，显示出健康状态曲线，根据结果修正加权马氏相似度算法的参数进行修正；

若计算得出的相似度值大于设定的健康阈值，此判定此时设备处于故障状态，启动相似度融合算法进行故障诊断，对备份后的实施数据进行计算，得到与融合相似度最小者相对应的故障类型，并输出，同时根据结果修正相似度融合算法的参数；

S3，故障输出完成后，故障诊断功能停用，等待下次通过加权马氏相似度算法计算得出的结果大于设定的健康阈值，重新启用故障诊断功能。

作为本发明进一步的方案：所述加权马氏相似度算法公式为：

作为本发明再进一步的方案：所述相似度融合算法公式为：

H(x)＝[sin(x,u,W)D_WMahal(x,u,W)]。

作为本发明进一步的方案：步骤S2中，根据计算结果对算法参数进行修正的具体过程如下：

定义参与运行的数据向量数为k，由均值定义可知因此可得

由协方差定义，当其样本个数为k时，有而当样本个数增加至k+1时，则该式可分解为和

新增数据与原有数据满足同一分布，故数据与原均值不会偏离太大，再加上求取均值的数据数目庞大，约等于

即有

健康预警功能依据健康指数计算来进行，在计算系统或设备的健康指数时，应将反映与正常模型中心接近程度的改进加权马氏距离映射到(0，100％)之间的值，数值越接近100％，说明该设备越健康，定义系统的健康指数为：

与现有技术相比，本发明的有益效果是：该方法根据实时数据自动更新模型中心参数，适合实时性要求较高的在线应用，诊断方法具有自学习能力，算法运行中可自行修正计算融合相似度所需要的中心参数。本发明结构简单可靠，诊断正确率高，实时性强，适合在线运用。

附图说明

图1是健康指数计算及故障诊断系统示意图。

图2是四种不同的余弦相似度对比(横坐标为反映系统健康状况数据的向量序号，纵坐标由此微量计算出的无量纲相似度)。

图3是欧氏距离下各种工况数据与正常中心相似度(横坐标为反映系统健康状况数据的向量序号，纵坐标由此微量计算出的无量纲相似度)。

图4是正常与故障工况相似度对比(横坐标为反映系统健康状况数据的向量序号，纵坐标由此微量计算出的无量纲相似度)。

图5是正常状态健康度曲线(横坐标为时间，纵坐标为健康指数)。

图6是故障状态下的健康度曲线(横坐标为时间，纵坐标为健康指数)。

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1～6，本发明实施例中，一种多参数融合相似度的健康预警及故障诊断方法，对于n维状态向量x，距总体中心u的余弦相似度计算方法没有考虑到各维度上不同量级对相似度的影响，容易强调大量级的数据对于相似度的影响。为了解决此问题，在计算状态向量到中心的余弦相似度时，我们可以将其改进为标准化的余弦相似度。将所有数据都与样本中心进行相除处理，标准化的余弦相似度的公式变为：

(式中，cos_norm(x,u)，cos(x^*,I_1×n)为标准化的余弦相似度公式，dot(x,I_1×n)表示内积运算，‖x^*||·||I_1×n||为两向量的2范数，x^*为标准化处理后的个体向量)

我们还可以进一步考虑不同维度上的数据对于余弦相似度计算的贡献的不同，即计算余弦相似度应将不同维度对设备状态影响的程度考虑在内，即需要设置权值矩阵。权值矩阵主对角线上的值可以根据数据样本的主成分分析结果来确定。主对角线外的其余元素皆为零，加权余弦相似度公式为：

(式中，cos(x,u,W)为加权余弦相似度公式，x为状态向量，W为加权矩阵，u样本中心)

将上述两种因素综合起来进行考虑，不仅顾及到数量级对余弦相似度的影响，又考虑到对余弦相似度的贡献度，则可将加权的余弦相似度进一步改进，我们把它命名为改进的加权余弦相似度：

(其中，cos_norm(x,u,W)为改进的加权余弦相似度公式，x^*标准化处理后的状态向量，W为加权矩阵。)

进行健康指数计算时，较好的计算方法应能找到一条平行于横坐标的直线将不同类型数据距离正常中心区分开。

定义区分度：

(其中，A_Dif为区分度，D_{fault_min}为故障数据距离正常中心的最小值，D_{normal_max}为正常数据距离正常中心的最大值。)

显然，A_Dif值越大，越容易确定适合的阈值将工况区别为正常与故障，，当A_Dif小于0时，说明无法找出一条曲线完全区分两种类型。此时区分线以上出现的正常数据点对应的相似度越多，则算法的区分度越差(即将正常工况判断为故障工况的比率)。本发明中所有相似度对比图中横坐标为反映系统健康状况数据的向量序号，纵坐标由此微量计算出的无量纲相似度。图2中实线是正常数据跟正常类型中心的相似度，点划线为磨煤机打滑故障数据与正常中心相似度。

