CN111504676A - 基于多源监控数据融合的设备故障诊断方法、装置及系统 - Google Patents
基于多源监控数据融合的设备故障诊断方法、装置及系统 Download PDFInfo
- Publication number
- CN111504676A CN111504676A CN202010326103.2A CN202010326103A CN111504676A CN 111504676 A CN111504676 A CN 111504676A CN 202010326103 A CN202010326103 A CN 202010326103A CN 111504676 A CN111504676 A CN 111504676A
- Authority
- CN
- China
- Prior art keywords
- data
- source
- monitoring data
- source monitoring
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本说明书实施例公开了一种基于多源监控数据融合的设备故障诊断方法、装置及系统,所述方法包括获取目标设备的多源监控数据;基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集;分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据;对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据;利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得目标设备的故障诊断结果。从而可以大幅提高目标设备故障诊断的准确性。
Description
技术领域
本说明书涉及设备故障诊断技术领域,特别地,涉及一种基于多源监控数据融合的设备故障诊断方法、装置及系统。
背景技术
电机驱动设备在工业中被广泛部署于各种场景,是驱动各种重要生产活动的主要装置。作为生产系统中的重要组成部分,电机驱动设备的安全可靠运行是连续平稳生产的基础。一旦电机驱动设备发生故障,将会影响生产设备的整体性能,影响生产效率,造成经济损失,严重时甚至会造成灾难性的事故。因此,通过监测信息对电机驱动设备进行早期故障诊断以及溯源,同时合理安排维修,对于保障生产系统的安全运行具有十分重要的意义。故障诊断是设备健康管理的主要研究主题之一,旨在通过及时识别设备故障以制定合适的维护决策,以确保电机驱动设备的完整性和安全性,最大程度地减少意外停机时间并节省维护成本。
在电机驱动设备上测量的信号为故障诊断提供了信息基础。可以基于多种状态信号来改善电机驱动设备故障诊断的准确性。但基于不同信号的诊断技术在所擅长的故障识别场景方面存在较大差异,且随着对电机驱动设备进行整体全面诊断的需求不断增加,使用单个传感器可能不再足够准确的进行设备的故障诊断。基于此,衍生了一系列基于数据融合的诊断技术,以充分利用多个传感器获取的数据。
在对融合数据处理时,通常需要以固定长度的时间窗口对数据分割以进行后续的分析及识别,但实际应用中最佳时间窗口长度通常较难确定。同时,即使可以确定最佳时间窗口长度,对于不同的设备、不同的故障模式、不同的参数类型,基于单一的时间窗口长度也很难的提取出准确表征不同设备的不同故障模式的特征数据,从而影响了设备故障诊断的准确性以及诊断方法的普适性。因此,目前亟需一种可以更加准确的设备故障诊断方法,以更加准确的确定设备的故障原因。
发明内容
本说明书实施例的目的在于提供一种基于多源监控数据融合的设备故障诊断方法、装置及系统,可以大幅提高电机驱动设备故障诊断的准确性。
本说明书提供一种基于多源监控数据融合的设备故障诊断方法、装置及系统是包括如下方式实现的:
一种基于多源监控数据融合的设备故障诊断方法,包括:
获取目标设备在当前时间点之前预设时间长度内的多源监控数据,所述多源监控数据包括对所述目标设备采集的多种监控参数类型的监控数据;
基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集;
分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据;
对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据;
利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。
本说明书提供的所述方法的另一些实施例中,所述分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据,包括:
对于任意一个给定的所述多源监控数据集,对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据;
对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据;其中,所述时间步用于表征各数据段的时序关系;
对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。
本说明书提供的所述方法的另一些实施例中,基于卷积神经网络算法对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据。
本说明书提供的所述方法的另一些实施例中,所述对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,包括:
利用下述公式计算预测矢量,其中,所述预测矢量用于表征给定的时间步所对应的监控参数类型i的子特征数据对第j个故障模式的贡献度:
Sj|i=WjSi
其中,Si表示监控参数类型i的归一化处理后的子特征数据,Wj表示Si从一维维度转换为g维度的加权向量,g为待定的故障模式数量,Sj|i为表征监控参数类型i的子特征数据对第j个故障模式的贡献度的预测矢量;
基于所述预测矢量,利用下述迭代步骤对各监控参数类型的子特征数据进行耦合处理:
其中,cij表示耦合系数,Dj表示第j个故障模式所对应的条件向量;
耦合系数cij如下式所示:
其中,bij表示耦合系数的临时变量,1≤k≤j;
将所有耦合系数的临时变量bij初始化为0,通过条件向量和预测向量之间的点积迭代更新耦合系数的临时变量bij;
重复上述更新步骤,直至满足迭代输出条件,则输出第j故障模式对应的条件向量Dj;
对各故障模式对应的条件向量进行组合,获得所述给定的时间步对应的多源子特征数据。
本说明书提供的所述方法的另一些实施例中,基于长短时记忆网络对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理。
本说明书提供的所述方法的另一些实施例中,所述目标设备包括电机驱动设备,所述多源监控数据包括振动信号数据以及电流信号数据。
本说明书提供的所述方法的另一些实施例中,所述方法还包括:
对所述振动信号数据以及电流信号数据进行时间对齐处理;
对时间对齐处理后的振动信号数据以及电流信号数据进行直流分量消除以及标准化处理;
对标准化处理后的电流信号数据进行希尔伯特变换处理;
所述基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,包括:基于多个不同的时间窗口长度对标准化处理后的振动信号数据以及希尔伯特变换处理后的电流信号数据进行数据分割处理。
另一方面,本说明书实施例还提供一种基于多源监控数据融合的设备故障诊断装置,所述装置包括:
数据获取模块,用于获取目标设备在当前时间点之前预设时间长度内的多源监控数据,所述多源监控数据包括对所述目标设备采集的多种监控参数类型的监控数据;
