CN110673578A - 故障劣化程度确定方法、装置、计算机设备及存储介质 - Google Patents

故障劣化程度确定方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110673578A
CN110673578A CN201910931788.0A CN201910931788A CN110673578A CN 110673578 A CN110673578 A CN 110673578A CN 201910931788 A CN201910931788 A CN 201910931788A CN 110673578 A CN110673578 A CN 110673578A
Authority
CN
China
Prior art keywords
fault diagnosis
fault
matrix
data
preset
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
Application number
CN201910931788.0A
Other languages
English (en)
Other versions
CN110673578B (zh
Inventor
王印松
孙天舒
丁梦婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201910931788.0A priority Critical patent/CN110673578B/zh
Publication of CN110673578A publication Critical patent/CN110673578A/zh
Application granted granted Critical
Publication of CN110673578B publication Critical patent/CN110673578B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种故障劣化程度确定方法、装置、计算机设备及存储介质，所述方法包括：获取故障诊断数据；基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；根据所述特征数据集以及预设的第一故障诊断模型确定是否存在第一故障；根据所述故障诊断数据以及预设的第一故障劣化评价模型确定第一故障的劣化程度。本发明实施例提供的故障劣化程度确定方法，其中第一故障诊断模型以及第一故障诊断模型是基于大量的样本数据以及非负矩阵分解算法预先训练生成，对故障的判断以及故障劣化程度具有较高的准确率，此外还能够判断出故障的劣化程度，便于用户获取更加全面的故障信息。

Description

故障劣化程度确定方法、装置、计算机设备及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种故障劣化程度确定方法、装置、计算机设备及存储介质。
背景技术
当今信息技术的飞速发展，使工业生产不断智能化、集成化，生产系统更加复杂多样，故障的产生在所难免，会对企业社会的经济效益、安全生产造成巨大危害，因此故障诊断技术的研究一直被予以重视，并得到长足的发展。现有的故障诊断技术一般分为三类，即基于解析模型的故障诊断、基于知识的故障诊断和基于数据驱动的故障诊断。基于解析模型的方法包括参数估计、状态估计以及等价空间三种，需要对研究对象有深刻的认识，而实际工程实践中由于非线性、多耦合、外界干扰等原因使得很难搭建有效精准的数学模型，这也制约了解析模型方法的发展。基于知识的故障诊断方法包括故障树分析、专家系统等，具有很强的知识逻辑分析能力，但是在知识获取、推理、解释等方面能力较差。
然而现有的故障诊断技术中，除了一直都存在的诊断结果不够准确的技术问题外，现有技术通常还只能确定出故障是否存在，而无法进一步确定故障的劣化程度，即限制了用户对故障信息的获取，用户无法第一时间知晓故障的程度，从而无法针对性的做出应急措施。
可见，现有的故障诊断技术还存在着无法确定故障劣化程度的技术问题。
发明内容
本发明实施例的目的在于提供一种故障劣化程度确定方法，旨在解决现有的故障诊断技术还存在着无法确定故障劣化程度的技术问题。
本发明实施例是这样实现的，一种故障劣化程度确定方法，具体包括以下步骤：
按照预设的规则获取故障诊断数据；
基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；
根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障；
当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
本发明实施例的另一目的在于提供一种故障劣化程度确定装置，具体包括：
故障诊断数据获取单元，用于按照预设的规则获取故障诊断数据；
特征数据集生成单元，用于基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；
第一故障判断单元，用于根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障；
第一故障劣化程度判断单元，用于当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述故障劣化程度确定方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述故障劣化程度确定方法的步骤。
