CN113255771B - 基于多维异构差异分析的故障诊断方法及系统 - Google Patents

基于多维异构差异分析的故障诊断方法及系统 Download PDF

Info

Publication number
CN113255771B
CN113255771B CN202110579449.8A CN202110579449A CN113255771B CN 113255771 B CN113255771 B CN 113255771B CN 202110579449 A CN202110579449 A CN 202110579449A CN 113255771 B CN113255771 B CN 113255771B
Authority
CN
China
Prior art keywords
feature set
training
numerical
difference
type
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.)
Active
Application number
CN202110579449.8A
Other languages
English (en)
Other versions
CN113255771A (zh
Inventor
彭涛
彭霞
叶城磊
陶宏伟
阳春华
杨超
陈志文
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202110579449.8A priority Critical patent/CN113255771B/zh
Publication of CN113255771A publication Critical patent/CN113255771A/zh
Application granted granted Critical
Publication of CN113255771B publication Critical patent/CN113255771B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (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 Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及故障诊断领域，公开一种基于多维异构差异分析的故障诊断方法及系统，以提高系统故障诊断正确率。方法包括：采集系统正常、故障运行下的传感器信号，构建数值型、分布型、时序型3种不同结构特征集；分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，并分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量；根据前述各类型差异度量并结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵，最后通过k‑近邻分类得到最终的正常/故障类别。

Description

基于多维异构差异分析的故障诊断方法及系统
技术领域
本发明涉及故障诊断领域，尤其涉及一种基于多维异构差异分析的故障诊断方法及系统。
背景技术
在现代化工业生产越来越大型化、高速化、自动化，其生产率和自动化程度逐步提高的同时，特别是在轨道交通、航空航天、船舶、流程工业等领域中，设备或系统故障可能造成重大经济损失，甚至导致重大安全事故的发生，因此，现代设备及系统对安全性和可靠性提出越来越高的要求。现代设备大型化、复杂化、智能化发展趋势导致设备发生故障可能性和维修难度增大，对于现代装备的安全性和可靠性而言，设备故障诊断和维护技术显得尤为重要。如何提高故障诊断效率和精度，即时预报警并维护，是现代设备及系统可靠安全运行的重要前提。
基于数据驱动的故障诊断方法通过传感器所获取的历史运行数据，并采用数据挖掘技术获取其中隐含的有用信息，表征设备/系统运行的正常模式/故障模式，以实现故障诊断的目的。由于它无需建立设备/系统复杂的数学或物理模型，因此被广泛应用。在传感器所获取的历史运行数据中，由于运行数据的统计分布规律及演化故障的时间趋势性，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，能更全面地表征系统运行状态。且在不同运行状态下，不同结构的数据特征对系统运行状态的表征能力各异，有效融合不同结构特征以提高故障诊断正确率。
因此，现需提供一种能有效融合多维异构数据的方法，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统/设备运行状态，提高系统故障诊断正确率。
发明内容
本发明针对上述问题提供了一种基于多维异构差异分析的故障诊断方法及系统，以融合多维异构数据，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统/设备运行状态，提高系统故障诊断正确率。
为实现上述目的，本发明提供了一种基于多维异构差异分析的故障诊断方法，包括以下步骤：
S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集；
S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集；
S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重；
S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵；
S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻分类得到最终的正常/故障类别。