数据分割模块,用于基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集;
特征提取模块,用于分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据;
数据融合模块,用于对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据;
故障诊断模块,用于利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。
本说明书提供的所述装置的另一些实施例中,所述特征提取模块包括:
特征提取单元,用于对于任意一个给定的所述多源监控数据集,对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据;
融合处理单元,用于对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据;
编码处理单元,用于对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。
另一方面,本说明书实施例还提供一种基于多源监控数据融合的设备故障诊断系统,包括处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现上述任意一个或者多个实施例所述方法的步骤。
本说明书一个或多个实施例提供的基于多源监控数据融合的设备故障诊断方法、装置及系统,可以从电机驱动设备的多种传感器中提取多源监控数据,然后,利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。
附图说明
为了更清楚地说明本说明书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,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种基于多源监控数据融合的设备故障诊断方法的流程示意图;
图2为本说明书提供的一个实施例中的数据对齐流程示意图;
图3为本说明书实施例提供的一种基于多源监控数据融合的设备故障诊断装置的模块结构示意图;
图4为本说明书提供的另一个实施例中的基于多源监控数据融合的设备故障诊断方法的流程示意图;
图5为本说明书提供的另一个实施例中的基于多源监控数据融合的设备故障诊断装置的模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是说明书一部分实施例,而不是全部的实施例。基于说明书一个或多个实施例,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,都应当属于本说明书实施例方案保护的范围。
本说明书实施例提供的一个场景实施例中,执行设备故障诊断的服务器可以从电机驱动设备的多种传感器中提取多源监控数据,然后,可以利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。同时,多类型传感信息可以在诊断过程中被充分地利用,还可以使得生产环境内的各类传感器充分发挥作用,提高了工厂设备的利用率。
图1表示本说明书一些实施例提供的一种基于多源监控数据融合的设备故障诊断方法。所述方法可以应用于所述执行设备故障诊断的服务器,如图1所示,所述方法可以包括如下步骤。
S20:获取目标设备在当前时间点之前预设时间长度内的多源监控数据,所述多源监控数据包括对所述目标设备采集的多种监控参数类型的监控数据。
所述目标设备可以是指待进行故障诊断的设备。所述多源监控数据可以包括对所述目标设备采集的多种监控参数类型的监控数据。如对于电机驱动设备,所述监控参数类型可以包括振动信号、电流信号等。通常设备上安装有多种类型的传感器,以采集不同类型的监控数据,实现对设备的准确全面的监控分析。不同的监控参数类型对应的监控数据可以通过相同或者不同的传感器采集获得。
对目标设备进行故障诊断的服务器可以获取所述目标设备当前时间点之前预设时间长度内的多源监控数据。一些实施方式中,服务器可以直接从目标设备的各传感器中获取当前时间点之前预设时间长度内的多源监控数据,并存储在服务器内的存储单元中,服务器可以基于存储单元存储的多源监控数据进行目标设备的故障诊断。另一些实施方式中,服务器可以直接从目标设备的各传感器中持续获取多源监控数据,并存储在服务器内的存储单元中,服务器可以从存储单元中获取当前时间点之前预设时间长度内的多源监控数据,以进行目标申辩的故障诊断。或者,还可以设置专门的多源监控数据提取装置,以从多种传感器中提取多源监控数据,并将提取的多源监控数据存储至专门设置的存储设备中。服务器再从存储设备中提取当前时间点之前预设时间长度内的多源监控数据,以进行目标设备的故障诊断。
S22:基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集。
服务器可以基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理。并将基于不同的时间窗口长度进行数据分割处理后的多源监控数据分别存入不同的数据集中,获得对应于各时间窗口长度的多源监控数据集。
传感器采集的监控数据通常是离散数值序列,如果逐点导入诊断模型数据处理量较大,且也很难进行很多故障特征的识别。一些实施例中,可以预先基于时间窗口对多源监控数据进行数据分割处理,再基于分割处理后获得的数据段进行目标设备的故障诊断。如可以预先确定时间窗口的长度,再基于确定的长度的时间窗口对多源监控数据进行数据分割处理。但实践发现以固定长度的时间窗口进行分割可能存在如下问题:(1)由于在构造诊断模型时最佳窗口长度时未知的,因此通常需要根据经验或反复试验确定最佳时间窗口的长度,这个过程通常时间开销较大。(2)当用于分析周期信号的时间窗口长度与电机驱动设备的转速不匹配时,可能会丢失顺序信息或无法捕获有效的局部特征,从而降低诊断性能。因此,利用固定单一时间窗口的分析模型在变化的设备运行速度下可能效果不佳。(3)不同的故障模式通常需要不同的时间窗口来检测。例如,缺陷轴承需要在较小的时间范围内进行分析,以捕获高频共振信息,但是,转子不平衡和弯曲轴等故障则通常需要较长的时间窗口才能从整个旋转周期进行评估。(4)虽然较短的时间窗口适合分析信号的瞬态变化,但也需要较长的时间窗口来获取信号的整体状态,使用单一长度的窗口无法满足精密诊断的要求。
相应的,本说明书的一些实施例中,可以采用多种不同长度的时间窗口对多种监控参数类型的监控数据分别进行分割处理。然后,可以将基于不同长度的时间窗口分割的数据段分别存储至不同的数据集中,获得对应于不同时间窗口长度的多源监控数据集。
例如,以振动信号的分割为例,该过程表示如下(2.1)式。
其中,hk表示用于分割的时间窗口长度,n为信号的采样点数,Vprocessed表示多源监控数据集中的振动信号数据子集,分别表示原始振动信号数据被时间窗口长度为hk的时间窗口分割处理后获得的一系列数据段。在分割操作之后,振动信号被分成n/hk段。其中,k的取值不同,可以表示分割所采用的时间窗口长度的不同。通过采用不同长度的时间窗口进行多次分割操作,可以获得原始信号的多时间窗口长度下的数据表示。
同时,还可以利用时间步来区分各数据段在采集时间上的先后关系,即各数据段之间的时序关系特征。例如,对于上式(2.1)中分割的n/hk个数据段,各数据段所对应的时间步可以分别表示为t1,t2,…,tn/hk。其中,各时间步的取值可以为数据段内任意一个数据点所对应的采集时刻。例如,可以以数据段的第一个数据点所对应的采集时刻,即数据段的起始时刻,作为时间步的值。
一些实施方式中,在对所述多源监控数据进行分割处理之前,还可以先对所述多源监控数据进行预处理,以进一步提取对故障诊断有用的信号,去除干扰信号,提高故障诊断分析的准确性。
