CN113092907A - 一种基于分块慢特征分析的系统故障检测方法 - Google Patents

一种基于分块慢特征分析的系统故障检测方法 Download PDF

Info

Publication number
CN113092907A
CN113092907A CN202110361636.9A CN202110361636A CN113092907A CN 113092907 A CN113092907 A CN 113092907A CN 202110361636 A CN202110361636 A CN 202110361636A CN 113092907 A CN113092907 A CN 113092907A
Authority
CN
China
Prior art keywords
data
block
fault
monitoring
traction system
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
CN202110361636.9A
Other languages
English (en)
Other versions
CN113092907B (zh
Inventor
程超
乔新宇
李华亮
王威珺
邵俊捷
付彩欣
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.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
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 Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202110361636.9A priority Critical patent/CN113092907B/zh
Publication of CN113092907A publication Critical patent/CN113092907A/zh
Application granted granted Critical
Publication of CN113092907B publication Critical patent/CN113092907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一种基于分块慢特征分析的系统故障检测方法，它属于故障诊断领域。本发明解决了已有方法不能够对牵引系统中的强噪声干扰与故障状态进行有效辨识的问题。根据牵引系统的结构特点，本发明通过互信息分析变量间的高阶统计特性，有助于降低计算复杂度，利用动态慢特征分析方法对各子块的性能进行有效监控，并且设计的两个检验统计量分别具有时间序列特征和一阶差分特征，能够监测牵引系统中的强噪声情况，再根据设计的逻辑决策，可以有效地分离牵引系统中的强噪声干扰与故障状态。本发明可以应用于故障诊断领域。

