CN110515781B - 一种复杂系统状态监测及故障诊断方法 - Google Patents

Abstract

本发明提供了一种复杂系统状态监测及故障诊断方法，包括：S1、采集待监测、诊断的信号进行解析；S2、对所述信号进行阈值分析或者进行阈值分析和时序分析；S3、若所述阈值分析和/或时序分析结果异常，则输出异常结果至故障专家诊断模块进行故障诊断。本发明的方法既可以弥补现有实时故障诊断方法在针对系统运行过程分析上的缺失，又可以满足飞行过程进行故障诊断时实时更新故故障诊断的数据，满足实时性要求。经过测试，以某型号单轴管道测试转台为待监测、诊断系统，本发明的方法对状态监测及故障诊断的正确率达到99.08％，实时性验证良好，可靠性高。

Description

一种复杂系统状态监测及故障诊断方法

技术领域

本申请涉及机械工程技术领域，特别是涉及复杂系统检测故障或潜在故障的故障诊断。

背景技术

复杂系统在运行过程中，各系统会产生大量的数字量及模拟量信号，为便于操作人员掌握复杂系统各部分的运行状态，做出正确操作及决策，需要在复杂系统关键位置设置数据监测点，数据采集设备将各系统数据进行采集汇总后通过无线传输将数据发送至操作计算机，操作计算机接收到数据后对其进行分析，进行数据处理以实现复杂系统运行状态的监测及故障的诊断。

目前常用的故障诊断数据分析方式有以下两种。

1)是基于收到当前帧的数据对其进行自动判读，通过阈值判断当前瞬态复杂系统运行状态是否健康，并将判读结果进行实时输出。这种方法只能判断系统当前状态范围是否在正常范围内，无法对信号正常范围内的时序错误进行监测，往往只能通过简单的时序逻辑判断进行辅助，对于复杂系统信号的时序变化难以进行准确监测。

2)数据接收设备接收当前帧的数据，并将其进行存储，待系统运行结束后针对整个飞行过程进行事后数据判读以判断系统运行过程是否存在故障，这种方式因事后才能进行判读，若飞行过程中出现潜在故障难以发现，无法进行故障干预，在实际飞行过程中存在风险。

因此，目前需要本领域技术人员迫切解决的一个技术问题就是：设计一种既基于当前瞬态又面向过程的状态监测及故障诊断方法，既可以弥补目前大部分实时故障诊断方式在针对系统运行过程分析上的缺失，又可以针对飞行过程进行故障诊断时实时更新故诊的数据，满足实时性要求。

发明内容

本发明提出一种复杂系统状态监测及故障诊断方法，，既可以弥补目前大部分实时故障诊断方式在针对系统运行过程分析上的缺失，又可以针对飞行过程进行故障诊断时实时更新故诊的数据，满足实时性要求。