本发明实施例提供的一种故障劣化程度确定方法，按照预设的规则获取故障诊断数据后，先基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集，然后根据预先基于二分类非负矩阵分解算法训练生成的第一故障诊断模型判断是否存在第一故障，当判断存在第一故障时，再进一步根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。本发明实施例提供的故障劣化程度确定方法，其中第一故障诊断模型以及第一故障诊断模型是基于大量的样本数据以及非负矩阵分解算法预先训练生成，对故障的判断以及故障劣化程度具有较高的准确率，能够准确判断出故障的劣化程度，便于用户获取更加全面的故障信息。
附图说明
图1为本发明实施例提供的一种故障劣化程度确定方法的步骤流程图；
图2为本发明实施例提供的确定是否存在故障的方法的步骤流程图；
图3为本发明实施例提供的训练生成第一故障诊断模型的方法的步骤流程图；
图4为本发明实施例提供的一种分解生成特征数据样本集的步骤流程图；
图5为本发明实施例提供的一种故障劣化程度确定装置的结构示意图；
图6为本发明实施例提供的一种第一故障判断单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，提供了一种故障劣化程度确定方法的步骤流程图，具体包括：
步骤S102，按照预设的规则获取故障诊断数据。
在本发明实施例中，所述预设的规则是根据具体的应用环境获取相应的故障诊断数据，以艾默生水箱综合实验平台的调节阀故障诊断为例，该平台模仿化工生产实际，汇集温度、压力、流量等传感信号，可以实现单回路、串级、多入多出、耦合回路的实践，则此时获取的故障诊断数据包括控制指令输出、调节阀反馈、液位信号、控制指令输出-调节阀反馈、控制指令输出/调节阀反馈，共同组成五维数据，当采集多组五维数据，可进一步构成故障诊断数据集。
步骤S104，基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集。
在本发明实施例中，基于Semi-NMF方法可以对矩阵进行分解提取出故障诊断数据的数据特征，即特征数据集，其中具体的步骤如下：
对于由故障诊断数据构成的故障诊断数据集X∈Rm×n，由分负矩阵分解可知，数据集X可近似为两个分负矩阵之积，即X＝UV，U∈Rm×1，V∈R1×n，此时通过循环如下迭代过程即可确定U、V：
U＝XVT(VVT)-1；
Figure BDA0002221748600000041
其中，Qi，j表示矩阵Q的第i行第j列，
Figure BDA0002221748600000042
表示矩阵Q的正值部分，
Figure BDA0002221748600000043
表示矩阵Q的负值部分，
Figure BDA0002221748600000052
当确定一个初始V后，循环上述迭代过程直到||X-UV||F收敛即可，即||X-UV||F满足预设的条件，此时，重新根据U、V之积确定提取特征之后的特征数据集X′。
步骤S106，根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障。
在本发明实施例中，可以包括多种故障类型，而对于不同的故障类型分别有不同的故障诊断模型，以前述提及的艾默生水箱综合实验平台的调节阀故障诊断为例，包括的故障类型有恒增益故障、恒偏差故障、卡死故障、粘滞故障、死区故障五种已发故障以及阀塞或阀座下沉、阀或轴承摩擦增加、外部泄露、内部泄漏四种缓变故障，对于上述提到的每一种故障都有相应的故障诊断模型。
在本发明实施例中，根据特征数据集X′以及故障诊断模型确定是否存在第一故障确定是否存在故障的步骤具体请参阅图2及其解释说明，而具体的训练生成所述基于二分类非负矩阵分解算法训练生成的第一故障诊断模型的步骤请参阅图3及其解释说明。
步骤S108，当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
在本发明实施例中，与故障诊断模型相似，对于不同的故障类型分别有不同的故障劣化评价模型，当判断存在相应的故障时，可进一步根据故障劣化评价模型判断故障的劣化程度，例如泄露程度、偏差程度等等，其中训练生成第一故障劣化评价模型的步骤与所述训练生成的第一故障诊断模型的步骤较为相似，具体请参阅图3及其解释说明。
本发明实施例提供的一种故障劣化程度确定方法，按照预设的规则获取故障诊断数据后，先基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集，然后根据预先基于二分类非负矩阵分解算法训练生成的第一故障诊断模型判断是否存在第一故障，当判断存在第一故障时，再进一步根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。本发明实施例提供的故障劣化程度确定方法，其中第一故障诊断模型以及第一故障诊断模型是基于大量的样本数据以及非负矩阵分解算法预先训练生成，对故障的判断以及故障劣化程度具有较高的准确率，能够准确判断出故障的劣化程度，便于用户获取更加全面的故障信息。
如图2所示，在一个实施例中，提供了一种确定是否存在故障的方法的步骤流程图，具体包括以下步骤：
步骤S202，确定初始化的第一故障诊断结果矩阵。
在本发明实施例中，其中预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型记为Um，而特征数据集X′满足X′≈UmVm，其中Vm即为需要确定的第一故障诊断结果矩阵，包含了第一故障的诊断结果信息，其中确定初始化的第一故障诊断结果矩阵后，按照后续步骤S204～S212的过程对第一故障诊断结果矩阵进行迭代以确定精确的第一故障诊断结果矩阵。