从图2可以发现，采用普通余弦相似度度量的正常数据及故障数据与正常中心相似度区分度最差，采用标准化的方法以及加权方法虽然有改善，但仍然有无法彻底分离的现象，采用改进的加权余弦相似度区别度最好，本发明将采用改进后的加权余弦相似度进行健康指数计算和故障诊断。但是图2所示的四种相似度计算对应的A_Dif皆小于0，说明在很多情况下仅根据余弦相似度计算系统健康指数是不够的。

标准化的欧氏距离虽在一定程序上可消除不同维度数据量级对相似度计算的影响，但无法消除状态向量不同维度之间的影响。

在此，我们首先将制粉系统正常工况以及6种故障工况的样本分别与正常总体中心进行欧氏相似度计算，其结果如图3所示。

图4中采用标准化欧氏距离和马氏距离度量两种工况的距离两种方法计算的A_Dif分别为0.55和1.69。这两种方法虽然比欧氏距离度量方法的区分度有所改善，能够设定甄别正常工况和故障工况的阈值，但仍然存在改进空间。

马氏距离过大的放大了小数量数据所起作用，且对于不同维度向量起到的重要作用未能加入考虑。本文提出了一种改进的加权马氏距离，对于不同的维度，根据其值量级大小以及其主成分分析对相似度的贡献来对相似度重新进行计算。

权值矩阵的主对角线元素量值的制订规则为：如果其主成分分析的贡献率从小至大排序，式中i为贡献率排序序号。

(其中，wpca_i为主对角线元素量值，i为贡献率排序序号，k为样本向量数。)

仿真结果表明，采用上式确定的权值计算相似度的区别度要好过直接采用主成分分析贡献率系数构成的权值矩阵。采用马氏距离计算相似度时，数量级微小的分量在计算相似度时有被夸大因素，因此，在制定加权矩阵时，应考虑这一因素。如果样本中心各分量按绝对值由小至大排列序号1，2，…，得到的权值矩阵的主对角线元素可按下式求取：

(其中，wval_i为权值矩阵的主对角线元素，i为贡献率排序序号，k为样本向量数。)综合考虑上述两种因素，得到加权的马氏距离计算公式为：

(其中，x为样本数据，u为总体中心，W为权值矩阵，Σ为协方差矩阵。)

图4中采用改进加权的马氏距离算法计算的常数据与故障数据距正常中心对应A_Dif为6.2，比一般的马氏距离区分度大提高。大量实验表明，随着观测系统健康指数数据量增大，各种度量方法的区分度都会下降，如果仅仅根据加权的马氏距离对数据进行区分，仍然可能会出现误分类。可考虑将样本点距离某种工况中心的加权余弦相似度和加权马氏距离作为特征数据，将这两个特性进行融合。

进一步，对两种相似度进行融合。

对于加权的马氏距离而言，其值越小则说明测试的个体样本与中心相似度越高，而对于加权的余弦相似度，其值越接近1，则说明其相似度越高。如果从角度相似因素度量标准变化为数值越小对应相似度越高，则可定义加权正弦相似度的定义为：

(其中，sin(x,u,W)为加权正弦相似度，cos²(x,u,W)为加权余弦相似度。)

为了能将某一实时向量数据的加权正弦相似度与改进的加权马氏距离有效融合，可将这一计算出来的值重新构建一个二维向量，即

H(x)＝[sin(x,u,W)D_WMahal(x,u,W)]，将其简记为H＝[sin(x)D_WMahal(x)]。

因为两个维度数量级不同且有较强的相关性，因此也可以采用改进的加权马氏距离来计算相似度，即

(其中，H_WMahal(H,W_H)为相似度，W_H为复合的基于H(x)向量组的权值矩阵，H为向量组，为向量组中心。)

式中W_H为复合的基于H(x)向量组的权值矩阵。显然，这样构建的向量其第一维参数加权正弦期望值可为0，第二维参数期望的值也可为零，即可令

表1随数据量增长不同度量方法A_Dif变化

度量方法	20	50	100	200	500
						欧氏距离	-0.05	-0.32	-0.33	-0.39	-0.38
标准化欧氏距离	0.55	0.21	0.08	0.005	-0.002
						马氏距离	1.69	0.31	0.09	-0.01	-0.01
加权马氏距离	6.2	1.28	1.03	0.73	0.51
						融合相似度	10.15	2.81	2.62	1.62	0.55

从表1可以看出，加权马氏距离以及融合相似度区分度最好，各种方法随着数据量增大，区分度逐渐变小，加权马氏距离与融合相似度的区分度差距变小。

本发明提出的健康预警及故障诊断系统的系统结构包含两大功能，即基于健康指数计算的健康预警功能和故障诊断功能。

本发明的多个设备或系统的健康度预警系统均并行运行，如果故障诊断系统在预警功能运行时也同时运行，因故障诊断功能对计算机资源的占用较大，不能保证整个系统的实时性。正常运行时，仅健康预警系统正常运行，完成健康指数计算的同时还应及时更新中心参数。健康指数计算时可采用融合相似度，但因其计算过程较为复杂，为了保证实时性，可在进行健康指数计算时，仅采用改进的加权马氏距离进行度量。当系统监测到健康程度低于给定阈值时，启动诊断部件进行诊断，并依据诊断结果对对应类型的模型中心参数进行修正，完成上述功能后故障诊断功能关闭。