为实现本发明的目的，本发明提供一种复杂系统状态监测及故障诊断方法，包括：

S1、采集待监测、诊断的信号进行解析；

S2、对所述信号进行阈值分析或者进行阈值分析和时序分析

S3、若所述阈值分析和/或时序分析结果异常，则输出异常结果至故障专家诊断模块进行故障诊断。

根据本发明的一个方面，在所述步骤S2中，利用阈值判断模块对解析后的信号进行阈值是否超差的判断，并将超差标志位及解析后的数据按时序存储至数据库中。

根据本发明的一个方面，在所述步骤S2中，利用时序特征识别模型对所述信号进行时分析，包括：

S21、构建卷积神经网络模型作为时序特征识别模型；

S22、对信号数据进行可视化处理形成时序图像；

S23、对所述时序图像进行预处理；

S24、利用所述时序特征识别模型对于预处理后的时序图像进行时序特征识别，输出结果。

根据本发明的一个方面，所述步骤S21包括：

S211、采集不同时序状态下的信号数据，对信号数据基于时序进行可视化处理形成可视化图像；

S212、根据采集时的时序状态，对可视化图像依次进行分类和预处理，将预处理后的图像根据分类制作成数据集；

S213、创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数；

S214、利用所述步骤S212中获得的数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。

根据本发明的一个方面，在所述步骤S212中，将预处理后的图像按照正常类别和故障类分别制作成数据集；

所述数据集包括训练集、测试集和验证集。

根据本发明的一个方面，在所述步骤S213中，创建Sample模型同时选择现有的Inception-v3模型设置预约训练参数；

所述Sample模型包括一个输入层、两个隐藏层、两个全连接层及一个softmax分类层。

根据本发明的一个方面，所述步骤S214包括：

使用训练集对Sample模型和Inception-v3模型进行训练；

之后使用所述测试集对训练后的所述模型进行测试，再使用所述验证集对所述模型进行验证，若所述模型满足时序特征识别要求，则将其作为所述时序特征识别模型；

若不满足，则修改历史模式参数设置，重新对所述模型进行训练、测试和验证，直至满足时序特征识别要求，将所述模型作为时序特征识别模型。

根据本发明的一个方面，利用Inception-v3模型进行时序特征识别时，通过限制图像识别结果概率进行系统优化，在图像识别结果概率低于90％时默认图像识别结论错误，使用Sample模型重新进行该信号的时序特征识别。

根据本发明的一个方面，在Inception-v3模型对信号时序特征识别监测到异常后，使用Sample模型对识别结果进行复核；若复核结果与Inception-v3模型的识别结果一致，则输出异常结果；

若复核结果不一致，则使用Sample模型的识别到的异常结果替代Inception-v3模型识别到的异常结果，进行输出。

根据本发明的一个方面，在所述步骤S3中，根据阈值分析输出的异常结果和/或时序分析输出的异常结果，利用知识库中的知识规则进行故障现象匹配，然后推理机基于知识规则进行故障推理，得到故障诊断结论；

所述故障推理类型包括基于单信号阈值分析输出的异常结果确定的故障、基于单信号时序分析输出的异常结果确定的故障、基于多个单信号阈值分析输出的异常结果确定的故障、基于多个单信号时序分析输出的异常结果确定的故障以及基于阈值分析输出的异常结果和时序分析输出的异常结果确定的故障。

本发明的有益效果如下：

本发明的复杂系统状态监控及故障诊断方法，考虑系统运行过程中的时序因素，对监测点监测到的关键数据进行了全过程的记录，可以综合分析单信号的时序特征。结合实时的阈值判断，联合多个信号的时序特征监测结果实现复杂系统，现象过程的实时状态监测与故障诊断。既可以弥补目前大部分实时故障诊断方式在针对系统运行过程分析上的缺失，又可以针对飞行过程进行故障诊断时实时更新故诊的数据，满足实时性要求。

本发明的复杂系统状态监控及故障诊断方法，不需要了解复杂系统的运行及控制原理，即不需要总结时序规律即可时序特征进行识别。通过构建、训练、测试和验证模型，形成最终的时序特征识别模型，然后通过此模型以模型预测的形式对信号数据的可视化时序特征进行识别，适用性广，识别结果准确性高。

附图说明

图1示意性表示本发明的复杂系统状态监测及故障诊断方法的流程示图；

图2示意性表示本发明一种单信号的阈值分析和时序分析过程图；

图3示意性表示本发明的故障类别判定示图。

具体实施方式

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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方式，对于本领域普通技术人员而言，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。

在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。

结合图1所示，本发明的复杂系统状态监测及故障诊断方法包括：S1、采集待监测、诊断的信号进行解析；S2、对信号进行阈值分析或者进行阈值分析和时序分析S3、若阈值分析和/或时序分析结果异常，则输出异常结果至故障专家诊断模块进行故障诊断。