一些实施例中,对于电机驱动设备进行故障诊断时,所述多源监控数据所对应的监控参数类型可以包括振动信号以及电流信号。相应的,所述多源监控数据可以包括振动信号数据以及电流信号数据。该两种参数类型可以准确的表征电机驱动设备的整体运行状态,通过基于该两种监控参数类型进行故障诊断,可以大幅提高电机驱动设备故障诊断的准确性。当然,具体实施时,也还可以结合其他监控参数类型进行电机驱动设备的故障诊断,这里不做限定。
对于振动信号数据及电流信号数据,可以采用下述方式进行预处理:对所述振动信号数据以及电流信号数据进行时间对齐处理。对时间对齐处理后的振动信号数据以及电流信号数据进行直流分量消除以及标准化处理。以及对标准化处理后的电流信号数据可以进一步进行希尔伯特变换处理,以抑制大工频主导信号能量导致故障相关特征不够明显的问题。
例如,可以首先通过数据采集与监视控制系统采集表征电机驱动设备工艺过程与劣化状态的振动信号数据以及电流信号数据,随后可以利用降噪与信号增强技术对采集的振动信号数据及电流信号数据进一步处理,从而剔出其中的无关内容。
对电机驱动设备进行故障诊断时需要捕获振动和电流信号之间的固有关系,因此,二者需要同时采样,并需要对同一时刻的数据进行同步分析。但由于现场振动测点与电流测点相隔较远,二者通常是由两个不同的控制采集器进行收集并上送存储的,无法在底层统一时间戳。相应的,一些实施例中,服务器在获取振动信号数据以及电流信号数据后,还可以先在时间轴上对齐相近时间采集的振动及电流信号数据,从而使其可作为一个完整的多源数据包进行分析。例如,如图2所示,一些实施方式中,可以构建数据集成Socket服务端,初始化多源数据容器字典,并开始接收从电机驱动设备采集的振动信号以及电流信号,在数据容器字典所有键均收到数据后分配统一时间戳并进行后续的处理功能,实现多源信息的对齐。
时间对齐后,可以对振动信号以及电流信号进行预处理。
对于振动信号矢量V,首先按下式进行直流分量消除,Vdc-removed为直流分量消除后的振动信号,其中mean函数用于计算矢量的平均值。
Vdc-removed=V-mean(V) (2.2)
其次,对Vdc-removed进行标准化处理,其中μ、σ分别为矢量Vdc-removed的平均值以及标准差:
对于电流信号矢量,首先参考式(2.2)及(2.3)对其进行直流分量消除以及标准化处理,得到标准化处理后的电流信号矢量C。由于电流信号受到电机驱动设备工频调制,与故障相关的信号成分被主电源频率掩盖,因此难以直接通过原始电流信号进行故障诊断。一些实施例中,还可以利用包络分析方法消除电源频率。其中,所述包络分析方法可以通过希尔伯特变换实施。电流信号关于时间的函数C(t)的希尔伯特变换如下式(2.4),其中,Chilbert为变换后取得的电流信号,H[*]为希尔伯特变换过程,t表示电流信号各样本点对应的监测时刻,τ为时间积分变量。
通过希尔伯特变换,将90°相移引入原始电流信号C,则C的包络信号Cenv可进一步由下式得到:
通过上述包络分析可以有效消除电流信号中的直流分量,并确保与故障相关的特征足够清晰识别。可以将电流包络信号Cenv代替原始电流信号C作为后续电机驱动设备故障诊断的输入数据之一。通过上述预处理,可以进一步提高后续设备故障诊断的准确性。
S24:分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据。
服务器可以对每个所述多源监控数据集中的各监控参数类型所对应的数据段进行特征提取,提取出可以有效表征设备各故障模式的特征数据。例如,可以对各数据段进行特征提取,并将提取的各数据段所对应的子特征数据关联起来,形成特征向量或者特征矩阵。可以将该特征向量或者特征矩阵作为各时间窗口长度对应的多源特征数据。或者,也可以在对提取的各数据段所对应的子特征数据进行关联时,设定一定的关联关系,以使关联后形成的多源特征数据可以更好的表征设备的各故障模式。
在基于不同的时间窗口长度对多源监控数据进行分割处理后,单个多源监控数据集内的各多源监控数据仍然处于离散状态。一些实施方式中,服务器还可以进一步对不同的时间对应的监控数据以及不同监控参数类型所对应的监控数据进行融合处理,将不同源采集的以及不同时刻采集的数据有效进行融合,可以更为准确提取出表征不同故障模式的特征数据。
一些实施例中,可以采用下述步骤进行融合处理。对于任意一个给定的所述多源监控数据集,对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据。对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据;其中,所述时间步用于表征各数据段的时序关系。对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。通过上述融合步骤可以很好的解决原始监控数据中的冗余无效信息,提高设备故障诊断分析的准确性。
对于任意一个给定的多源监控数据集。可以先分别对该多源监控数据集中的各数据段进行特征提取,提取出与故障相关的特征。通过先初步对各数据段进行特征提取,在此基础上再进行后续的多参数类型以及时序关系上的特征融合处理,可以进一步提高各参数类型以及时序之间联动关系对各故障影响分析的准确性。
可以利用特征提取算法对该多源监控数据集中的各数据段进行特征提取。一些实施例中,可以利用卷积神经网络对该多源监控数据集中的各时间步所对应的数据段进行特征提取。通过卷积操作提取的特征对于由机组运行和数据采集的随机性引起的初始信号相位不一致更加鲁棒,从而可以进一步提高设备故障诊断的准确性。
可以使用卷积神经网络从各种参数类型对应的监控数据、各个时间窗口长度、各个数据段中提取特征。针对每个时间窗口长度,可以构建2n/hk个独立的处理流程,每个处理流程具有基于卷积运算和池化运算的相似体系结构。
其中,卷积运算可以通过沿输入信号移动不同的卷积滤波器来生成一组矢量,其结果可以表示为:
Ri=fc(X,θ)=ReLU(X*Wi+bi)=max(0,X*Wi+bi) (4.1)
其中,X表示输入向量,θ表示由Wi和bi组成的参数集。Ri表示输出向量,也可以称为特征图。i=1,2,3,…,m,其中m表示特征图的预定义数量。Wi表示权重向量,即卷积滤波器。bi表示偏置量,符号*表示一维的卷积运算。特征图的大小通过填充零与输入向量X保持一致,并且通过ReLU激活函数将特征图中的负数置为零。
池化操作可以通过压缩特征图以减小神经网络的规模,并增强其对较小输入干扰的鲁棒性。一些实施例中,可以采用的最大池化操作保留每个池化区域的最大值。其操作过程如下所示,其中Pi是压缩后特征图,s表示池化窗口的大小。
通过交替进行卷积运算和池化运算,可以获得原始监控数据的简洁表示。一些实施例中,通过上述方式逐步提取振动及电流信号特征的整个过程可由下式(4.3)表示。相应的,来自同一时间步t的振动信号子特征以及电流信号子特征可以分别表示为Ft vib,Ft env。
然后,可以对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据。一些实施例中,可以采用下述方式对各监测参数类型对应的特征数据进行第二融合处理:
利用下述公式计算预测矢量,其中,所述预测矢量用于表征给定的时间步所对应的监控参数类型i的子特征数据对第j个故障模式的贡献度:
Sj|i=WjSi
其中,Si表示监控参数类型i的归一化处理后的子特征数据,Wj表示Si从一维维度转换为g维度的加权向量,g为待定的故障模式数量,Sj|i为表征监控参数类型i的子特征数据对第j个故障模式的贡献度的预测矢量;
基于所述预测矢量,利用下述迭代步骤对各监控参数类型的子特征数据进行耦合处理:
其中,cij表示耦合系数,Dj表示第j个故障模式所对应的条件向量;
