CN112506687A - 基于多周期分段滑动窗口标准差的故障诊断方法 - Google Patents

基于多周期分段滑动窗口标准差的故障诊断方法 Download PDF

Info

Publication number
CN112506687A
CN112506687A CN202011329488.4A CN202011329488A CN112506687A CN 112506687 A CN112506687 A CN 112506687A CN 202011329488 A CN202011329488 A CN 202011329488A CN 112506687 A CN112506687 A CN 112506687A
Authority
CN
China
Prior art keywords
data
standard deviation
list
window
matrix
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
CN202011329488.4A
Other languages
English (en)
Other versions
CN112506687B (zh
Inventor
何金辉
宋佶聪
王浩磊
李哲
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202011329488.4A priority Critical patent/CN112506687B/zh
Publication of CN112506687A publication Critical patent/CN112506687A/zh
Application granted granted Critical
Publication of CN112506687B publication Critical patent/CN112506687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

本发明公开了一种基于多周期分段滑动窗口标准差的故障诊断方法，通过对连续周期的电流幅值数据进行分段多参数指标的卷积池化，得到了该段周期的数据特征值列表，并通过计算特征数据列表的标准差确定了设备运行的波动区间P；实测数据的滑动窗口处理后的标准差与P匹配，从而进行设备故障预测，算法简单有效，有利于电器设备进行故障诊断。