为达上述目的，本发明还公开一种基于多维异构差异分析的故障诊断系统，包括存储器、处理器以及存储在存储器上并可在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上述方法的步骤。
本发明具有以下有益效果：
通过对不同结构数据进行差异分析，有效的融合被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，融合后的多维异构特征较单一结构特征能更全面的反映系统运行状态，提高系统故障诊断正确率。高精度的故障诊断可在系统尚未造成重大危害时及时预警，降低维护成本，同时提高系统的稳定性和安全性。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的基于多维异构差异分析的故障诊断方法流程图；
图2是本发明优选实施例的基于多维异构差异分析的故障诊断方法步骤图；
图3是本发明优选实施例的基于多维异构差异分析的故障诊断结果图；
图4是本发明优选实施例的单一结构特征和多维异构特征的故障诊断结果对比图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
参见图1，本实施例提供一种基于多维异构差异分析的炮控系统故障诊断方法，包括以下步骤：
S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集。
S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集。
S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重。
S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵。
S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻(KNN)分类得到最终的正常/故障类别。
具体步骤参见图2。
上述方法针对单一结构的特征难以全面反映设备/系统在不同维度上的特点，提供了一种基于多维异构差异分析的故障诊断方法，以融合多维异构数据，充分挖掘被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统/设备运行状态，提高系统故障诊断正确率。
作为本实施例优选的实施方式，所述传感器信号可包括不同传感器的测量信号，对于机械设备而言，传感器信号可以为电压信号、电流信号、速度信号、温度信号等。但本发明并不仅限于所列传感器测量信号，此处，仅作举例示意。在本发明中，传感器信号可以为单一传感器测量量也可以为多个传感器测量量，具体情况根据待测对象选定。
实际应用中，在上述步骤中，本发明的基于多维异构差异分析的故障诊断方法还可以进行优化，优化后的实施例如下：
S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集。具体如下：
S11：采集正常和K-1类不同类别故障运行下的M个传感器的数据子集sd各V段，构建采样数据集。公式为：
Figure GDA0003583928040000041
式中
Figure GDA0003583928040000042
表示第k(k＝1,2,…,K，k＝1表示正常，k＝2,…,K表示故障)类正常/故障下，第m(m＝1,2,…,M)个传感器采集的第v(v＝1,2,…,V)段数据的传感器数据子集；U为sdk.v,m的长度，取决于系统的采样频率和采样时间；
Figure GDA0003583928040000043
为三维矩阵；将SD矩阵的每行贴上相应的正常/故障类别标签
Figure GDA0003583928040000044
ck为第k类正常/故障的类别标签值)，构建带标签总体采样数据集
Figure GDA0003583928040000045
S12：采用隔行抽取的方式抽取总体采样数据集SDL中第k.2n-1(k＝1,2,…,K；n＝1,2,…,V/2)行采样数据及对应类别标签，构建带标签总体训练数据集
Figure GDA0003583928040000046
Figure GDA0003583928040000047
其中XSD(XSD∈SD)为训练数据集，
Figure GDA0003583928040000048
为XSD对应的类别标签。其余第k.2n行采样数据及对应类别标签用作构建带标签总体测试数据集
Figure GDA0003583928040000049
其中YSD(YSD∈SD)为测试数据集，
Figure GDA00035839280400000410
为YSD对应的类别标签。
作为可变换地实施方式，在总体采样数据集划分为总体训练数据集和总体测试数据集时，可以采用隔行抽取的方式也可以为随机抽取方式构建总体训练数据集和总体测试数据集。同时，在抽取时可以以1:1的比例抽取，也可以以任意比例抽取来构建总体训练数据集和总体测试数据集，在抽取时仅需使总体训练数据集足够大且不影响后续的分类算法模型训练即可。
S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集。其中，数值特征是对传感器信号所求取的单个数值的特征；分布特征是对传感器信号所求取的分布统计特征向量，如时序电流在一段时间内由直方图、概率密度函数等所描述的电流值统计特性；时序特征是对一段时间内传感器信号求取的单个数值特征串联所构成的特征向量。具体如下：
S21：计算数值特征，构建数值型特征集。
对SD矩阵中所有传感器数据子集sdk.v,m，计算数值特征
Figure GDA0003583928040000051
其中
Figure GDA0003583928040000052