步骤S204，按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整，生成调整后的第一故障诊断结果矩阵。
在本发明实施例中，其中具体的计算公式如下：
Figure BDA0002221748600000071
其中，关于Qi，j、
Figure BDA0002221748600000077
的解释说明请参阅前述步骤S104的解释说明，其中结合第一故障诊断模型Um、特征数据集X′以及当前的第一故障诊断结果矩阵，即上述公式右侧的Vm，就能够确定调整后的第一故障诊断结果矩阵，即上述公式左侧的Vm。
步骤S206，根据所述特征数据集、所述调整后的第一故障诊断结果矩阵以及所述第一故障诊断模型并按照预设的故障诊断结果目标函数计算故障诊断结果损失值。
在本发明实施例中，以
Figure BDA0002221748600000073
作为目标函数，计算故障诊断结果损失值
Figure BDA0002221748600000074
步骤S208，判断所述故障诊断结果损失值是否满足预设的第一条件。当判断所述故障诊断结果损失值不满足预设的第一条件时，执行步骤S210；当判断所述故障诊断结果损失值满足预设的第一条件时，执行步骤S212。
在本发明实施例中，其中当故障诊断结果损失值收敛，也就是满足收敛条件，此时认为当前的第一故障诊断结果矩阵即为需要求出的精确的第一故障诊断结果矩阵，而当故障诊断结果损失值
Figure BDA0002221748600000076
还未收敛，及不满足收敛条件时，则当前的第一故障诊断结果矩阵并非需要求出的精确的第一故障诊断结果矩阵，还需要进行进一步的迭代。
在本发明实施例中，所述第一条件为收敛条件，具体可以是判断当前的故障诊断结果损失值与上次的故障诊断结果损失值之间的差值是否小于预设的阈值。
步骤S210，将所述调整后的第一故障诊断结果矩阵确定为当前的第一故障诊断结果矩阵，并返回至所述步骤S204。
在本发明实施例中，还需要对当前的第一故障诊断结果矩阵进行进一步的迭代，因此返回至步骤S204并再进行迭代。
步骤S212，根据所述调整后的第一故障诊断结果矩阵确定是否存在第一故障。
在本发明实施例中，当前调整后的第一故障诊断结果矩阵即为精确的第一故障诊断结果矩阵，包含了第一故障的诊断结果信息，因此，根据调整后的第一故障诊断结果矩阵即可直接确定是否存在第一故障。
如图3所示，在一个实施例中，提供了一种训练生成第一故障诊断模型的方法的步骤流程图。
步骤S302，获取故障诊断数据样本。
在本发明实施例中，所述故障诊断数据样本包括正常态数据样本以及与所述第一故障对应的第一故障态数据样本。
在本发明实施例中，通过大量的正常态数据样本以及与第一故障态数据样本就能够训练出将两类数据样本分类的故障诊断模型，其中故障诊断数据样本Xt∈Rm×l由正常态数据样本Xc∈Rm×c和第一故障态数据样本
Figure BDA0002221748600000081
构成，即l＝c+f1。
在本发明实施例中，可以知晓，当需要训练其他故障诊断模型时，如第二故障诊断模型，此时故障诊断数据样本由大量的正常态数据样本Xc以及与第二故障对应的第二故障态数据样本Xf2；而当需要训练第一故障劣化评价模型，此时还需要知晓第一故障态数据样本中各数据样本对应的故障劣化程度，可以用0～1来表示故障的劣化程度，也可以确定劣化程度的标准。
步骤S304，基于半非负矩阵分解对所述故障诊断数据样本进行分解生成特征数据样本集。
在本发明实施例中，与前述步骤S104所提供的步骤相同，都是基于同样的迭代公式以及迭代目标进行特征提取，生成特征数据样本集Xt′。
步骤S306，根据所述特征数据样本集确定故障诊断权重矩阵。
在本发明实施例中，还需要定义故障诊断权重矩阵W∈Rl×l，其中当特征数据样本集Xt′的第i列和样本集Xt′的第j列为同类标签时，i，j＝0，1，...，l，即同为正常态数据样本或第一故障态数据样本时，此时Wi，j＝1，否则Wi，j＝0。
在本发明实施例中，当需要训练生成故障劣化评价模型时，同样需要确定与上述故障诊断权重矩阵相似的故障劣化评价权重矩阵，其中，当用0～1来表示故障的劣化程度时，Wi，j的值为(1-Xt′的第i列和样本集Xt′的第j列对应的故障的劣化程度的差)，即当Xt′的第i列和样本集Xt′的第j列对应的故障的劣化程度相同时，Wi，j的值为1，值越小，Wi，j表示对应的Xt′的第i列和样本集Xt′的第j列对应的故障的劣化程度差别越大，可见训练生成故障劣化评价模型与训练生成故障诊断模型的区别在于训练所使用的数据样本以及确定的权重矩阵规则不同，而其余的步骤均相同，本领域技术人员结合图3所示出的步骤流程S301～S320能够确定出训练生成第一故障劣化评价模型的具体过程。
步骤S308，构建初始化的分类结果矩阵。
在本发明实施例中，结合前述可知，Xt′同样也可以分解为两个非负矩阵之积，即Xt′＝UtVt，其中基于大量数据样本训练出的Ut为分类矩阵，也就是在实际运用环境中需要用到的故障诊断模型Um，而Vt即为数据样本对应的分类结果矩阵，后续的步骤本质上是确定Ut以及Vt的过程，在后续的迭代过程之前，需要先确定一个初始化的分类结果矩阵。
步骤S310，根据所述特征数据样本集以及分类结果矩阵确定分类矩阵。
在本发明实施例中，根据所述特征数据样本集以及分类结果矩阵确定分类矩阵的公式具体为：
Ut＝Xt′Vt T(VtVt T)-1
可以看出，根据所述特征数据样本集以及分类结果矩阵确定分类矩阵并非是根据Xt′＝UtVt公式以及已知的Xt′和初始化的Vt直接去确定Ut，而是通过上述公式以及后续步骤S312提供的Vt的调整公式，去逐步使得Ut和Vt逼近真实结果。
步骤S312，按照预设的分类结果矩阵调整模型，并根据所述特征数据样本集、当前的分类矩阵、当前的分类结果矩阵以及所述权重矩阵对分类结果矩阵进行调整，生成调整后的分类结果矩阵。