Description

基于多周期分段滑动窗口标准差的故障诊断方法
技术领域
本发明涉及非侵入式监测系统下电器设备故障诊断技术领域，特别是一种基于多周期分段滑动窗口标准差的故障诊断方法。
背景技术
目前，企业生产运行都会使用到各种不同的电器，而电器在运行过程中可能会出现故障，而一旦发生故障可能会对企业的生产运营造成巨大经济损失，更为严重的是可能造成安全隐患。于是生产经营者就会思考，如何能够提前获取设备即将发生故障的数据，提前预警，达到降低损失的目的。
当前设备故障诊断预警，一般是通过人工智能的算法；或者是机器学习算法，或者是深度学习算法，这些算法都需要大量的异常数据，而且前期需要人工标注数据标签，训练模型时间长，另外对于某些贵重设备，获取异常数据极为困难。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供一种基于多周期分段滑动窗口标准差的故障诊断方法，用于解决企业生产中设备突然出现故障造成损失、贵重设备没有异常数据可以对比分析的困难，从而更好的为生产服务。
为实现上述目的，本发明采用的技术方案是：一种基于多周期分段滑动窗口标准差的故障诊断方法，包括以下步骤：
步骤1、采集电器设备正常运行时An个周期的电流幅值数据作为样本数据，对各周期样本数据分别进行归一化处理；
步骤2、将样本数据转换为二维矩阵数据，即横向为其中某一周期完整数据，纵向为各周期对应点数据，初始化列表L，Ln，Lm，设置滑动窗口大小为m*n，滑动步长s；
步骤3、对二维矩阵按照m*n的窗口大小进行数据处理，计算当前窗口数据的参数；
步骤4、将步骤3的参数作为卷积核数据并按m*n排列为二维矩阵，卷积核与对应的m*n窗口数据进行卷积计算，得到新的矩阵后按最大值进行池化处理，将池化处理后的值加入列表Ln中；
步骤5、判断当前m*n窗口是否为矩阵列尾部，非尾部则按步长s滑动并返回执行步骤3，否则执行下一步；
步骤6、判断当前m*n窗口是否为矩阵行底部，非矩阵行底部则将列表Ln加入列表L中，换行初始化列表Ln并返回执行步骤3；如果当前为矩阵行底部，则执行下一步；
步骤7、遍历列表L，对子列表数据计算标准差，得到标准差波动范围，设置波动变异阈值为f，波动范围乘以变异阈值f即可得到设备正常运行的标准差区间P；
步骤8、采集实测数据，并按样本数据的计算步骤得到池化后的数据列表Lm，计算列表Lm的标准差std，判断标准差std是否在标准差区间P的区间内，是则设备运行正常，否则设备预警，流程结束。
作为本发明的进一步改进，在步骤3中，所述的参数包括均值、标准差、最大值、最小值、极差值、斜率、均方根和变异系数，且当参数数据数量不足m*n时，尾部以0补齐。
本发明的有益效果是：
本发明可以在不需要异常数据的情况下进行故障诊断，不需要前期大量数据的处理工作，设备不需要集成昂贵的人工智能算法模块组件，可以集成到设备终端，算法简单有效。
附图说明
图1为本发明实施例的流程框图；
图2为本发明实施例中矩阵数据的滑动示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示，一种基于多周期分段滑动窗口标准差的故障诊断方法，包括以下步骤：
1、采集某电器设备A正常运行时电流幅值数据An个周期作为样本数据，对各周期样本数据进行最大值最小值归一化处理到[0,1]区间；
2、将样本数据转换为二维矩阵数据，即横向为其中某一周期的完整数据，纵向为各周期对应点数据，如图2所示；具体操作为:初始化二维数组Array[x][y]，x表示样本数据的采集周期数，y表示单一周期的数据点数，将样本数据填充入二维数组，初始化列表L，Ln，Lm，设置滑动窗口大小为m*n，滑动步长为s，当前起始列数为column＝0，结束列下标为column+n-1，当前起始行下标为row＝0，结束行下标为row+m-1；
3、对二维矩阵按照m*n的窗口大小进行数据处理，选中的m*n数据即为二维数组C[m][n]，再如图2所示，m代表行数，n代表列数，将对应数据加入C[m][n](即起始行下标row，结束行下标row+m-1，起始列下标column，结束列下标column+n-1)，示例以3*3的窗口进行数据处理，计算当前m*n窗口数据即数组C[m][n]的均值、标准差、最大值、最小值、极差值、斜率、均方根、变异系数，参数不仅限于此类参数指标，参数数据指标个数不足m*n的，尾部以0补齐；
4、将步骤3计算的参数作为卷积核数据并按m*n排列为二维矩阵，即为二维数组D[m][n],卷积核D[m][n]与对应的C[m][n]数组数据进行计算；计算规则为对应下标点数据相乘，计算得到新的二维矩阵数组，即E[m][n]并按最大值进行池化处理，将池化后的值加入列表Ln中；
5、再如图2所示，判断当前m*n窗口是否为矩阵列尾部，非尾部则按步长s滑动即起始列下标column＝column+s，结束列下标为column+n-1，返回执行步骤3；如果当前为矩阵列尾部则执行下一步；
6、判断当前m*n窗口是否为矩阵行底部，矩阵行底部位置如图2所示，非矩阵行底部则将列表Ln加入到列表L中，换行并重新初始化列表Ln，起始行更新row＝row+s，结束行更新row＝row+m-1并返回执行步骤3；如果当前为矩阵行底部表示窗口为如图2所示的矩阵行底部列尾部的批注，执行下一步；
7、遍历列表L，对子列表数据分别计算标准差并加入到列表Lstd，得到标准差波动范围，计算列表Lstd最大值maxValue，最小值minValue，设置波动变异阈值f取值为(0,1)之间,maxValue和minValue分别乘以f即可得到设备正常运行的标准差区间P；
8、采集实测数据，数据周期为m个周期，并按样本数据的计算步骤得到池化后的数据列表Lm，计算列表Lm的标准差std，判断标准差std是否在设备正常运行的标准差区间P的区间内，是则设备运行正常，否则设备预警，流程结束。
在本实施例中，卷积矩阵数据值是跟随滑动窗口数据不断变化的，可以提取相应滑动窗口的特征值，可以以卷积矩阵与对应滑动窗口的对应点值乘积列表中的最大值作为池化值，以矩阵列尾部作为数据分行的标识，并取对应列表数据的标准差作为判定范围，标准差波动范围有一定的阈值限制，判定实测数据周期以m为准，同样本窗口大小一致，并以判定对应的标准差是否在样本范围P之内来判定设备是否故障。
通过多周期的数据转换为二维矩阵后进行滑动窗口操作，滑动卷积核采用了数据分析的常用指标进行卷积，同时按最大值进行池化，解决了单一指标的不可靠性，为设备故障诊断提供了有效的解决方案，有助于企业对电器设备进行故障诊断，从而达到安全预警和降低运营成本等目的。
以上所述实施例仅表达了本发明的具体实施方式，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。

Claims (2)