为第d种数值型特征值，D为所提取的数值型特征的类型总数。将SD矩阵中所有传感器数据子集计算得到的D个数值型特征，构建数值型特征集，公式为：
Figure GDA0003583928040000053
式中
Figure GDA0003583928040000054
为第k类正常/故障在第m个传感器下采集的第v段数据构建的传感器数据子集所计算的第d(d＝1,…,D)种数值型特征值；
Figure GDA0003583928040000055
为二维矩阵。用数值型特征集
Figure GDA0003583928040000056
及其对应的类别标签
Figure GDA0003583928040000057
构建带标签总体数值型特征集
Figure GDA0003583928040000058
Figure GDA0003583928040000059
与总体训练数据集SSD对应的总体数值型特征集XLnum中所有第k.2n-1(k＝1,2,…,K；n＝1,2,…,V/2)行数值型特征及对应类别标签，用作构建带标签总体数值型训练特征集
Figure GDA00035839280400000510
其中Xnum
Figure GDA00035839280400000511
为数值型训练特征集，
Figure GDA00035839280400000512
为Xnum对应的类别标签。其余第k.2n(k＝1,2,…,K；n＝1,2,…,V/2)行数值型特征及对应类别标签，用作构建带标签总体数值型测试特征集
Figure GDA0003583928040000061
其中Ynum
Figure GDA0003583928040000062
为数值型测试特征集，
Figure GDA0003583928040000063
为Ynum对应的类别标签。
S22：计算分布特征，构建分布型特征集。
对SD矩阵中所有传感器数据子集sdk.v,m，计算分布特征
Figure GDA0003583928040000064
Figure GDA0003583928040000065
为第b种分布特征，B为所提取的分布特征类型种数。传感器数据子集中分布特征
Figure GDA0003583928040000066
在其属性值从1到Pb(Pb为特征
Figure GDA0003583928040000067
属性值的上限值)时所占的比例
Figure GDA0003583928040000068
写成Pb维向量形式
Figure GDA0003583928040000069
其中
Figure GDA00035839280400000610
为特征
Figure GDA00035839280400000611
在属性值为p(p∈(1,2,…,Pb))处所占的比例。
将SD矩阵中所有传感器数据子集计算得到的B个分布特征，构建分布型特征集，公式为：
Figure GDA00035839280400000612
式中
Figure GDA00035839280400000613
为第k类正常/故障在第m个传感器采集下的第v段数据构建的传感器数据子集所计算的第b种分布型特征，
Figure GDA00035839280400000614
为长度为Pb的向量；
Figure GDA00035839280400000615
为三维矩阵；由分布型特征集
Figure GDA00035839280400000616
及其对应的类别标签
Figure GDA00035839280400000617
构建总体分布型特征集
Figure GDA00035839280400000618
与总体训练数据集SSD对应的总体分布型特征集XLdis中所有第k.2n-1(k＝1,2,…,K；n＝1,2,…,V/2)行分布型特征及对应类别标签，用作构建带标签总体分布型训练特征集
Figure GDA00035839280400000619
其中Xdis
Figure GDA00035839280400000620
为分布型训练特征集，
Figure GDA00035839280400000621
为
Figure GDA00035839280400000622
对应的类别标签。其余第k.2n(k＝1,2,…,K；n＝1,2,…,V/2)行分布型特征及对应类别标签，用作构建带标签总体分布型测试特征集
Figure GDA00035839280400000623
其中Ydis
Figure GDA00035839280400000624
为分布型测试特征集，
Figure GDA0003583928040000071
为Ydis对应的类别标签。
S23：计算时序特征，构建时序型特征集。
将所采集的长度为U的传感器数据子集sdk.v,m均匀截成Z段，对截断后的Z段数据分别计算某数值型特征γt，构建一段离散时间序列
Figure GDA0003583928040000072
Figure GDA0003583928040000073
为截断后的第z(z＝1,…,Z)段数据计算的第t种数值型特征值。对SD矩阵中所有传感器数据子集sdk.v,m，计算其时序型特征
Figure GDA0003583928040000074
其中
Figure GDA0003583928040000075
为sdk.v,m所计算的第t(t＝1,…,T)种时序特征，T为所提取的时序特征类型种数。
将SD矩阵中所有传感器数据子集计算得到的T个时序型特征，构建时序型特征集，公式为：
Figure GDA0003583928040000076
式中
Figure GDA0003583928040000077
为第k类正常/故障在第m个传感器采集下的，第v段数据构建的传感器数据子集所计算的第t种时序型特征，
Figure GDA0003583928040000078
为长度为Z的向量，
Figure GDA0003583928040000079