耦合系数cij如下式所示:
其中,bij表示耦合系数的临时变量,1≤k≤j;
将所有耦合系数的临时变量bij初始化为0,通过条件向量和预测向量之间的点积迭代更新耦合系数的临时变量bij;
重复上述更新步骤,直至满足迭代输出条件,则输出第j故障模式对应的条件向量Dj;
对各故障模式对应的条件向量进行组合,获得所述给定的时间步对应的多源子特征数据。
例如,对于上述振动信号及电流信号的特征,可以采用下述方式融合:
为了便于提高后续数据处理的准确性以及效率,可以先分别对振动信号子特征及电流信号子特征进行归一化处理。以振动信号子特征为例,归一化处理方式如下式所示:
对电流信号特征参考(4.4)的方式进行归一化处理。
然后,可以对归一化的特征向量Si进行如下式变换:
Sj|i=WjSi (4.5)
其中,Wj是用于将Si从一维维度转换为g维度的加权向量,g为待定的故障模式数量,Sj|i表示链接振动特征与第j个故障模式的的预测矢量。
将所有耦合系数的临时变量bij初始化为0,由于使用的多源数据为振动与电流两种,此时i=0或1,分别表示振动与电流数据源。然后,可以执行下述迭代处理:
使用Softmax函数计算耦合系数如下式所示:
然后,可以按照下式计算各故障模式j的条件向量:
通过条件向量和预测向量之间的点积更新耦合系数的临时变量bij:
bij=bij+Sj|i×Dj. (4.8)
如果当前迭代次数小于预定阈值数3,则继续上述迭代步骤。直至满足迭代输出条件,则输出最终融合的条件向量Dj。
然后,可以基于各故障模式所对应的条件向量Dj组合确定相应时间步所对应的融合特征向量Dt。一些实施方式中,可以利用下式(4.9)对条件向量进行组合,其中g为待定故障模式的数量。
Dt=[D1,D2,...,Dg] (4.9)
在融合分析电机驱动设备振动信号及电流信号时,通过上述迭代步骤可以自适应的从各个数据源学习有效的数据特征,并能自动确定振动信号及电流信号对最终融合特征的贡献程度,使融合特征能够最大限度的保留振动信号与电流信号中与电机驱动设备故障高度相关的信息,进而提高设备故障识别的准确性。
然后,对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。一些实施例中,可以基于长短时记忆单元进行时间关系编码。
长短时记忆单元中的计算过程可由下式(4.10)进行。
其中,Ft、It和Ot分别表示输入门,忘记门和输出门的输出向量。可变参数记忆向量权值矩阵W,隐藏状态向量权值矩阵U和偏置向量b在不同的时间步之间共享。Dt为在时间步t时输入的向量,即振动信号特征与电流信号特征的融合后的结果。ht-1表示时间步长t-1中长短时记忆单元的隐藏状态向量。激活函数σ定义为f(x)=1/(1+exp(-x))。
遗忘门和输入门根据当前输入和先前的长短时记忆单元记忆向量Ct-1中包含的信息进行当前记忆向量Ct更新和删除,从而考虑到时间依赖性,可以将其表示为:
Ct=Ft×Ct-1+It×tanh(WcDt+Ucht-1+bc) (4.11)
通过输出门和记忆矢量来计算当前步骤的隐藏状态矢量:
ht=Ot×tanhCt (4.12)
记忆向量Ct和隐藏向量ht被传递到下一个长短时记忆单元,直到完成遍历所有的时间步。最后一个长短时记忆单元的隐藏向量h可以看作是结合了先前所有时间步的振动及电流信号特征的整体融合表示。
基于长短时记忆单元进行时间关系编码,可以充分考虑振动信号以及电流信号时序性的特点,提取出各时间步与前后时间步的关系,在融合过程中自动去除冗余信息,同时又可以对振动信号及电流信号中的时序依赖关系进行考虑,从而可以构建出更为精准的表征电机驱动设备状态的融合特征向量,为后期的融合诊断提供支持。
S26:对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据。
服务器可以进一步对在各个时间窗口长度下提取的多源特征数据进行进一步的融合处理,获得多时间窗口融合数据。例如,可以设置权重,利用设定的权重对各个时间窗口长度下提取的多源特征数据进行融合处理。
需要特别说明的是,上述第一融合处理、第二融合处理仅仅是为了区分表述设定,并不构成对执行步骤顺序的直接限定。
一些实施例中,可以利用全连接神经网络进行第一融合处理。假设各个时间窗口长度下提取的融合特征数据表示为hr1,hr2,…,hri,可以首先级联起来,并进一步由神经网络的全连接层进行处理,以获得最终的多时间窗口联合表示。一些实施例中,可以利用下式(6.1)进行上述第一融合处理,其中,Wm表示权重矩阵,bm表示偏差。
M=max(0,Wm[hr1,hr2,...,hri]+bm) (6.1)
使用上述步骤,可以合并不同时间窗口长度所对应的特征信息,然后,可以基于合并后的特征信息进行设备的故障诊断。与在单一时间窗口长度下获得的特征相比,多时间窗口长度所对应信息的联合表示,可以同时捕获电机驱动设备的局部动态和全局状态,并可以有效限制在实际的电机驱动设备故障诊断应用中常见的工况条件变化所带来的干扰,实现更加准确的故障诊断,并为进一步的维修和设备管理提供支持。
S28:利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。
服务器可以利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。例如,可以获取电机驱动设备多种故障模式下的多源监控数据,作为样本数据,然后,利用不同时间窗口长度对样本数据进行分割处理,并对分割处理的样本数据进行特征提取、融合处理。并将融合处理后获得的多时间窗口融合数据作为输入数据进行故障诊断模型的构建。然后,可以利用构建的故障诊断模型进行目标设备的故障诊断。
如对于前述电机驱动设备,可以通过获取电机驱动设备的多种故障状态下的振动及电流数据,可以利用上述步骤初步进行故障判别,并将判别结果与数据所属真实故障状态进行比对,并以交叉熵函数计算判别误差,通过误差梯度下降方法更新上述步骤中所涉及的算法参数来最小化误差。
一些实施方式中,可以在多时间窗口长度联合表示M的基础上引入Softmax函数作为分类器,分类器的输出表示如下:
[σ1(z),σ2(z),...,σm(z)] (8.1)
其中,σi(z)表示当前数据所属电机驱动设备故障模式为i的概率。σi(z)的计算定义如下:
zi=WiM+bi (8.3)
其中,Wi表示权重矩阵,bi表示偏差。
给定原始振动信号以及电流信号和实际电机状态,经过上述步骤后可以根据交叉熵损失计算预测误差,交叉熵函数的定义如下:
其中yi在电机驱动设备的实际故障模式索引为i时等于1,否则yi等于零。
然后,可以求解可变参数关于诊断误差L的偏导数,如权重、偏置项、卷积滤波器等可变参数关于诊断误差L的偏导数。可以不断更新这些可变参数并使误差最小化。以某个权重w为例,其更新过程可以表示为(8.5)式,其中l为控制参数更新幅度的学习速率。
利用上述步骤,通过误差梯度下降方法更新模型参数来使诊断模型预测精度最高,将来自未知状态电机驱动设备的振动及电流信号馈入模型即可得到准确的诊断结果,实现故障的精确推理。
基于上述一个或者多个实施例,可以从电机驱动设备的多种传感器中提取多源监控数据,然后,利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。
基于上述所述的基于多源监控数据融合的设备故障诊断方法,本说明书一个或多个实施例还提供一种基于多源监控数据融合的设备故障诊断装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。具体的,图3表示说明书提供的一种基于多源监控数据融合的设备故障诊断装置实施例的模块结构示意图,如图3所示,所述装置可以包括:
数据获取模块302,可以用于获取目标设备在当前时间点之前预设时间长度内的多源监控数据,所述多源监控数据包括对所述目标设备采集的多种监控参数类型的监控数据;