1.一种基于多周期分段滑动窗口标准差的故障诊断方法，其特征在于，包括以下步骤：
步骤1、采集电器设备正常运行时An个周期的电流幅值数据作为样本数据，对各周期样本数据分别进行归一化处理；
步骤2、将样本数据转换为二维矩阵数据，即横向为其中某一周期完整数据，纵向为各周期对应点数据，初始化列表L，Ln，Lm，设置滑动窗口大小为m*n，滑动步长s；
步骤3、对二维矩阵按照m*n的窗口大小进行数据处理，计算当前窗口数据的参数；
步骤4、将步骤3的参数作为卷积核数据并按m*n排列为二维矩阵，卷积核与对应的m*n窗口数据进行卷积计算，得到新的矩阵后按最大值进行池化处理，将池化处理后的值加入列表Ln中；
步骤5、判断当前m*n窗口是否为矩阵列尾部，非尾部则按步长s滑动并返回执行步骤3，否则执行下一步；
步骤6、判断当前m*n窗口是否为矩阵行底部，非矩阵行底部则将列表Ln加入列表L中，换行初始化列表Ln并返回执行步骤3；如果当前为矩阵行底部，则执行下一步；
步骤7、遍历列表L，对子列表数据计算标准差，得到标准差波动范围，设置波动变异阈值为f，波动范围乘以变异阈值f即可得到设备正常运行的标准差区间P；
步骤8、采集实测数据，并按样本数据的计算步骤得到池化后的数据列表Lm，计算列表Lm的标准差std，判断标准差std是否在标准差区间P的区间内，是则设备运行正常，否则设备预警，流程结束。
2.根据权利要求1所述的基于多周期分段滑动窗口标准差的故障诊断方法，其特征在于，在步骤3中，所述的参数包括均值、标准差、最大值、最小值、极差值、斜率、均方根和变异系数，且当参数数据数量不足m*n时，尾部以0补齐。
CN202011329488.4A 2020-11-24 2020-11-24 基于多周期分段滑动窗口标准差的故障诊断方法 Active CN112506687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011329488.4A CN112506687B (zh) 2020-11-24 2020-11-24 基于多周期分段滑动窗口标准差的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011329488.4A CN112506687B (zh) 2020-11-24 2020-11-24 基于多周期分段滑动窗口标准差的故障诊断方法

Publications (2)

Publication Number Publication Date
CN112506687A true CN112506687A (zh) 2021-03-16
CN112506687B CN112506687B (zh) 2022-03-01

Family

ID=74959715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011329488.4A Active CN112506687B (zh) 2020-11-24 2020-11-24 基于多周期分段滑动窗口标准差的故障诊断方法

Country Status (1)