Description

一种基于分块慢特征分析的系统故障检测方法
技术领域
本发明属于故障诊断领域，具体涉及一种基于分块慢特征分析的系统故障检测方法。
背景技术
目前，牵引系统作为高速列车的复杂机电系统之一，可以提供负载功率和调节列车速度。牵引系统一旦发生故障，故障可能通过多个子系统之间的连接路径传播。这些故障将影响各级子系统的运行性能，严重时甚至导致运行故障。
由于对低能耗、系统性能和安全运行的要求越来越高，牵引系统变得越来越复杂。以牵引电机为例，CRH2列车最早的异步牵引电机逐渐被永磁(同步)牵引电机取代，更加节能高效。为了提高系统的稳定性，牵引系统的监控方法受到了广泛的关注。其中，基于模型的监测方法需要建立牵引系统的数学模型，通过构造观测器或参数矩阵来检测系统故障。已有方法多根据牵引系统机理，通过采集数据与机理辨识方式分析系统故障，这类方式大多是离线的，需要导出数据进行集中式计算，之后再与机理结合分析故障，因此具有较高的计算复杂度，并大大影响了监测效率。并且现有牵引系统故障诊断技术对于强噪声干扰与故障状态无法进行有效辨识。
与已有方法相比，数据驱动方法具有更明显的优势。从工程角度看，CRH2共有16节车厢安装了近3000个传感器，其中测量电压和电流的传感器有300多个，采样频率最快可达微秒级，随着各种传感器的使用，为牵引系统的性能监控管理生成了大量的数据。因此，为数据驱动方法在牵引系统故障诊断技术中的应用提供了可能。
发明内容
本发明的目的是为解决已有方法不能够对牵引系统中的强噪声干扰与故障状态进行有效辨识的问题，而提出了一种基于分块慢特征分析的系统故障检测方法。
本发明为解决上述技术问题所采取的技术方案是：一种基于分块慢特征分析的系统故障检测方法，所述方法具体包括以下步骤：
步骤一、在线采集牵引系统的M0个传感器的监测数据；
步骤二、对于步骤一中所采集的每个传感器的监测数据，均进行分块处理；
步骤三、分别对每个传感器的监测数据进行时序滞后处理，得到经过时序滞后处理后的各分块数据；
步骤四、采用慢特征分析方法分别计算经过时序滞后处理后的各分块数据的慢度映射矩阵；
步骤五、根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量，再根据各分块数据的检验统计量进行牵引系统局部的故障判断；若判断结果为有故障，则继续执行步骤六，否则结束整个流程；
步骤六、对各分块数据的检验统计量进行整合，获得全局监测检验统计量；再根据获得的全局监测检验统计量判断牵引系统全局是否存在故障。
本发明的有益效果是：本发明提出了一种基于分块慢特征分析的系统故障检测方法，根据牵引系统的结构特点，本发明通过互信息分析变量间的高阶统计特性，有助于降低计算复杂度，利用动态慢特征分析方法对各子块的性能进行有效监控，并且设计的两个检验统计量分别具有时间序列特征和一阶差分特征，能够监测牵引系统中的强噪声情况，再根据设计的逻辑决策，可以有效地分离牵引系统中的强噪声干扰与故障状态。
而且，本发明的监测方法实现了电力传动系统的局部和全局并行监控，有效地避免了局部故障向全局故障演化的可能性，大大提高了系统监测的效率。
附图说明
图1为本发明方法的流程图；
图2a)为牵引系统传感器采集的故障数据1；
图2b)为牵引系统传感器采集的故障数据2；
图2c)为牵引系统传感器采集的故障数据3；
图2d)为牵引系统传感器采集的故障数据4；
图2e)为牵引系统传感器采集的故障数据5；
图2f)为牵引系统传感器采集的故障数据6；
图2g)为牵引系统传感器采集的故障数据7；
图2h)为牵引系统传感器采集的故障数据8；
图3a)为牵引系统T2统计量的局部监测结果图1；
图3b)为牵引系统T2统计量的局部监测结果图2；
图3c)为牵引系统T2统计量的局部监测结果图3；
图4a)为牵引系统Q统计量的局部监测结果图1；
图4b)为牵引系统Q统计量的局部监测结果图2；
图4c)为牵引系统Q统计量的局部监测结果图3；
图5a)为牵引系统
Figure BDA0003005776230000021
统计量的全局监测结果图；
图5b)为牵引系统BICQ统计量的全局监测结果图。
具体实施方式
具体实施方式一、本实施方式所述的一种基于分块慢特征分析的系统故障检测方法，所述方法具体包括以下步骤：
步骤一、在线采集牵引系统的M0个传感器的监测数据；所述采集的监测数据均为耦合电气原件相关的数据；
步骤二、对于步骤一中所采集的每个传感器的监测数据，均进行分块处理；
步骤三、分别对每个传感器的监测数据进行时序滞后处理，得到经过时序滞后处理后的各分块数据；
步骤四、采用慢特征分析方法分别计算经过时序滞后处理后的各分块数据的慢度映射矩阵；
步骤五、根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量，再根据各分块数据的检验统计量进行牵引系统局部的故障判断；若判断结果为有故障，则继续执行步骤六，否则结束整个流程；