本发明的复杂系统状态监测及故障诊断方法，相比于现有技术在进行复杂系统状态监测及故障诊断时注重实时性的同时只能进行简单的逻辑推断，无法充分考虑系统各部分在运行时各参数的时序特征趋势、而完善的过程分析只能在系统运行结束后利用存储的数据进行事后的分析，在运行过程中出现复杂故障时难以进行及时的处理或干预的缺陷而言，本发明的方法可以进行实时的阈值分析，结合时序特征故障识别(时序分析)，可以实现信号实时状态监测及故障诊断。

结合图1所示，本发明的方法具体可以包括以下两个大的过程，分别为状态监测监控及数据分析和专家模块故障诊断。

其中状态监控及数据分析包括采集到待监测、诊断复杂系统的检测信号，解帧的同时进行阈值判断，判断结果存在异常则将异常信号结果输出。阈值判断完成后判定该信号是否需要进行时序分析，若不需要，则该次数据采集完成，进行下一次数据采集。若需要进行时序分析，则利用时序特征识别模型进行时序状态识别，判定当前信号的时序是否出现异常，若异常则将该信号及异常特征结果进行输出。上述为单信号一次数据采集及处理的过程，通过定时器每5ms对所有信号重复上述过程可实现复杂系统的实时状态监测及数据处理过程。

结合图2所示，对于阈值分析而言，数据采集时为二进制数据流格式，需要解析为十进制数字量或枚举值，在解析的同时完成数据阈值的分析，将解析数据及超差判断标志一起存储至数据库中，便于后续查看。

信号时序分析而言，需要借助时序特征识别模型。具体步骤如下：S21首先需要构建卷积神经网络模型作为时序特征识别模型；S22、对信号数据进行可视化处理形成时序图像；S23、对时序图像进行预处理；S24、利用时序特征识别模型对于预处理后的时序图像进行时序特征识别，输出结果。

而构建卷积神经网络模型作为时序特征识别模型包括：采集不同时序状态下的信号数据，对信号数据基于时序进行可视化处理形成可视化图像；根据采集时的时序状态，对可视化图像依次进行分类和预处理，将预处理后的图像根据分类制作成数据集；创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数；利用获得的数据集对卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型。

具体来说，采集的信号数据记录(数据请求)应不少于20组，确保信号数据可以反映出其时序特征。之后信号数据进行数据可视化处理。根据本发明的一种实施方式，对于请求到的数据按照时序使用Echarts可视化工具将其以时间为横坐标进行可视化处理，得到该信号随时序变化的时序图像。当然，根据本发明的构思，可视化工具的选择不具有局限性，同样可以选择其他可视化工具对信号数据进行处理，原则上只要满足使用要求即可。

之后需要将得到的时序图像根据该信号数据采集时的系统运行状态进行分类，例如：“正常运行时采集的数据图像类、运行时发生故障1时的数据图像类、运行时发生故障2时的数据图像类”等。然后按照信号数据可视化以后的时序图像分类，将所有数据归结为正常类及故障类两大类，以正常类别和故障类别为分类制作数据集。之后按照具体时序特征细再分成若干小类，即将数据集再分为训练集、测试集及验证集，根据本发明的一种实施方式，将训练集、测试集和验证集的比例定为8：1：1，如此便于后续对卷积神经网络的训练、测试及验证。在本实施方式，将时序图像制作为TFRecord格式的数据集。

接着进行卷积神经网络结构设计。根据本发明的构思，可以根据需要自主构建卷积神经网络模型，也可以按照需求使用现有的比较成熟的卷积神经网络模型结构，例如：VGGNet、AlexNet、ResNet等。当然，还可以即使用自主构建的卷积神经网络模型，同时还可以使用现有的比较成熟的卷积神经网络模型结构。在本实施方式中，使用了两种模型结构，一种是自己搭建的Sample模型，其包含一个输入层，两个隐藏层，两个池化层及一个分类层。另外一种是现有的较为成熟的Inception-v3的卷积神经网络模型。