Country Link
CN (1) CN112506687B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113473115A (zh) * 2021-07-09 2021-10-01 四川九州电子科技股份有限公司 基于灰度形态学的机顶盒异常检测方法
CN117879769A (zh) * 2024-03-11 2024-04-12 陕西惠延机械有限公司 一种隧道衬砌台车云平台系统数据推送及传输方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法
CN108304941A (zh) * 2017-12-18 2018-07-20 中国软件与技术服务股份有限公司 一种基于机器学习的故障预测方法
CN108509634A (zh) * 2018-04-10 2018-09-07 深信服科技股份有限公司 抖动故障监测方法、监测装置及计算机可读存储介质
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110083981A (zh) * 2019-05-17 2019-08-02 重庆交通大学 一种基于遗忘因子的任意初态下的迭代学习故障估计方法
CN110244150A (zh) * 2019-07-05 2019-09-17 四川长虹电器股份有限公司 一种基于均方根和标准差的非侵入式电器识别方法
CN111062464A (zh) * 2019-10-24 2020-04-24 中国电力科学研究院有限公司 一种基于深度学习的电力通信网可靠性预测和保障方法和系统
CN111461551A (zh) * 2020-04-01 2020-07-28 未必然数据科技(北京)有限公司 一种基于深度学习和spc准则的电潜泵故障预警方法
CN111476299A (zh) * 2020-04-07 2020-07-31 国家电网有限公司华东分部 一种改进型卷积神经网络及基于其的电网智能告警系统
CN111665066A (zh) * 2020-05-18 2020-09-15 东华大学 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN111753891A (zh) * 2020-06-11 2020-10-09 燕山大学 一种无监督特征学习的滚动轴承故障诊断方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304941A (zh) * 2017-12-18 2018-07-20 中国软件与技术服务股份有限公司 一种基于机器学习的故障预测方法
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法
CN108509634A (zh) * 2018-04-10 2018-09-07 深信服科技股份有限公司 抖动故障监测方法、监测装置及计算机可读存储介质
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110083981A (zh) * 2019-05-17 2019-08-02 重庆交通大学 一种基于遗忘因子的任意初态下的迭代学习故障估计方法
CN110244150A (zh) * 2019-07-05 2019-09-17 四川长虹电器股份有限公司 一种基于均方根和标准差的非侵入式电器识别方法
CN111062464A (zh) * 2019-10-24 2020-04-24 中国电力科学研究院有限公司 一种基于深度学习的电力通信网可靠性预测和保障方法和系统
CN111461551A (zh) * 2020-04-01 2020-07-28 未必然数据科技(北京)有限公司 一种基于深度学习和spc准则的电潜泵故障预警方法
CN111476299A (zh) * 2020-04-07 2020-07-31 国家电网有限公司华东分部 一种改进型卷积神经网络及基于其的电网智能告警系统
CN111665066A (zh) * 2020-05-18 2020-09-15 东华大学 基于卷积神经网络的设备故障自适应上下预警界生成方法
CN111753891A (zh) * 2020-06-11 2020-10-09 燕山大学 一种无监督特征学习的滚动轴承故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
华 丰: "基于对抗生成网络的滚动轴承故障检测方法", 《HTTPS://DOI.ORG/10.12677/AIRR.2019.84023》 *
姚良等: "基于加权时域同步平均与Bootstrap方法的柴油机供油系统故障诊断", 《机械科学与技术》 *
宫文峰 等: "基于改进卷积神经网络的滚动轴承智能故障诊断研究", 《振动工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113473115A (zh) * 2021-07-09 2021-10-01 四川九州电子科技股份有限公司 基于灰度形态学的机顶盒异常检测方法
CN113473115B (zh) * 2021-07-09 2023-06-06 四川九州电子科技股份有限公司 基于灰度形态学的机顶盒异常检测方法
CN117879769A (zh) * 2024-03-11 2024-04-12 陕西惠延机械有限公司 一种隧道衬砌台车云平台系统数据推送及传输方法

Also Published As

Publication number Publication date
CN112506687B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN112506687B (zh) 基于多周期分段滑动窗口标准差的故障诊断方法
CN112858919B (zh) 一种基于聚类分析的电池系统在线故障诊断方法和系统
CN109685314B (zh) 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN110245460A (zh) 一种基于多阶段oica的间歇过程故障监测方法
CN111426905B (zh) 一种配电网同母线变关系异常诊断方法、装置及系统
WO2021007845A1 (zh) 一种氧化铝生产指标的云-边协同预报系统及方法
CN114169237A (zh) 结合eemd-lstm及孤立森林算法的电力电缆接头温度异常预警方法
CN110929115B (zh) 一种基于用电特性的用电安全监测方法及系统
CN117434384A (zh) 一种配电网绝缘故障辨识方法及相关装置
CN116086537A (zh) 一种设备状态监测方法、装置、设备及存储介质
CN116050599A (zh) 一种线路覆冰故障预测方法、系统、存储介质及设备
CN111654392A (zh) 基于互信息的低压配电网拓扑识别方法及系统
CN117269655B (zh) 变电站电力设备温度异常监测方法、系统、终端及介质
CN112907107B (zh) 一种基于多源信息融合的渔业事故应急处理系统及方法
CN110413622B (zh) 一种基于电力大数据平台的数据处理方法
CN113918433A (zh) 一种自适应的智慧网络设备性能指标异常检测装置及方法
CN111726766B (zh) 一种变电设备状态监测信息采集方法及系统
CN110995461B (zh) 网络故障诊断方法
CN111273635A (zh) 一种工控设备未知异常检测方法
CN116070734A (zh) 一种变压器故障预测方法、装置、设备及存储介质
CN113671287B (zh) 电网自动化终端智能检测方法、系统和可读存储介质
CN110989040B (zh) 一种基于切片处理的人工智能雷电临近预警方法及系统
CN111563078B (zh) 基于时序数据的数据质量检测方法、检测装置及存储装置
CN114545066A (zh) 一种非侵入式负荷监测模型聚合方法和系统

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