步骤六、对各分块数据的检验统计量进行整合，获得全局监测检验统计量；再根据获得的全局监测检验统计量判断牵引系统全局是否存在故障。
若步骤五中判断存在局部故障，则需要进一步判断是否存在全局故障，若不存在全局故障，则认为系统只是存在局部的故障，通过对局部故障进行处理可以有效地避免局部故障向全局故障演化的可能性；否则若存在全局故障，则系统发生全局故障。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤二的具体过程为：
Figure BDA0003005776230000031
其中，xi为第i个传感器的监测数据，xj为第j个传感器的监测数据，r(xi,xj)为xi与xj的数据相关性，p(xi)表示xi的发生概率，p(xj)表示xj的发生概率，p(xi,xj)为联合概率；
根据计算出的数据相关性，将彼此独立的传感器监测数据放在一个块中，将互信息大于-100的传感器监测数据放在一个块中，得到分块处理后的结果。
具体实施方式三：本实施方式与具体实施方式二不同的是，所述步骤三的具体过程为：
将分块结果Xb表示为：
Figure BDA0003005776230000032
其中，
Figure BDA0003005776230000033
代表第i′个分块数据，i′＝1,2，…，n，n为分块的个数；
将第i′个分块数据中的第i″个传感器的监测数据表示为
Figure BDA0003005776230000041
对第i′个分块数据中的第i″个传感器的监测数据进行时序滞后处理，得到的时序滞后处理后的数据为：
Figure BDA0003005776230000042
其中，
Figure BDA0003005776230000043
为时序滞后处理后的数据，lj′为xi″中的第j′个时刻的监测数据，j′＝1,2,…,n′；
分别对每个传感器的监测数据进行时序滞后处理后，得到经过时序滞后处理后的各分块数据，将
Figure BDA0003005776230000044
对应的时序滞后处理后的数据表示为
Figure BDA0003005776230000045
本实施方式中，对分块数据用滞后样本对每个输入向量进行扩展，得到动态数据样本：
Figure BDA0003005776230000046
其中Δk为xi变量的采样间隔，
Figure BDA0003005776230000047
为分块的子块变量n与延时滞后d个数的乘积。
牵引系统可采用多块方案的原因是由机械结构和传感器分布决定的。
具体实施方式四：本实施方式与具体实施方式三不同的是，所述步骤五中，根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量，其具体过程为：
Figure BDA0003005776230000048
其中，
Figure BDA0003005776230000049
为
Figure BDA00030057762300000410
的慢特征矩阵，
Figure BDA00030057762300000411
为
Figure BDA00030057762300000412
的慢度映射矩阵；
其中F(·)是慢度的映射；公式(3)的推导过程为：
Figure BDA00030057762300000413
约束条件为
Figure BDA00030057762300000414
Figure BDA00030057762300000415
Figure BDA0003005776230000051
其中符号<·>k表示在一段时间内的采样平均，公式(5)表示慢度均值为0，目标是尽可能的提取出缓慢变化的特征；公式(6)表示慢度方差为单位1将所有输出信号归一化为公共尺度，为了使问题的求解过程变的更加简单；公式(7)表示变量之间不相关，约束保证了输出信号归一化的同时，还避免了常值解的出现，使输出信号必须包含一定的信息，保证不同的输出信号分量对不同的信息进行分析。
慢特征矩阵
Figure BDA0003005776230000052
的主成分和残差成分表示为
Figure BDA0003005776230000053
和
Figure BDA0003005776230000054
则一阶慢特征矩阵
Figure BDA0003005776230000055
表示为：
Figure BDA0003005776230000056
其中，上角标T代表转置，
Figure BDA0003005776230000057
为
Figure BDA0003005776230000058
的一阶导数，
Figure BDA0003005776230000059
为
Figure BDA00030057762300000510
的一阶导数；
再计算
Figure BDA00030057762300000511
的检验统计量：
Figure BDA00030057762300000512
Figure BDA00030057762300000513