数据分割模块304,可以用于基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集;
特征提取模块306,可以用于分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据;
数据融合模块308,可以用于对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据;
故障诊断模块310,可以用于利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。
另一些实施例中,所述特征提取模块306可以包括:
特征提取单元,可以用于对于任意一个给定的所述多源监控数据集,对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据;
融合处理单元,可以用于对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据;其中,所述时间步用于表征各数据段的时序关系;
编码处理单元,可以用于对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书一个或多个实施例提供的基于多源监控数据融合的设备故障诊断装置,可以从电机驱动设备的多种传感器中提取多源监控数据,然后,利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。因此,本说明书还提供一种基于多源监控数据融合的设备故障诊断设备,包括处理器及存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现包括上述任意一个实施例所述方法的步骤。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
需要说明的,上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
上述实施例所述的基于多源监控数据融合的设备故障诊断设备,可以从电机驱动设备的多种传感器中提取多源监控数据,然后,利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。
本说明书还提供一种基于多源监控数据融合的设备故障诊断系统,所述系统可以为单独的基于多源监控数据的设备故障诊断系统,也可以应用在多种石油勘探处理系统中。所述的系统可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述基于多源监控数据的设备故障诊断系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
需要说明的,上述所述的系统根据方法或者装置实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
上述实施例所述的基于多源监控数据融合的设备故障诊断系统,可以从电机驱动设备的多种传感器中提取多源监控数据,然后,利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。
基于上述实施例提供的方案,本说明书实施例还提供一种应用上述实施例所述方案的具体实例。如图4所示,通过融合振动与电流信号进行电机驱动设备的故障诊断。所述方法可以包括如下步骤。
步骤一,振动/电流信号集成对齐及预处理。
可以构建数据集成Socket服务端,初始化多源数据容器字典并开始接收电机驱动设备采集的振动信号以及电流信号。在数据容器字典所有键均收到数据后进行信号预处理,在不需要了解有关电机驱动设备供电频率的先验信息的情况下,对电流信号执行希尔伯特变换以获得不具有工频分量的电流信号,实现故障相关特征的提升。
然后,通过多个具有不同长度的时间窗口对振动信号以及转换后的电流信号进行分割采样,从而获得原始信号的多种表示。处理后的振动及电流信号以同一个时间戳被存入数据库并清空数据容器,实现多源数据在时间轴上的对齐。
步骤二,集成时序关系编码的多源融合特征提取。
使用多个独立的卷积神经网络来分别从每种信号(振动或电流)、信号的每个时间窗口下提取故障相关的特征,通过卷积操作提取的特征对于由机组运行和数据采集的随机性引起的初始信号相位不一致更加鲁棒。
然后,可以对提取的多源特征信息进行深度融合。通过兼顾电机驱动设备的振动信号及电流信号对故障的敏感特性进行多源特征信息的融合,可以自适应的基于各源特征信息对各故障模式识别的贡献程度进行分配,考虑各类型传感器对不同故障的敏感程度,实现多源信息的有效深度融合。
进一步地,可以通过长短时记忆网络将在同一时刻融合的振动及电流特征进行时序关系编码。
步骤三,多时间窗口长度信息联合表示。
可以将提取的多时间窗口长度所对应的特征级联起来,并由一个全连接层进行处理,获得最终的多时间窗口长度联合表示,并用作最终的诊断依据。与在一个定长时间窗口下学习的表示相比,所获得的多时间窗口长度融合表示可以更完整地表示电机驱动设备的状况,不同长度窗口长度擅长不同的工况这一特性也可被充分利用,以实现多工况下的有效特征提取。
基于该方法,如图5所示,本实例还提供一种用于设备故障诊断系统,所述系统可以包括:
振动/电流信号集成模块,可以用于采集电机驱动设备的振动及电流信号,并实现来自不同采集控制器的数据包的统一时间戳分配,其中可以包括振动信号采集单元、电流信号采集单元以及数据集成单元。
振动信号采集单元,可以使用加速度、速度、位移等传感器对电机驱动设备的振动数据进行采集,并通过采集控制器及采集卡上送数据至数据集成单元。
电流信号采集单元,可以使用电流互感器对电机驱动设备的电流数据进行采集,并通过采集控制器及采集卡上送数据至数据集成单元。
数据集成单元,可以通过构建Socket服务器接收来自振动及电流信号采集单元的数据,并为振动-电流信号包分配统一时间戳实现多源数据的对齐。
振动/电流信号预处理模块,可以用于对采集的振动及电流信号进行规整、增强以及分割处理。其可以包括振动信号处理单元、电流信号处理单元以及信号分割采样单元。
振动信号处理单元,可以用于对采集的振动信号进行直流分量消除以及高斯标准化处理。
电流信号处理单元,可以用于对采集的电流信号进行直流分量消除、标准化处理、包络信号提取、包络端点效应抑制。
信号分割采样单元,可以用于对处理后的振动及电流信号进行采样分割,以多个长度的滑动时间窗口对多源信号进行截取,得到多源信号的多尺度表示。
诊断模型集成训练模块,可以用于载入振动及电流信息、优化故障诊断模型内部的各种参数,并持久化保存最优模型。其中可以包括数据载入单元、模型参数优化单元以及模型持久化单元。
数据载入单元,可以用于将已知故障模式的、已经过预处理的振动及电流信号条目标准化为数据矩阵,并载入故障诊断模型。
模型参数优化单元,可以对数据载入单元载入的数据矩阵进行特征提取以及多源特征信息融合、时间关系编码以及多时间窗口信息联合表示等处理。然后,将处理后获得的多时间窗口联合表示的信息作为样本数据,计算由故障诊断模型诊断得到的故障类别与数据所属的真实故障类别之间的误差值,并根据本次诊断误差值以及前次诊断误差值,计算误差值下降方向并更新诊断模型中的可变参数,以优化故障诊断模型参数。
模型持久化单元,可以用于持久化保存诊断误差达到收敛条件时的故障诊断模型,将模型最终诊断误差、模型参数、模型结构等信息以JSON(JavaScript对象简谱)格式进行持久化保存供后续实时诊断过程调用。
故障诊断模块,可以用于载入训练好的故障诊断模型,并将实时采集地,并对已经过对齐和处理过程的振动及电流信号进行判断,输出各电机驱动设备故障类别归属概率。其中可以包括如下诊断决策单元以及模型载入单元。