在本发明实施例中，对分类结果矩阵Vt的调整公式具体为：
Figure BDA0002221748600000101
在上述的调整公式中，左侧的(Vt)i，j即为调整后的分类结果矩阵，而右侧所出现的各个矩阵的意义均已在前述中给出，在此不做具体解释说明，其中α为用户自行定义的权重，优选值取1，。
步骤S314，根据所述特征数据样本集、所述调整后的分类矩阵、所述调整后的分类结果矩阵以及权重矩阵并按照预设的故障诊断模型目标函数计算故障诊断模型损失值。
在本发明实施例中，其中所述故障诊断模型目标函数具体为：
Figure BDA0002221748600000102
即此时故障诊断模型损失值J(Ut)的计算公式具体为：
Figure BDA0002221748600000103
其中α与前述步骤S312中提到的α相同。
在本发明实施例中，同样需要重复前述的步骤S310以及步骤S312直到J(Ut)收敛时，此时可确定出对应的UtVt。
步骤S316，判断所述故障诊断模型损失值是否满足预设的第二条件。当判断所述故障诊断模型损失值不满足预设的第二条件时，执行步骤S318；当判断所述故障诊断模型损失值满足预设的第二条件时，执行步骤S320。
在本发明实施例中，所述预设的第二条件是指收敛条件，当故障诊断模型损失值J(Ut)不收敛时，表明还需要继续对UtVt进行迭代调整，即执行步骤S318；当故障诊断模型损失值J(Ut)满足收敛条件时，则此时UtVt已训练完成，此时的Ut即为步骤S106中提到的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型Um。
在本发明实施例中，收敛条件可以是判断当前的故障诊断模型损失值J(Ut)与上一次的故障诊断模型损失值的差值是否小于预设的阈值。
步骤S318，将所述调整后的分类矩阵确定为当前的分类矩阵，将所述调整后的分类结果矩阵确定为当前的分类结果矩阵，并返回至所述步骤S310。
在本发明实施例中，返回至步骤S310以及S312重新对UtVt进行迭代调整。
步骤S320，将所述调整后的分类矩阵确定为所述预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型。
在本发明实施例中，此时的调整后的分类矩阵Ut即为所述基于二分类非负矩阵分解算法训练生成的第一故障诊断模型Um。
作为本发明的一个优选实施例中，在确定第一故障诊断模型Um后，还可以根据测试数据进一步确定故障的判断指标，指标值越小，越可能发生相应的故障，当指标值所述故障的判断指标时，可认为故障发生。
如图4所示，在一个实施例中，提出了一种分解生成特征数据样本集的步骤流程图，具体包括：
步骤S402，构建初始化的系数样本集。
在本发明实施例中，结合前述步骤S304的解释说明可知，无论是基于数据样本训练生成故障诊断模型，还是利用训练生成的故障诊断模型对数据进行故障诊断，都需要对原始的数据进行特征提取，也就是说，步骤S402～步骤S414中所基于的公式即为前述步骤S104中所提供的公式。
在本发明实施例中，故障诊断数据样本X可以分解为数据特征样本集与系数样本集之积。
步骤S404，根据所述故障诊断数据样本以及初始化的系数样本集确定数据特征样本集。
在本发明实施例中，根据所述故障诊断数据样本以及初始化的系数样本集确定数据特征样本集中所使用的公式即为步骤S104中提供的U＝XVT(VVT)-1。
步骤S406，按照预设的系数样本集调整模型并根据所述故障诊断数据样本、所述调整后的数据特征样本集以及当前的系数样本集确定调整后的系数样本集。
在本发明实施例中，按照预设的系数样本集调整模型并根据所述故障诊断数据样本、所述调整后的数据特征样本集以及当前的系数样本集确定调整后的系数样本集中所使用的公式即为步骤S104中提供的：
Figure BDA0002221748600000121
步骤S408，根据所述故障诊断数据样本、所述调整后的数据特征样本集以及调整后的系数样本集并按照预设的数据特征样本集目标函数计算数据特征样本集损失值。
在本发明实施例中，数据特征样本集目标函数的公式即为||X-UV||F，即数据特征样本集损失值J(U)＝||X-UV||F。
步骤S410，判断所述数据特征样本集损失值是否满足预设的第三条件。当判断所述故障诊断模型损失值不满足预设的第三条件时，执行步骤S412；当判断所述故障诊断模型损失值满足预设的第三条件时，执行步骤S414。
在本发明实施例中，所述预设的第三条件即为收敛条件，当故障诊断模型损失值J(U)收敛时，此时，相应的即可确定出特征数据样本集，如果故障诊断模型损失值J(U)未收敛，需要继续对特征数据样本集以及系数样本集按照步骤S404以及步骤S406提供的调整公式进行进一步的迭代。
在本发明实施例中，所述收敛条件可以是判断当前的故障诊断模型损失值J(U)与上一次的故障诊断模型损失值之间的差值是否小于预设的阈值。
步骤S412，将所述调整后的数据特征样本集确定为当前的数据特征样本集，将所述调整后的系数样本集确定为当前的系数样本集，并返回至所述步骤S404。
在本发明实施例中，当故障诊断模型损失值J(U)未收敛，需要继续对特征数据样本集以及系数样本集按照步骤S404以及步骤S406提供的调整公式进行进一步的迭代。
步骤S414，将所述调整后的数据特征样本集确定为生成的特征数据样本集。
如图5所示，为本发明实施例提供的一种故障劣化程度确定装置的结构示意图，详述如下。
在本发明实施例中，所述故障劣化程度确定装置具体包括：
故障诊断数据获取单元510，用于按照预设的规则获取故障诊断数据。