Figure BDA00030057762300000514
Figure BDA00030057762300000515
其中，
Figure BDA00030057762300000516
为用于统计系统内部状态的检验统计量，
Figure BDA00030057762300000517
为用于统计系统观测状态的检验统计量，上角标-1代表矩阵的逆，
Figure BDA00030057762300000518
为
Figure BDA00030057762300000519
的特征值所构成的对角矩阵；
同理，获得各分块数据的检验统计量。
Figure BDA00030057762300000520
为用于统计系统内部状态的检验统计量，
Figure BDA00030057762300000521
为用于统计系统观测状态的检验统计量。
具体实施方式五：本实施方式与具体实施方式四不同的是，所述步骤五中，根据各分块数据的检验统计量进行牵引系统局部的故障判断，其具体过程为：
分别对每个分块数据的检验统计量进行如下判断：
Figure BDA00030057762300000522
其中，Jth,q为系统的观测状态阈值，Jth,t为系统的内部状态阈值，H0和H1分别表示局部原假设和局部备择假设，H0表示无局部故障，H1表示有局部故障；
局部原假设H0分解为以下两种情况：
1)
Figure BDA0003005776230000061
且
Figure BDA0003005776230000062
时，则一定无故障；
2)
Figure BDA0003005776230000063
且
Figure BDA0003005776230000064
时，则表示受到系统内部状态影响，但是无故障状态。
若存在分块数据的判断结果为故障，就执行步骤六，否则结束整个算法流程。
具体实施方式六：本实施方式与具体实施方式五不同的是，所述步骤六中，根据获得的全局监测检验统计量判断牵引系统是否存在故障，其具体过程为：
Figure BDA0003005776230000065
其中，BICQ为用于统计系统观测状态的全局监测检验统计量，
Figure BDA0003005776230000066
为用于统计系统内部状态的全局监测检验统计量，H′0和H′1分别表示全局原假设和全局备择假设，H′0表示牵引系统无故障；且全局原假设H′0分解为以下两种情况：
1)
Figure BDA0003005776230000067
且
Figure BDA0003005776230000068
时，一定无故障；
2)
Figure BDA0003005776230000069
且
Figure BDA00030057762300000610
时，表示受到系统内部状态影响，但是无故障状态。
本实施方式中的阈值Jth,q和Jth,t是通过训练和测试过程得到的，在进行训练过程之前，采集了牵引系统在正常工作状态下的传感器监测数据作为训练集，对训练集执行步骤一至步骤六的过程，再采集牵引系统在故障状态下的传感器监测数据作为测试集，对测试集执行步骤一至步骤六的过程，直至在测试集上的监测精度达到预设要求时停止训练，获得训练好的阈值Jth,q和Jth,t。
实施例
下面结合附图和具体实例对本发明的具体实施方式做进一步分析和说明：
如图1所示，基于分块慢特征分析方法的牵引系统监测的流程示意图，具体包括：
步骤一(S110)，采集高速列车牵引系统监测数据作为训练数据和测试数据。在10秒内将两个故障注入牵引系统，即传感器短路故障，相关的采样数据如图2a)至图2h)所示。
步骤二(S120)，根据互信息计算传感器采集数据的相关性，获得变量之间的子块划分。
步骤二具体为：
为了更好地反映所有变量的相关性，公式(1)的结果可以被缩写为ri,j＝r(xi,xj)，变量相关矩阵R可以被表示为
Figure BDA0003005776230000071
根据公式(2)，变量可以分块划分为
Figure BDA0003005776230000072
由于走行部牵引系统是一个强耦合的电气部件，机理分析方法难以准确量化变量之间的相关性。因此，分块变量的准确性可以通过公式(1)与(13)来保证，分块结果为
Figure BDA0003005776230000073
步骤三(S130)，描述数据的时间序列的特性，对采集样本数据进行滞后处理，得到关于时间序列的子块；
步骤三的具体步骤为：
结合分块的结果
Figure BDA0003005776230000074
其中bi为分块的个数。尽管块
Figure BDA0003005776230000075
中的监测变量是存在不相关性的，但在牵引系统中，这些数据是时间序列相关的。对分块数据用滞后样本对每个输入向量进行扩展，得到动态数据样本：
Figure BDA0003005776230000076
其中Δk为xi变量的采样间隔，
Figure BDA0003005776230000077