模型载入单元,可以用于将持久化保存的故障诊断模型加载到内存中并对其进行解析,完成故障诊断模型在内存空间的重构。
诊断决策单元,可以用于将实时采集地,并以经过对齐和特征提取以及多源特征信息融合、时间关系编码以及多时间窗口信息联合表示等处理后的振动及电流信号输入故障诊断模型,由训练好的故障诊断模型输出各电机驱动设备故障类别归属概率,根据输出的各故障类别归属概率,确定当前电机驱动设备的故障类别。
需要说明的,上述实例所述的方法或者系统还可以包括其他的实施方式,具体的实现方式可以参照上述实施例提供的方法实施例的描述,在此不作一一赘述。
基于上述方法以及系统,可以从电机驱动设备的多种传感器中提取多源监控数据,然后,利用不同的时间窗口长度对提取的多源监控数据进行分割处理。并对基于不同时间窗口长度分割的多源监控数据进行有效表征各故障模式的特征的提取,以及,对不同时间窗口长度所提取的故障特征数据进行融合处理。通过基于多种长度的时间窗口分别进行特征的提取,然后,再将基于不同长度的时间窗口提取的特征融合在一起,可以在信号局部动态关注和全局状态估计之间取得平衡,从而可以更加完整地表示原始信号,并有效适应变化的工况条件。使得,基于融合后的特征数据进行设备故障诊断时,诊断结果更为准确,为设备的安全状态提供更加科学的判断。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于多源监控数据融合的设备故障诊断方法,其特征在于,包括:
获取目标设备在当前时间点之前预设时间长度内的多源监控数据,所述多源监控数据包括对所述目标设备采集的多种监控参数类型的监控数据;
基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集;
分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据;
对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据;
利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据,包括:
对于任意一个给定的所述多源监控数据集,对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据;
对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据;其中,所述时间步用于表征各数据段的时序关系;
对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。
3.根据权利要求2所述的方法,其特征在于,基于卷积神经网络算法对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据。
4.根据权利要求2所述的方法,其特征在于,所述对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,包括:
利用下述公式计算预测矢量,其中,所述预测矢量用于表征给定的时间步所对应的监控参数类型i的子特征数据对第j个故障模式的贡献度:
Sj|i=WjSi
其中,Si表示监控参数类型i的归一化处理后的子特征数据,Wj表示Si从一维维度转换为g维度的加权向量,g为待定的故障模式数量,Sj|i为表征监控参数类型i的子特征数据对第j个故障模式的贡献度的预测矢量;
基于所述预测矢量,利用下述迭代步骤对各监控参数类型的子特征数据进行耦合处理:
其中,cij表示耦合系数,Dj表示第j个故障模式所对应的条件向量;
耦合系数cij如下式所示:
其中,bij表示耦合系数的临时变量,1≤k≤j;
将所有耦合系数的临时变量bij初始化为0,通过条件向量和预测向量之间的点积迭代更新耦合系数的临时变量bij;
重复上述更新步骤,直至满足迭代输出条件,则输出第j故障模式对应的条件向量Dj;
对各故障模式对应的条件向量进行组合,获得所述给定的时间步对应的多源子特征数据。
5.根据权利要求2所述的方法,其特征在于,基于长短时记忆网络对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理。
6.根据权利要求1所述的方法,其特征在于,所述目标设备包括电机驱动设备,所述多源监控数据包括振动信号数据以及电流信号数据。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
对所述振动信号数据以及电流信号数据进行时间对齐处理;
对时间对齐处理后的振动信号数据以及电流信号数据进行直流分量消除以及标准化处理;
对标准化处理后的电流信号数据进行希尔伯特变换处理;
所述基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,包括:基于多个不同的时间窗口长度对标准化处理后的振动信号数据以及希尔伯特变换处理后的电流信号数据进行数据分割处理。
8.一种基于多源监控数据融合的设备故障诊断装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标设备在当前时间点之前预设时间长度内的多源监控数据,所述多源监控数据包括对所述目标设备采集的多种监控参数类型的监控数据;
数据分割模块,用于基于多个不同的时间窗口长度对所述多源监控数据进行数据分割处理,将基于不同的时间窗口长度分割处理后的多源监控数据分别存入不同的数据集,获得各时间窗口长度所对应的多源监控数据集;
特征提取模块,用于分别对每个所述多源监控数据集中分割处理后的多源监控数据进行特征提取,获得相应时间窗口长度对应的多源特征数据;
数据融合模块,用于对各时间窗口长度对应的多源特征数据进行第一融合处理,获得多时间窗口融合数据;
故障诊断模块,用于利用所述多时间窗口融合数据对所述目标设备进行故障诊断,获得所述目标设备的故障诊断结果。
9.根据权利要求8所述的装置,其特征在于,所述特征提取模块包括:
特征提取单元,用于对于任意一个给定的所述多源监控数据集,对该给定的多源监控数据集中分割处理后获得的各数据段分别进行特征提取,获得各数据段对应的子特征数据;
融合处理单元,用于对相同时间步对应的各监控参数类型的子特征数据进行第二融合处理,获得相应时间步对应的多源子特征数据;
编码处理单元,用于对各时间步对应的多源子特征数据基于各时间步之间的时序关系进行编码处理,获得相应时间窗口长度对应的多源特征数据。
10.一种基于多源监控数据融合的设备故障诊断系统,其特征在于,包括处理器及用于存储处理器可执行指令的存储器,所述指令被所述处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326103.2A CN111504676B (zh) | 2020-04-23 | 2020-04-23 | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010326103.2A CN111504676B (zh) | 2020-04-23 | 2020-04-23 | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504676A true CN111504676A (zh) | 2020-08-07 |
CN111504676B CN111504676B (zh) | 2021-03-30 |
Family