在本发明实施例中，所述预设的规则是根据具体的应用环境获取相应的故障诊断数据，以艾默生水箱综合实验平台的调节阀故障诊断为例，该平台模仿化工生产实际，汇集温度、压力、流量等传感信号，可以实现单回路、串级、多入多出、耦合回路的实践，则此时获取的故障诊断数据包括控制指令输出、调节阀反馈、液位信号、控制指令输出-调节阀反馈、控制指令输出/调节阀反馈，共同组成五维数据，当采集多组五维数据，可进一步构成故障诊断数据集。
特征数据集生成单元520，用于基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集。
在本发明实施例中，基于Semi-NMF方法可以对矩阵进行分解提取出故障诊断数据的数据特征，即特征数据集，其中具体的步骤如下：
对于由故障诊断数据构成的故障诊断数据集X∈Rm×n，由分负矩阵分解可知，数据集X可近似为两个分负矩阵之积，即X＝UV，U∈Rm×1，V∈R1×n，此时通过循环如下迭代过程即可确定U、V：
U＝XVT(VVT)-1；
Figure BDA0002221748600000141
其中，Qi，j表示矩阵Q的第i行第j列，
Figure BDA0002221748600000142
表示矩阵Q的正值部分，
Figure BDA0002221748600000143
表示矩阵Q的负值部分，
Figure BDA0002221748600000144
Figure BDA0002221748600000145
当确定一个初始V后，循环上述迭代过程直到||X-UV||F收敛即可，即||X-UV||F满足预设的条件，此时，重新根据U、V之积确定提取特征之后的特征数据集X′。
第一故障判断单元530，用于根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障。
在本发明实施例中，可以包括多种故障类型，而对于不同的故障类型分别有不同的故障诊断模型，以前述提及的艾默生水箱综合实验平台的调节阀故障诊断为例，包括的故障类型有恒增益故障、恒偏差故障、卡死故障、粘滞故障、死区故障五种已发故障以及阀塞或阀座下沉、阀或轴承摩擦增加、外部泄露、内部泄漏四种缓变故障，对于上述提到的每一种故障都有相应的故障诊断模型。
第一故障劣化程度判断单元540，用于当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
在本发明实施例中，与故障诊断模型相似，对于不同的故障类型分别有不同的故障劣化评价模型，当判断存在相应的故障时，可进一步根据故障劣化评价模型判断故障的劣化程度，例如泄露程度、偏差程度等等，其中训练生成第一故障劣化评价模型的步骤与所述训练生成的第一故障诊断模型的步骤较为相似。
本发明实施例提供的一种故障劣化程度确定装置，按照预设的规则获取故障诊断数据后，先基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集，然后根据预先基于二分类非负矩阵分解算法训练生成的第一故障诊断模型判断是否存在第一故障，当判断存在第一故障时，再进一步根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。本发明实施例提供的故障劣化程度确定装置，其中第一故障诊断模型以及第一故障诊断模型是基于大量的样本数据以及非负矩阵分解算法预先训练生成，对故障的判断以及故障劣化程度具有较高的准确率，能够准确判断出故障的劣化程度，便于用户获取更加全面的故障信息。
如图6所示，为本发明实施例提供的一种第一故障判断单元的结构示意图，详述如下。
在本发明实施例中，所述第一故障判断单元包括：
第一故障诊断结果矩阵初始化模块601，用于确定初始化的第一故障诊断结果矩阵。
在本发明实施例中，其中预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型记为Um，而特征数据集X′满足X′≈UmVm，其中Vm即为需要确定的第一故障诊断结果矩阵，包含了第一故障的诊断结果信息。
第一故障诊断结果矩阵调整模块602，用于按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整，生成调整后的第一故障诊断结果矩阵。
在本发明实施例中，其中具体的计算公式如下：
Figure BDA0002221748600000161
其中，关于Qi，j、
Figure BDA0002221748600000162
的解释说明请参阅前述步骤S104的解释说明，其中结合第一故障诊断模型Um、特征数据集X′以及当前的第一故障诊断结果矩阵，即上述公式右侧的Vm，就能够确定调整后的第一故障诊断结果矩阵，即上述公式左侧的Vm。
故障诊断结果损失值计算模块603，用于根据所述特征数据集、所述调整后的第一故障诊断结果矩阵以及所述第一故障诊断模型并按照预设的故障诊断结果目标函数计算故障诊断结果损失值。
在本发明实施例中，以
Figure BDA0002221748600000163
作为目标函数，计算故障诊断结果损失值
Figure BDA0002221748600000164
故障诊断结果损失值判断模块604，用于判断所述故障诊断结果损失值是否满足预设的第一条件。
在本发明实施例中，其中当故障诊断结果损失值
Figure BDA0002221748600000171
收敛，也就是满足收敛条件，此时认为当前的第一故障诊断结果矩阵即为需要求出的精确的第一故障诊断结果矩阵，而当故障诊断结果损失值
Figure BDA0002221748600000172
还未收敛，及不满足收敛条件时，则当前的第一故障诊断结果矩阵并非需要求出的精确的第一故障诊断结果矩阵，还需要进行进一步的迭代。
在本发明实施例中，所述第一条件为收敛条件，具体可以是判断当前的故障诊断结果损失值与上次的故障诊断结果损失值之间的差值是否小于预设的阈值。