为分块的子块变量n与延时滞后d＝3个数的乘积。
步骤四(S140)，利用慢特征分析方法对牵引系统进行局部的监测，设计的两种检验统计量分别描述系统观测特性和内部状态特性，通过逻辑决策判决对局部子块分析故障是否发生。
对公式(4)的优化问题等价于求解广义特征值分解，即
AW＝BWΛ (15)
其中，
Figure BDA0003005776230000078
Λ为广义特征值构成的对角矩阵，
Figure BDA0003005776230000079
为对应的广义特征向量矩阵。公式(15)的求解广义特征值分解可以转化为两次奇异值分解(SVD)的问题。
第一次SVD分解，对数据进行白化处理，消除变量之间的相关性，即
Figure BDA0003005776230000081
经过SVD后，则白化数据可以表示为
Figure BDA0003005776230000082
其中，白化矩阵为Q＝Ω-1/2UT，经推导白化数据仍然保持约束条件，即
Figure BDA0003005776230000083
Figure BDA0003005776230000084
在此基础上，慢特征表达式可以表示为
Figure BDA0003005776230000085
因此，求解W等价于求解矩阵P＝WQ-1。由上式(18)、(19)可知，慢特征
Figure BDA0003005776230000086
满足均值为0，方差为1的约束条件，即
Figure BDA0003005776230000087
显而易见，P矩阵必须是正交矩阵。所以，公式(15)的优化问题转化为求解一个正交矩阵P，使得
Figure BDA0003005776230000088
最小，使得对
Figure BDA0003005776230000089
进行SVD分解，即
Figure BDA00030057762300000810
最终，获得的特征向量
Figure BDA00030057762300000811
即
Figure BDA00030057762300000812
总结来说，计算公式(15)可以通过上述推导实现，相关的慢度特征值λi可以给出
Figure BDA00030057762300000813
与其他多元统计分析方法相似，慢特征
Figure BDA00030057762300000814
分为主元慢度特征和残差慢度特征，并在文献(Concurrent monitoring of operating condition deviations and processdynamics anomalies with slow feature analysis)中给出了完整的证明和全面的分析。因此，将每个慢速特征块的主元和残差成分表示为
Figure BDA00030057762300000815
Figure BDA00030057762300000816
其中M是主元慢特征的数量。同样地，一阶慢度特征
Figure BDA0003005776230000091
能够计算为
Figure BDA0003005776230000092
其中
Figure BDA0003005776230000093
是一个重要的监测指标，描述了测量值之间的时间相关性。在走行部牵引系统中，
Figure BDA0003005776230000094
和
Figure BDA0003005776230000095
可以分别表示观测状态和内部状态，与PCA和PLS的监测方法相似，设计两个检验统计量来监测系统，Hotelling’s
Figure BDA0003005776230000096
统计量的定义如下：
Figure BDA0003005776230000097
Figure BDA0003005776230000098
Figure BDA0003005776230000099
统计量定义为
Figure BDA00030057762300000910
Figure BDA00030057762300000911
其中
Figure BDA00030057762300000912
和
Figure BDA00030057762300000913
统计量测量系统的内部状态，
Figure BDA00030057762300000914
和
Figure BDA00030057762300000915
统计量测量系统的观测状态。考虑到牵引系统中的噪声问题，
Figure BDA00030057762300000916
具有一阶差分特性，提高了监测噪声的灵敏度。与
Figure BDA00030057762300000917
统计相比，
Figure BDA00030057762300000918
能有效分析牵引系统的观测状态，避免了计算可逆矩阵问题。因此，采用
Figure BDA00030057762300000919
和
Figure BDA00030057762300000920