之后在Sample模型和Inception-v3模型进行训练之前，还需要对其设置预训练参数，即对卷积神经网络的学习速率、样本批次容量、权重衰减、训练次数等参数进行设置，以获得最佳收敛效果及准确率、误差损失为目标。

最后再利用数据集对Sample模型和Inception-v3模型进行训练、测试和验证，具体包括：使用训练集对Sample模型和Inception-v3模型进行训练。训练完成之后使用测试集对训练后的模型进行测试，再使用验证集对模型进行验证，获得模型的评估参数。若模型满足时序特征识别要求，则将其作为时序特征识别模型。若不满足，则修改历史模式参数设置，重新对模型进行训练、测试和验证，直至满足时序特征识别要求，将模型作为时序特征识别模型。

获取时序特征识别模型即完成本发明方法的步骤S21，之后即可利用此时序特征识别模型对信号数据进行特征识别。由于信号数据采集时为二进制数据流格式，首先需要将待时序特征识别的信号数据解析为十进制数字量或枚举值，在解析后将解析数据按照时序存储至数据库中。将数据库中存储的当前运行数据按照时间顺序进行可视化，实现数据的时序特征映射至图像形成时序图像。在本实施方式中使用的是Echarts数据可视化工具。

然后需要在步骤S23中对时序图像进行预处理：将信号数据按照时序可视化后的图像进行坐标系的模糊，将所有图像进行形状、像素的统一处理，突出其线性的时序特征及其趋势。

最终在步骤S24中，使用训练、测试后验证后的卷积神经网络模型进行信号时序特征的识别。在本实施方式中，使用的模型是Sample模型及Inception-v3模型。根据实验验证，Sample模型的识别准确率为99.5％，单张图像时序识别的时耗约为58ms。Inception-v3模型的识别准确率为97.3％，单张图像时序识别的时耗约为23ms。

通过上述过程，即可利用Sample模型及Inception-v3模型识别出当前信号数据的时序特征是否发生异常，如发生异常，将则异常结果输出至故障专家诊断模块进行故障诊断。

针对单信号时序特征识别时，Inception-v3时序特征识别模型虽然存在误差，但可以通过限制图像识别结果概率进行系统优化。在图像识别结果概率低于90％时默认图像识别结论错误，此时使用Sample模型重新进行该信号的时序特征识别，利用识别到的异常结果输出至故障专家针对模块进行故障推理，保证状态监控及故障诊断系统的准确性。

此外由于Inception-v3模型的识别速度快，考虑系统实时性，选用了Inception-v3进行实时的状态监控及故障诊断，但是在多个信号时序特征识别进行综合故障诊断时误差累积将会降低系统故障诊断的准确性，造成故障诊断准确率将随着参与故障诊断的时序特征识别信号的增多而逐渐下降的现象。其根本原因为改进后的Inception-v3模型进行时序特征识别的准确率不高，因此多个信号时序特征识别后的诊断误差累积会增加。由于Sample模型进行时序特征识别的准确率高，在模型预测时结果接近100％，尽管识别速度低于Inception-v3模型，但是可以在Inception-v3模型对多信号时序特征识别监测到异常后，使用Sample模型对识别结果进行复核。若复核结果与Inception-v3模型的识别结果一致，则按照正常流程进行故障推理输出故障诊断结论；若复核结果不一致，则使用Sample模型的识别结果替代Inception-v3模型的识别结果，进行故障推理输出故障结论。

按照上述方式对信号进行阈值分析或者进行阈值分析和时序分析之后，若阈值分析和/或时序分析结果异常，则故障专家诊断模块可以根据阈值分析和/或时序分析输出的异常结果，利用知识库中的知识进行故障现象匹配，然后推理机基于知识规则进行故障推理，最后综合得到故障诊断结论。