ID=71871202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010326103.2A Active CN111504676B (zh) | 2020-04-23 | 2020-04-23 | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504676B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111923048A (zh) * | 2020-08-14 | 2020-11-13 | 北京海益同展信息科技有限公司 | 肌电信号分类、外骨骼机器人控制方法及装置 |
CN112067997A (zh) * | 2020-08-14 | 2020-12-11 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、系统、电子设备和存储介质 |
CN112254910A (zh) * | 2020-10-10 | 2021-01-22 | 华中科技大学 | 一种基于融合相关谱的电机转子断条故障检测方法及系统 |
CN112598537A (zh) * | 2020-12-22 | 2021-04-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN112924150A (zh) * | 2021-02-07 | 2021-06-08 | 中国石油大学(北京) | 一种管壳式热交换器性能监测与故障诊断方法及系统 |
CN113344085A (zh) * | 2021-06-16 | 2021-09-03 | 东南大学 | 一种平衡偏置的多源数据协同优选与融合方法和装置 |
CN113379945A (zh) * | 2021-07-26 | 2021-09-10 | 陕西天行健车联网信息技术有限公司 | 一种车辆驾驶行为分析装置、方法及系统 |
CN113705396A (zh) * | 2021-08-16 | 2021-11-26 | 西安交通大学 | 一种电机故障诊断方法、系统及设备 |
CN114116128A (zh) * | 2021-11-23 | 2022-03-01 | 北京字节跳动网络技术有限公司 | 容器实例的故障诊断方法、装置、设备和存储介质 |
CN114297454A (zh) * | 2021-12-30 | 2022-04-08 | 医渡云(北京)技术有限公司 | 特征的离散化方法、装置、电子设备及计算机可读介质 |
WO2022108520A1 (zh) * | 2020-11-19 | 2022-05-27 | 脸萌有限公司 | 数据处理方法、装置、介质及电子设备 |
CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN116299038A (zh) * | 2023-02-13 | 2023-06-23 | 上海玫克生储能科技有限公司 | 电芯微短路的检测方法、系统、设备及存储介质 |
CN116939047A (zh) * | 2023-09-18 | 2023-10-24 | 吉林省车桥汽车零部件有限公司 | 一种用于数控机床系统的数据智能通信方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201417174Y (zh) * | 2009-06-19 | 2010-03-03 | 武汉钢铁(集团)公司 | 机电设备的监测系统 |
CN102944416A (zh) * | 2012-12-06 | 2013-02-27 | 南京匹瑞电气科技有限公司 | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
US20160071024A1 (en) * | 2014-02-25 | 2016-03-10 | Sri International | Dynamic hybrid models for multimodal analysis |
JP2017173066A (ja) * | 2016-03-23 | 2017-09-28 | Ntn株式会社 | 部品状態検知装置 |
CN107403279A (zh) * | 2017-08-02 | 2017-11-28 | 中国石油大学(北京) | 一种输油泵工况自适应状态预警系统及方法 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN109145166A (zh) * | 2017-06-13 | 2019-01-04 | 贵州电网有限责任公司 | 一种基于故障信息识别的故障数据融合方法 |
CN109165553A (zh) * | 2018-07-20 | 2019-01-08 | 中国石油天然气股份有限公司 | 基于深度学习的石油设施遥感自动识别方法及装置 |
CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
CN109978055A (zh) * | 2019-03-26 | 2019-07-05 | 京东方科技集团股份有限公司 | 多传感器系统的信息融合方法及系统、计算机设备及介质 |
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN110561193A (zh) * | 2019-09-18 | 2019-12-13 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
-
2020
- 2020-04-23 CN CN202010326103.2A patent/CN111504676B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201417174Y (zh) * | 2009-06-19 | 2010-03-03 | 武汉钢铁(集团)公司 | 机电设备的监测系统 |
CN102944416A (zh) * | 2012-12-06 | 2013-02-27 | 南京匹瑞电气科技有限公司 | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 |
US20160071024A1 (en) * | 2014-02-25 | 2016-03-10 | Sri International | Dynamic hybrid models for multimodal analysis |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
JP2017173066A (ja) * | 2016-03-23 | 2017-09-28 | Ntn株式会社 | 部品状態検知装置 |
CN109145166A (zh) * | 2017-06-13 | 2019-01-04 | 贵州电网有限责任公司 | 一种基于故障信息识别的故障数据融合方法 |
CN107403279A (zh) * | 2017-08-02 | 2017-11-28 | 中国石油大学(北京) | 一种输油泵工况自适应状态预警系统及方法 |
CN109165553A (zh) * | 2018-07-20 | 2019-01-08 | 中国石油天然气股份有限公司 | 基于深度学习的石油设施遥感自动识别方法及装置 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN109828549A (zh) * | 2019-01-28 | 2019-05-31 | 中国石油大学(华东) | 一种基于深度学习的工业互联网设备故障预测方法 |
CN109978055A (zh) * | 2019-03-26 | 2019-07-05 | 京东方科技集团股份有限公司 | 多传感器系统的信息融合方法及系统、计算机设备及介质 |