共同监测牵引系统的局部状态。
值得注意的是，
Figure BDA00030057762300000921
具有单位方差特性，假设收集的数据为正态分布，
Figure BDA00030057762300000922
和
Figure BDA00030057762300000923
分别服从χ2和F分布。
因此，牵引系统故障监测的假设检验由下式给出
Figure BDA00030057762300000924
其中H0和H1分别表示原假设和备择假设，H0表示牵引系统无故障。注意，原假设可以分解为以下两种情况：
1)
Figure BDA00030057762300000925
和
Figure BDA00030057762300000926
一定无故障；
2)
Figure BDA00030057762300000927
和
Figure BDA00030057762300000928
表示为由系统内部状态影响，但是无故障状态。
相反，
Figure BDA00030057762300000929
和
Figure BDA00030057762300000930
监测的系统一定发生故障。与现有的假设检验方法不同，该方法避免了强噪声的影响，保证了牵引系统识别状态的稳定性，有助于分析系统的局部状态。如图3a)至图3c)以及图4a)至图4c)所示，为局部监测的结果，图中实线为检验统计量，虚线为设定的阈值。分块1：故障被监测是在10.5s-13s。从13s-30s无故障。故障监测不准确的原因是三相电流的不相关性。虽然第一相电流发生变化，但第二相电流和第三相电流逐渐减小，且减小的方式与第一相电流不相关；分块2：由图2a)至图2h)以及图3a)至图3c)可知，监测结果与分块1完全不同。故障是在11s-30s内被监测到的。因此，在局部监测中系统对的容错能力是不同的，分块2是存在故障；分块3：揭示了故障注入牵引系统后变压器交流电压和电流监测结果。如图5a)和图5b)所示，故障的监测得时间分别为11.5s-12.5s和15s-21s。
步骤五(S150)，利用贝叶斯推理方法对牵引系统进行全局的监测，将所有局部监测结果整合，最终通过逻辑决策判决对全局系统故障是否发生。
步骤五的具体步骤为：
在获得局部监测结果后，将局部结果有效地结合起来，对系统的全局性能进行监测。使用贝叶斯准则将局部监测结果
Figure BDA0003005776230000101
和
Figure BDA0003005776230000102
融合，反映全局监测性能逐渐变化。设
Figure BDA0003005776230000103
为统计量
Figure BDA0003005776230000104
在子块
Figure BDA0003005776230000105
下的概率，后验概率
Figure BDA0003005776230000106
表示为
Figure BDA0003005776230000107
其中
Figure BDA0003005776230000108
表示超过阈值的故障状态；
Figure BDA0003005776230000109
表示未超过阈值的正常状态；先验概率
Figure BDA00030057762300001010
能够简单的被定义为置信水平1-β，并且
Figure BDA00030057762300001011
被定义为β。条件概率
Figure BDA00030057762300001012
和
Figure BDA00030057762300001013
表示为
Figure BDA00030057762300001014
Figure BDA00030057762300001015
其中
Figure BDA00030057762300001016
为第bi分块的
Figure BDA00030057762300001017
统计量的置信限；
Figure BDA00030057762300001018
为第bi分块新样本
Figure BDA00030057762300001019
统计量。最后，全局监测性能的
Figure BDA00030057762300001020
统计量计算为
Figure BDA0003005776230000111
同样地，BICQ统计量计算为
Figure BDA0003005776230000112
在分析全局监测性能时，
Figure BDA0003005776230000113
和BICQ与假设检验的局部分析相同，即
Figure BDA0003005776230000114
其中H0和H1分别表示原假设和备择假设，H0表示牵引系统无故障。通过局部监测结果分析，可以得出结论是各分块对故障的敏感性不同的。采用贝叶斯算法对分块的监测结果进行整合。最后，如图5a)和图5b)所示，获得牵引系统的全局监测结果。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (6)