迭代模块605，用于当判断所述故障诊断结果损失值不满足预设的第一条件时，将所述调整后的第一故障诊断结果矩阵确定为当前的第一故障诊断结果矩阵，并返回至所述第一故障诊断结果矩阵调整模块602。
在本发明实施例中，还需要对当前的第一故障诊断结果矩阵进行进一步的迭代，因此返回至第一故障诊断结果矩阵调整模块602并再进行迭代。
第一故障确定模块606，用于当判断所述故障诊断结果损失值满足预设的第一条件时，根据所述调整后的第一故障诊断结果矩阵确定是否存在第一故障。
在本发明实施例中，当前调整后的第一故障诊断结果矩阵即为精确的第一故障诊断结果矩阵，包含了第一故障的诊断结果信息，因此，根据调整后的第一故障诊断结果矩阵即可直接确定是否存在第一故障。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
按照预设的规则获取故障诊断数据；
基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；
根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障；
当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
按照预设的规则获取故障诊断数据；
基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；
根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障；
当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种故障劣化程度确定方法，其特征在于，具体包括以下步骤：
按照预设的规则获取故障诊断数据；
基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；
根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障；
当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
2.根据权利要求1所述的故障劣化程度确定方法，其特征在于，所述根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障的步骤具体包括：
确定初始化的第一故障诊断结果矩阵；
按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整，生成调整后的第一故障诊断结果矩阵；
根据所述特征数据集、所述调整后的第一故障诊断结果矩阵以及所述第一故障诊断模型并按照预设的故障诊断结果目标函数计算故障诊断结果损失值；
判断所述故障诊断结果损失值是否满足预设的第一条件；
当判断所述故障诊断结果损失值不满足预设的第一条件时，将所述调整后的第一故障诊断结果矩阵确定为当前的第一故障诊断结果矩阵，并返回至所述按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整，生成调整后的第一故障诊断结果矩阵的步骤；
当判断所述故障诊断结果损失值满足预设的第一条件时，根据所述调整后的第一故障诊断结果矩阵确定是否存在第一故障。
3.根据权利要求1所述的故障劣化程度确定方法，其特征在于，训练生成所述预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型的步骤具体包括：
获取故障诊断数据样本，所述故障诊断数据样本包括正常态数据样本以及与所述第一故障对应的第一故障态数据样本；
基于半非负矩阵分解对所述故障诊断数据样本进行分解生成特征数据样本集；
根据所述特征数据样本集确定故障诊断权重矩阵；
构建初始化的分类结果矩阵；
根据所述特征数据样本集以及分类结果矩阵确定分类矩阵；
按照预设的分类结果矩阵调整模型，并根据所述特征数据样本集、当前的分类矩阵、当前的分类结果矩阵以及所述权重矩阵对分类结果矩阵进行调整，生成调整后的分类结果矩阵；
根据所述特征数据样本集、所述调整后的分类矩阵、所述调整后的分类结果矩阵以及权重矩阵并按照预设的故障诊断模型目标函数计算故障诊断模型损失值；
判断所述故障诊断模型损失值是否满足预设的第二条件；
当判断所述故障诊断模型损失值不满足预设的第二条件时，将所述调整后的分类矩阵确定为当前的分类矩阵，将所述调整后的分类结果矩阵确定为当前的分类结果矩阵，并返回至所述根据所述特征数据样本集以及分类结果矩阵确定分类矩阵的步骤；
当判断所述故障诊断模型损失值满足预设的第二条件时，将所述调整后的分类矩阵确定为所述预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型。
4.根据权利要求3所述的故障劣化程度确定方法，其特征在于，所述基于半非负矩阵分解对所述故障诊断数据样本进行分解生成特征数据样本集的步骤具体包括：
构建初始化的系数样本集；
根据所述故障诊断数据样本以及初始化的系数样本集确定数据特征样本集；
按照预设的系数样本集调整模型并根据所述故障诊断数据样本、所述调整后的数据特征样本集以及当前的系数样本集确定调整后的系数样本集；
根据所述故障诊断数据样本、所述调整后的数据特征样本集以及调整后的系数样本集并按照预设的数据特征样本集目标函数计算数据特征样本集损失值；
判断所述数据特征样本集损失值是否满足预设的第三条件；
当判断所述故障诊断模型损失值不满足预设的第三条件时，将所述调整后的数据特征样本集确定为当前的数据特征样本集，将所述调整后的系数样本集确定为当前的系数样本集，并返回至所述按照预设的数据特征样本集调整模型并根据所述故障诊断数据样本以及所述系数样本集确定调整后的数据特征样本集的步骤；