结合图3所示，根据异常信号获取来源及推理特点，故障推理类型包括基于单信号阈值分析输出的异常结果确定的故障、基于单信号时序分析输出的异常结果确定的故障、基于多个单信号阈值分析输出的异常结果确定的故障、基于多个单信号时序分析输出的异常结果确定的故障以及基于阈值分析输出的异常结果和时序分析输出的异常结果确定的故障。

每类进行随机故障测试5组，每组100次，以某型号惯导是转台为待监测、诊断系统，则经过测试，其进行正确监测及诊断的概率如下表所示。

改进后系统故障诊断试验结果汇总表

以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (1)

1.一种复杂系统状态监测及故障诊断方法，包括：

S1、采集待监测、诊断的信号进行解析；

S2、对所述信号进行阈值分析或者进行阈值分析和时序分析；

S3、若所述阈值分析和/或时序分析结果异常，则输出异常结果至故障专家诊断模块进行故障诊断；

在所述步骤S2中，利用阈值判断模块对解析后的信号进行阈值是否超差的判断，并将超差标志位及解析后的数据按时序存储至数据库中；

在所述步骤S2中，对所述信号进行阈值分析之后，再判定是否需要对所述信号进行时序分析，判定需要对所述信号进行时序分析时，利用时序特征识别模型对所述信号进行时序分析，包括：

S21、构建卷积神经网络模型作为时序特征识别模型；

S22、对信号数据进行可视化处理形成时序图像；

S23、对所述时序图像进行预处理；

S24、利用所述时序特征识别模型对于预处理后的时序图像进行时序特征识别，输出结果；

所述步骤S21包括：

S211、采集不同时序状态下的信号数据，对信号数据基于时序进行可视化处理形成可视化图像；

S212、根据采集时的时序状态，对可视化图像依次进行分类和预处理，将预处理后的图像根据分类制作成数据集；

S213、创建卷积神经网络模型和/或选择现有的模型结构并设置预训练参数；

S214、利用所述步骤S212中获得的数据集对所述卷积神经网络模型或现有模型结构进行训练、测试及验证后作为所述时序特征识别模型；

在所述步骤S212中，将预处理后的图像按照正常类别和故障类分别制作成数据集；

所述数据集包括训练集、测试集和验证集；

在所述步骤S213中，创建Sample模型同时选择现有的Inception-v3模型设置预训练参数；

所述Sample模型包括一个输入层、两个隐藏层、两个全连接层及一个softmax分类层；

所述步骤S214包括：

使用训练集对Sample模型和Inception-v3模型进行训练；

之后使用所述测试集对训练后的所述模型进行测试，再使用所述验证集对所述模型进行验证，若所述模型满足时序特征识别要求，则将其作为所述时序特征识别模型；

若不满足，则修改历史模式参数设置，重新对所述模型进行训练、测试和验证，直至满足时序特征识别要求，将所述模型作为时序特征识别模型；

利用Inception-v3模型进行时序特征识别时通过限制图像识别结果概率进行系统优化，在图像识别结果概率低于90％时默认图像识别结论错误，使用Sample模型重新进行该信号的时序特征识别；

在Inception-v3模型对信号时序特征识别监测到异常后，使用Sample模型对识别结果进行复核；若复核结果与Inception-v3模型的识别结果一致，则输出异常结果；

若复核结果不一致，则使用Sample模型的识别到的异常结果替代Inception-v3模型识别到的异常结果，进行输出；

在所述步骤S3中，根据阈值分析输出的异常结果和/或时序分析输出的异常结果，利用知识库中的知识规则进行故障现象匹配，然后推理机基于知识规则进行故障推理，得到故障诊断结论；

所述故障推理类型包括基于单信号阈值分析输出的异常结果确定的故障、基于单信号时序分析输出的异常结果确定的故障、基于多个单信号阈值分析输出的异常结果确定的故障、基于多个单信号时序分析输出的异常结果确定的故障、基于阈值分析输出的异常结果和时序分析输出的异常结果确定的故障。

Images