1.一种基于分块慢特征分析的系统故障检测方法，其特征在于，所述方法具体包括以下步骤：
步骤一、在线采集牵引系统的M0个传感器的监测数据；
步骤二、对于步骤一中所采集的每个传感器的监测数据，均进行分块处理；
步骤三、分别对每个传感器的监测数据进行时序滞后处理，得到经过时序滞后处理后的各分块数据；
步骤四、采用慢特征分析方法分别计算经过时序滞后处理后的各分块数据的慢度映射矩阵；
步骤五、根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量，再根据各分块数据的检验统计量进行牵引系统局部的故障判断；若判断结果为有故障，则继续执行步骤六，否则结束整个流程；
步骤六、对各分块数据的检验统计量进行整合，获得全局监测检验统计量；再根据获得的全局监测检验统计量判断牵引系统全局是否存在故障。
2.根据权利要求1所述的一种基于分块慢特征分析的系统故障检测方法，其特征在于，所述步骤二的具体过程为：
Figure FDA0003005776220000011
其中，xi为第i个传感器的监测数据，xj为第j个传感器的监测数据，r(xi,xj)为xi与xj的数据相关性，p(xi)表示xi的发生概率，p(xj)表示xj的发生概率，p(xi,xj)为联合概率；
根据计算出的数据相关性，将彼此独立的传感器监测数据放在一个块中，将互信息大于-100的传感器监测数据放在一个块中，得到分块处理后的结果。
3.根据权利要求2所述的一种基于分块慢特征分析的系统故障检测方法，其特征在于，所述步骤三的具体过程为：
将分块结果Xb表示为：
Figure FDA0003005776220000012
其中，
Figure FDA0003005776220000013
代表第i′个分块数据，i′＝1,2，…，n，n为分块的个数；
将第i′个分块数据中的第i″个传感器的监测数据表示为
Figure FDA0003005776220000014
对第i′个分块数据中的第i″个传感器的监测数据进行时序滞后处理，得到的时序滞后处理后的数据为：
Figure FDA0003005776220000021
其中，
Figure FDA0003005776220000022
为时序滞后处理后的数据，lj′为xi″中的第j′个时刻的监测数据，j′＝1,2,…,n′；
分别对每个传感器的监测数据进行时序滞后处理后，得到经过时序滞后处理后的各分块数据，将
Figure FDA0003005776220000023
对应的时序滞后处理后的数据表示为
Figure FDA0003005776220000024
4.根据权利要求3所述的一种基于分块慢特征分析的系统故障检测方法，其特征在于，所述步骤五中，根据各分块数据的慢度映射矩阵计算各分块数据的检验统计量，其具体过程为：
Figure FDA0003005776220000025
其中，
Figure FDA0003005776220000026
为
Figure FDA0003005776220000027
的慢特征矩阵，
Figure FDA0003005776220000028
为
Figure FDA0003005776220000029
的慢度映射矩阵；
慢特征矩阵
Figure FDA00030057762200000210
的主成分和残差成分表示为
Figure FDA00030057762200000211
和
Figure FDA00030057762200000212
则一阶慢特征矩阵
Figure FDA00030057762200000213
表示为：
Figure FDA00030057762200000214
其中，上角标T代表转置，
Figure FDA00030057762200000215
为
Figure FDA00030057762200000216
的一阶导数，
Figure FDA00030057762200000217
为
Figure FDA00030057762200000218
的一阶导数；
再计算
Figure FDA00030057762200000219
的检验统计量：
Figure FDA00030057762200000220
Figure FDA00030057762200000221
其中，
Figure FDA00030057762200000222
为用于统计系统内部状态的检验统计量，
Figure FDA00030057762200000223
为用于统计系统观测状态的检验统计量，上角标-1代表矩阵的逆，
Figure FDA00030057762200000224
为
Figure FDA00030057762200000225
的特征值所构成的对角矩阵；
同理，获得各分块数据的检验统计量。
5.根据权利要求4所述的一种基于分块慢特征分析的系统故障检测方法，其特征在于，所述步骤五中，根据各分块数据的检验统计量进行牵引系统局部的故障判断，其具体过程为：
分别对每个分块数据的检验统计量进行如下判断：
Figure FDA0003005776220000031
其中，Jth,q为系统的观测状态阈值，Jth,t为系统的内部状态阈值，H0和H1分别表示局部原假设和局部备择假设，H0表示无局部故障，H1表示有局部故障；
局部原假设H0分解为以下两种情况：
1)
Figure FDA0003005776220000032
且
Figure FDA0003005776220000033
时，则一定无故障；
2)
Figure FDA0003005776220000034
且
Figure FDA0003005776220000035
时，则表示受到系统内部状态影响，但是无故障状态。
6.根据权利要求5所述的一种基于分块慢特征分析的系统故障检测方法，其特征在于，所述步骤六中，根据获得的全局监测检验统计量判断牵引系统是否存在故障，其具体过程为：
Figure FDA0003005776220000036
其中，BICQ为用于统计系统观测状态的全局监测检验统计量，
Figure FDA0003005776220000037
为用于统计系统内部状态的全局监测检验统计量，H′0和H′1分别表示全局原假设和全局备择假设，H′0表示牵引系统无故障；且全局原假设H′0分解为以下两种情况：
1)
Figure FDA0003005776220000038
且BICQ＜Jth,q时，一定无故障；
2)
Figure FDA0003005776220000039
且BICQ＜Jth,q时，表示受到系统内部状态影响，但是无故障状态。
CN202110361636.9A 2021-04-02 2021-04-02 一种基于分块慢特征分析的系统故障检测方法 Active CN113092907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110361636.9A CN113092907B (zh) 2021-04-02 2021-04-02 一种基于分块慢特征分析的系统故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110361636.9A CN113092907B (zh) 2021-04-02 2021-04-02 一种基于分块慢特征分析的系统故障检测方法