当判断所述故障诊断模型损失值满足预设的第三条件时，所述调整后的数据特征样本集即为生成的特征数据样本集。
5.根据权利要求3所述的故障劣化程度确定方法，其特征在于，还包括：
根据故障诊断测试数据以及所述第一故障诊断模型确定故障判断指标。
6.根据权利要求3所述的故障劣化程度确定方法，其特征在于，还包括：
根据故障诊断测试数据以及所述第一故障诊断模型确定故障劣化程度判断指标。
7.一种故障劣化程度确定装置，其特征在于，具体包括：
故障诊断数据获取单元，用于按照预设的规则获取故障诊断数据；
特征数据集生成单元，用于基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集；
第一故障判断单元，用于根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障；
第一故障劣化程度判断单元，用于当判断存在第一故障时，根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
8.根据权利要求7所述的一种故障劣化程度确定装置，其特征在于，所述第一故障判断单元具体包括：
第一故障诊断结果矩阵初始化模块，用于确定初始化的第一故障诊断结果矩阵；
第一故障诊断结果矩阵调整模块，用于按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整，生成调整后的第一故障诊断结果矩阵；
故障诊断结果损失值计算模块，用于根据所述特征数据集、所述调整后的第一故障诊断结果矩阵以及所述第一故障诊断模型并按照预设的故障诊断结果目标函数计算故障诊断结果损失值；
故障诊断结果损失值判断模块，用于判断所述故障诊断结果损失值是否满足预设的第一条件；
迭代模块，用于当判断所述故障诊断结果损失值不满足预设的第一条件时，将所述调整后的第一故障诊断结果矩阵确定为当前的第一故障诊断结果矩阵，并返回至所述按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整，生成调整后的第一故障诊断结果矩阵的步骤；
第一故障确定模块，用于当判断所述故障诊断结果损失值满足预设的第一条件时，根据所述调整后的第一故障诊断结果矩阵确定是否存在第一故障。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述故障劣化程度确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述故障劣化程度确定方法的步骤。
CN201910931788.0A 2019-09-29 2019-09-29 故障劣化程度确定方法、装置、计算机设备及存储介质 Expired - Fee Related CN110673578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910931788.0A CN110673578B (zh) 2019-09-29 2019-09-29 故障劣化程度确定方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931788.0A CN110673578B (zh) 2019-09-29 2019-09-29 故障劣化程度确定方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110673578A true CN110673578A (zh) 2020-01-10
CN110673578B CN110673578B (zh) 2022-07-08

Family

ID=69080041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931788.0A Expired - Fee Related CN110673578B (zh) 2019-09-29 2019-09-29 故障劣化程度确定方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110673578B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120166142A1 (en) * 2009-09-07 2012-06-28 Hitachi, Ltd. Anomaly Detection and Diagnosis/Prognosis Method, Anomaly Detection and Diagnosis/Prognosis System, and Anomaly Detection and Diagnosis/Prognosis Program
CN105676833A (zh) * 2015-12-21 2016-06-15 海南电力技术研究院 发电过程控制系统故障检测方法
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法
CN109034270A (zh) * 2018-08-23 2018-12-18 西安交通大学 一种基于故障二分类非负矩阵分解的可视化特征选择方法
CN110097175A (zh) * 2019-05-06 2019-08-06 广东石油化工学院 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法