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN110561193A (zh) * | 2019-09-18 | 2019-12-13 | 杭州友机技术有限公司 | 一种基于特征融合的刀具磨损评估及监控的方法与系统 |
Non-Patent Citations (4)
Title |
---|
姚雪梅: ""多源数据融合的设备状态监测与智能诊断研究》", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
文成林 等: ""基于数据驱动的微小故障诊断方法综述"", 《自动化学报》 * |
王云飞 等: ""多层融合的管道泄漏诊断技术研究"", 《中国安全科学学报》 * |
王琪: ""基于卷积神经网络与多源信息融合的故障诊断方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067997A (zh) * | 2020-08-14 | 2020-12-11 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、系统、电子设备和存储介质 |
CN111923048A (zh) * | 2020-08-14 | 2020-11-13 | 北京海益同展信息科技有限公司 | 肌电信号分类、外骨骼机器人控制方法及装置 |
CN112067997B (zh) * | 2020-08-14 | 2023-11-14 | 杭州小电科技股份有限公司 | 移动电源租赁设备诊断方法、系统、电子设备和存储介质 |
CN112254910A (zh) * | 2020-10-10 | 2021-01-22 | 华中科技大学 | 一种基于融合相关谱的电机转子断条故障检测方法及系统 |
WO2022108520A1 (zh) * | 2020-11-19 | 2022-05-27 | 脸萌有限公司 | 数据处理方法、装置、介质及电子设备 |
CN112598537A (zh) * | 2020-12-22 | 2021-04-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN112598537B (zh) * | 2020-12-22 | 2022-08-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN112924150A (zh) * | 2021-02-07 | 2021-06-08 | 中国石油大学(北京) | 一种管壳式热交换器性能监测与故障诊断方法及系统 |
CN113344085A (zh) * | 2021-06-16 | 2021-09-03 | 东南大学 | 一种平衡偏置的多源数据协同优选与融合方法和装置 |
CN113344085B (zh) * | 2021-06-16 | 2024-04-26 | 东南大学 | 一种平衡偏置的多源数据协同优选与融合方法和装置 |
CN113379945A (zh) * | 2021-07-26 | 2021-09-10 | 陕西天行健车联网信息技术有限公司 | 一种车辆驾驶行为分析装置、方法及系统 |
CN113705396A (zh) * | 2021-08-16 | 2021-11-26 | 西安交通大学 | 一种电机故障诊断方法、系统及设备 |
CN113705396B (zh) * | 2021-08-16 | 2024-04-05 | 西安交通大学 | 一种电机故障诊断方法、系统及设备 |
CN114116128A (zh) * | 2021-11-23 | 2022-03-01 | 北京字节跳动网络技术有限公司 | 容器实例的故障诊断方法、装置、设备和存储介质 |
CN114116128B (zh) * | 2021-11-23 | 2023-08-08 | 抖音视界有限公司 | 容器实例的故障诊断方法、装置、设备和存储介质 |
CN114297454A (zh) * | 2021-12-30 | 2022-04-08 | 医渡云(北京)技术有限公司 | 特征的离散化方法、装置、电子设备及计算机可读介质 |
CN114637263B (zh) * | 2022-03-15 | 2024-01-12 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN116299038A (zh) * | 2023-02-13 | 2023-06-23 | 上海玫克生储能科技有限公司 | 电芯微短路的检测方法、系统、设备及存储介质 |
CN116299038B (zh) * | 2023-02-13 | 2024-04-05 | 上海玫克生储能科技有限公司 | 电芯微短路的检测方法、系统、设备及存储介质 |
CN116939047B (zh) * | 2023-09-18 | 2023-11-24 | 吉林省车桥汽车零部件有限公司 | 一种用于数控机床系统的数据智能通信方法 |
CN116939047A (zh) * | 2023-09-18 | 2023-10-24 | 吉林省车桥汽车零部件有限公司 | 一种用于数控机床系统的数据智能通信方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111504676B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111340238A (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN111626345A (zh) | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 | |
CN108490923B (zh) | 用于电气牵引系统的微小故障检测与定位的系统设计方法 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
Zhou et al. | A multistage deep transfer learning method for machinery fault diagnostics across diverse working conditions and devices | |
CN114970715A (zh) | 小样本及不平衡数据约束下的变工况故障诊断方法及系统 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
Kefalas et al. | Automated machine learning for remaining useful life estimation of aircraft engines | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
Xue et al. | A novel framework for motor bearing fault diagnosis based on multi-transformation domain and multi-source data | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
CN114048762B (zh) | 双注意力引导的旋转机械健康评估方法 | |
CN115688011A (zh) | 一种基于文本和语义嵌入的旋转机械复合故障识别方法 |
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 |