若依据历史数据直接计算模型中心参数，随着历史数据规模不断增加，计算过程过于复杂，这显然不适合实时运算。为此，本发明推导了更新均值和协方差矩阵采用的迭代公式。

如果参与运行的数据向量数为k，由均值定义可知

所以有：

(其中，k为样本向量数，ui为样本数据，为均值。)

由协方差定义，当其样本个数为k时，有而当样本个数增加至k+1时，有该式可分解为和

(其中，cov(X,k)，cov(X,k+1)为协方差，x_i为样本数据，为均值，k为样本向量数。)

新增数据与原有数据满足同一分布，故数据与原均值不会偏离太大，再加上求取均值的数据数目庞大，约等于

即有

(其中，cov(X,k)，cov(X,k+1)为协方差，x_i个体向量，为均值，k为样本向量数。)

健康预警功能依据健康指数计算来进行，在计算系统或设备的健康指数时，应将反映与正常模型中心接近程度的改进加权马氏距离映射到(0，100％)之间的值，数值越接近100％，说明该设备越健康。定义系统的健康指数为：

(其中，D_b为系统健康度阀值，D_WMahla(x,Σ,u)为加权马氏相似度，k为样本数据向量个数。)

图5和图6为从某火电厂磨煤系统现场采集两种工况进行健康指数计算过程。两种工况分别为正常工况以及从正常工况发展到磨煤机堵煤工况。图5为正常工况，其健康指数一直位于阈值对应的健康指数90％以上。图4右图中的磨煤机在开始即有健康指数持续下降的趋势，说明故障在逐渐形成，在20秒左右超过健康指数阈值并迅速下降，故障程度在扩大，在150秒健康指数变化趋缓。说明设备故障状况趋于稳定。系统应于10秒左右启动故障诊断程序进行故障诊断。诊断采用本文中提出的方法进行，即与各类故障诊断中心参数进行比对，与哪种中心距离越接近，则诊断为该类故障。表2为本文所用的诊断方法与其它方法诊断结果对比。

表2与其它几种不同诊断方法对比结果

若健康指数曲线一直降低说明设备有发生故障的趋势，应及时加强对此设备的监测或提早检修；当健康指数低于设定阈值时，应启动故障诊断程序发现故障原因。做到有故障苗头早发现，发现故障及时处理，可以大大提高设备或系统的可靠性。当完成诊断过程后，还应自动更新对应故障类型的模型中心参数，提高后续诊断正确率。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种多参数融合相似度的健康预警及故障诊断方法，其特征在于，包括以下步骤：

S1，采集设备运行时的实施数据，通过加权马氏相似度算法进行健康诊断，计算出健康值计算，同时进行实施数据的备份；

S2，若计算得出的相似度值小于设定的健康阈值，则判定此时设备处于健康状态，显示出健康状态曲线，根据结果修正加权马氏相似度算法的参数进行修正；

若计算得出的相似度值大于设定的健康阈值，此判定此时设备处于故障状态，启动相似度融合算法进行故障诊断，对备份后的实施数据进行计算，得到与融合相似度最小者相对应的故障类型，并输出，同时根据结果修正相似度融合算法的参数；

S3，故障输出完成后，故障诊断功能停用，等待下次通过加权马氏相似度算法计算得出的结果大于设定的健康阈值，重新启用故障诊断功能。

根据权利要求1所述的一种多参数融合相似度的健康预警及故障诊断方法，其特征在于，所述加权马氏相似度算法公式为：

2.根据权利要求1所述的一种多参数融合相似度的健康预警及故障诊断方法，其特征在于，所述相似度融合算法公式为：

H(x)＝[sin(x,u,W) D_WMahal(x,u,W)]。

3.根据权利要求1所述的一种多参数融合相似度的健康预警及故障诊断方法，其特征在于，步骤S2中，根据计算结果对算法参数进行修正的具体过程如下：

定义参与运行的数据向量数为k，由均值定义可知因此可得

由协方差定义，当其样本个数为k时，有而当样本个数增加至k+1时，则该式可分解为和

新增数据与原有数据满足同一分布，故数据与原均值不会偏离太大，再加上求取均值的数据数目庞大，约等于

即有

健康预警功能依据健康指数计算来进行，在计算系统或设备的健康指数时，应将反映与正常模型中心接近程度的改进加权马氏距离映射到(0，100％)之间的值，数值越接近100％，说明该设备越健康，定义系统的健康指数为：