CN110146812A (zh) * 2019-05-15 2019-08-20 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120166142A1 (en) * 2009-09-07 2012-06-28 Hitachi, Ltd. Anomaly Detection and Diagnosis/Prognosis Method, Anomaly Detection and Diagnosis/Prognosis System, and Anomaly Detection and Diagnosis/Prognosis Program
CN105676833A (zh) * 2015-12-21 2016-06-15 海南电力技术研究院 发电过程控制系统故障检测方法
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法
CN109034270A (zh) * 2018-08-23 2018-12-18 西安交通大学 一种基于故障二分类非负矩阵分解的可视化特征选择方法
CN110097175A (zh) * 2019-05-06 2019-08-06 广东石油化工学院 面向乙烯裂解炉管重管识别的嵌入式dcnn压缩方法
CN110146812A (zh) * 2019-05-15 2019-08-20 吉林大学珠海学院 一种基于特征节点增量式宽度学习的电机故障诊断方法

Also Published As

Publication number Publication date
CN110673578B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Bach Learning theory from first principles
Postels et al. Sampling-free epistemic uncertainty estimation using approximated variance propagation
Xiao et al. Reliability analysis with stratified importance sampling based on adaptive Kriging
Erichson et al. Physics-informed autoencoders for Lyapunov-stable fluid flow prediction
CN112256961B (zh) 用户画像生成方法、装置、设备及介质
CN109242223B (zh) 城市公共建筑火灾风险的量子支持向量机评估与预测方法
CN106843195B (zh) 基于自适应集成半监督费舍尔判别的故障分类方法
CN108846340A (zh) 人脸识别方法、装置及分类模型训练方法、装置、存储介质和计算机设备
CN114004346B (zh) 基于门控堆叠同构自编码器的软测量建模方法及存储介质
Watanabe et al. Stochastic complexities of Gaussian mixtures in variational Bayesian approximation
CN113011518B (zh) 基于组合加权朴素贝叶斯的铝电解槽槽况健康度分类方法
CN117436212A (zh) 一种基于svm改进算法的配电网拓扑辨识方法及设备
CN115454988B (zh) 基于随机森林网络的卫星电源系统缺失数据补全方法
CN109101984B (zh) 一种基于卷积神经网络的图像识别方法及装置
Geelen et al. Learning latent representations in high-dimensional state spaces using polynomial manifold constructions
CN110673578B (zh) 故障劣化程度确定方法、装置、计算机设备及存储介质
CN110288002B (zh) 一种基于稀疏正交神经网络的图像分类方法
Liu et al. Convergence rates of a partition based Bayesian multivariate density estimation method
Kopczyk Proxy modeling in life insurance companies with the use of machine learning algorithms
Jin et al. An approach to constructing effective training data for a classification model to evaluate the reliability of a passive safety system
CN104933011A (zh) 关系模型的确定方法及装置
CN110826184B (zh) 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法
CN113128615A (zh) 基于pca的bp神经网络对信息安全的检测系统、方法、应用
Jianhong Zonotope parameter identification for piecewise affine systems
Meng et al. Physics-informed invertible neural network for the koopman operator learning

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220708

CF01 Termination of patent right due to non-payment of annual fee