Publications (2)

Publication Number Publication Date
CN113092907A true CN113092907A (zh) 2021-07-09
CN113092907B CN113092907B (zh) 2023-02-03

Family

ID=76673699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110361636.9A Active CN113092907B (zh) 2021-04-02 2021-04-02 一种基于分块慢特征分析的系统故障检测方法

Country Status (1)

Country Link
CN (1) CN113092907B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556202A (zh) * 2023-11-09 2024-02-13 南通大学 基于概率相关慢特征分析的工业过程微小故障检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647718A (zh) * 2017-01-20 2017-05-10 中国石油大学(华东) 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法
CN108873853A (zh) * 2018-09-11 2018-11-23 浙江大学 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法
CN111160776A (zh) * 2019-12-30 2020-05-15 华东理工大学 利用分块主成分分析的污水处理过程异常工况检测方法
CN111736567A (zh) * 2020-05-12 2020-10-02 江南大学 一种基于故障敏感慢特征的多块故障监测方法
CN111880090A (zh) * 2019-06-28 2020-11-03 浙江大学 一种面向百万千瓦超超临界机组的分布分层式在线故障检测方法
CN112160877A (zh) * 2020-09-03 2021-01-01 中国长江三峡集团有限公司福建分公司 一种基于sfa和cnn的风机轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647718A (zh) * 2017-01-20 2017-05-10 中国石油大学(华东) 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法
CN108873853A (zh) * 2018-09-11 2018-11-23 浙江大学 一种基于分层慢特征分析的智能电厂汽水系统分布式监测方法
CN111880090A (zh) * 2019-06-28 2020-11-03 浙江大学 一种面向百万千瓦超超临界机组的分布分层式在线故障检测方法
CN111160776A (zh) * 2019-12-30 2020-05-15 华东理工大学 利用分块主成分分析的污水处理过程异常工况检测方法
CN111736567A (zh) * 2020-05-12 2020-10-02 江南大学 一种基于故障敏感慢特征的多块故障监测方法
CN112160877A (zh) * 2020-09-03 2021-01-01 中国长江三峡集团有限公司福建分公司 一种基于sfa和cnn的风机轴承故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO SHANG 等: "concurrent monitoring of operating condition deviations and process dynamics anomalies with slow feature analysis", 《AICHE JOURNAL》 *
CHAO ZHAI 等: "ulti-Block Fault Detection for Plant-Wide Dynamic Processes Based on Fault Sensitive Slow Features and Support Vector Data Description", 《IEEE ACCESS》 *
乔新宇: "基于慢特征分析的高速列车走行部系统故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556202A (zh) * 2023-11-09 2024-02-13 南通大学 基于概率相关慢特征分析的工业过程微小故障检测方法
CN117556202B (zh) * 2023-11-09 2024-06-11 南通大学 基于概率相关慢特征分析的工业过程微小故障检测方法

Also Published As

Publication number Publication date
CN113092907B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN113239132B (zh) 一种电压互感器的超差在线辨识方法
CN110262450B (zh) 面向汽轮机的多种故障特性协同分析的故障预测方法
CN112731260B (zh) 基于概念漂移识别的电压互感器误差状态在线评估方法
CN111856209A (zh) 一种输电线路故障分类方法及装置
CN113092907B (zh) 一种基于分块慢特征分析的系统故障检测方法
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
CN112100946B (zh) 一种基于故障在线模拟的逆变器开路故障诊断方法及装置
CN117630797A (zh) 基于工作电流的电表健康状态检测方法、系统及存储介质
CN116400172A (zh) 基于随机矩阵的云边协同配电网故障检测方法及系统
CN111273126A (zh) 一种配电网拓扑快速感知方法
CN115935244A (zh) 一种基于数据驱动的单相整流器故障诊断方法
CN115409335A (zh) 基于深度学习考虑未知扰动类型的电力系统扰动识别方法
CN115238726A (zh) 一种基于性能退化空间波动评估的旋转机械状态监测方法
Gao et al. Research and application of the distillation column process fault prediction based on the improved KPCA
Zheng et al. Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration
Chen et al. Generalized CCA with applications for fault detection and estimation
CN117688496B (zh) 面向卫星遥测多维时序数据的异常诊断方法、系统及设备
CN115771165B (zh) 无故障样本下的工业机器人故障检测与定位方法、系统
CN114490596B (zh) 一种基于机器学习与神经网络的变压器油色谱数据清洗的方法
Yuan et al. A new fault detection method for multi-mode dynamic process
CN114355186B (zh) 异步电机系统转子断条及速度传感器故障的诊断方法
Su et al. A neural network method for induction machine fault detection with vibration signal
Dou et al. An Improved Fault Detection Method based on Canonical Variate Analysis for Tricky Faults of Wind Turbine
Song et al. Incipient faults Detection Based on Hellinger Distance and Canonical Variate Analysis for Traction Systems in High-speed Trains
CN115825732A (zh) 特征关联的永磁同步电机驱动系统开路故障智能诊断方法

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