为三维矩阵；由时序型特征集
Figure GDA00035839280400000710
及对应的类别标签
Figure GDA00035839280400000711
构建总体时序型特征集
Figure GDA00035839280400000712
与总体训练数据集SSD对应的总体时序型特征集XLseq中所有第k.2n-1(k＝1,2,…,K；n＝1,2,…,V/2)行时序型特征及对应类别标签，用作构建带标签总体时序型训练特征集
Figure GDA00035839280400000713
其中Xseq
Figure GDA00035839280400000714
为时序型训练特征集，
Figure GDA00035839280400000715
为Xseq对应的类别标签。其余第k.2n(k＝1,2,…,K；n＝1,2,…,V/2)行时序型特征及对应类别标签，用作构建带标签总体时序型测试特征集
Figure GDA00035839280400000716
其中Yseq
Figure GDA00035839280400000717
为时序型测试特征集，
Figure GDA0003583928040000081
为Yseq对应的类别标签。
S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重。具体如下：
S31：对数值型训练特征集与训练特征集进行差异度量；构建差异度量矩阵；
对于数值型训练特征集Xnum中第i1(i1＝1,…,N)行特征
Figure GDA0003583928040000082
与第i2(i2＝1,…,N)行特征
Figure GDA0003583928040000083
定义数值型特征差异度，计算公式为：
Figure GDA0003583928040000084
式中
Figure GDA0003583928040000085
为数值型训练特征集Xnum第i1(i1＝1,…,N)行特征中
Figure GDA0003583928040000086
与第i2(i2＝1,…,N)行特征中
Figure GDA0003583928040000087
之差的绝对值；
Figure GDA0003583928040000088
其值越接近1，数值型特征
Figure GDA0003583928040000089
和
Figure GDA00035839280400000810
的差异性越大。
根据公式(5)遍历数值型训练特征集Xnum中所有第i1(i1＝1,…,N)行特征
Figure GDA00035839280400000811
与第i2(i2＝1,…,N)行特征
Figure GDA00035839280400000812
之间差异度量
Figure GDA00035839280400000819
构建维度为N×N的数值型训练特征集与训练特征集差异度量矩阵Ndis(Xnum,Xnum)。
S32：对分布型训练特征集与训练特征集进行差异度量。
对于分布型训练特征集Xdis中第i1(i1＝1,…,N)行特征
Figure GDA00035839280400000813
与第i2(i2＝1,…,N)行特征
Figure GDA00035839280400000814
定义基于直方图交运算的分布型特征差异度，计算公式为：
Figure GDA00035839280400000815
式中
Figure GDA00035839280400000816
表示分布型训练特征集Xdis中i1(i1＝1,…,N)行特征中
Figure GDA00035839280400000817
与第i2(i2＝1,…,N)行特征中
Figure GDA00035839280400000818
之间的直方图交运算(即累计两个直方图中相同部分的大小)，其值越接近0，两个直方图分布就越不相似，即两个分布型特征间的差异性越大；
Figure GDA00035839280400000930
其值越接近1，分布型特征
Figure GDA0003583928040000091
与
Figure GDA0003583928040000092
间的差异性越大。
根据公式(6)遍历分布型训练集Xdis中所有第i1(i1＝1,…,N)行特征
Figure GDA0003583928040000093
与第i2(i2＝1,…,N)行特征
Figure GDA0003583928040000094
之间差异度量
Figure GDA0003583928040000095
记录所有的差异度值，构建维度为N×N的分布型训练特征集与训练特征集差异度量矩阵Sdis(Xdis,Xdis)。
S33：对时序型训练特征集与训练特征集进行差异度量。
首先，对于时序型训练特征集Xseq中第i行的第m个传感器、第t个特征
Figure GDA0003583928040000096
将此长度为Z的离散时间序列分割成ZN段，每段长度为Zseq的([1,Zseq],…,[(zN-1)Zseq+1,zNZseq],…,[(ZN-1)Zseq+1,ZNZseq＝Z]，ZN＝Z/Zseq)短序列。然后采用分段累积近似的方法，将长度为Zseq短序列在第zN(zN＝1,…,ZN)区段[(zN-1)Zseq,zNZseq]内的平均值作为这段序列的特征值，将所有ZN段短序列的特征值连接起来构建新序列：
Figure GDA0003583928040000097
其中
Figure GDA0003583928040000098
用公式(7)计算：
Figure GDA0003583928040000099
遍历时序型训练特征集Xseq中的所有元素
Figure GDA00035839280400000910
将长度为Z的
Figure GDA00035839280400000911
分割成ZN段，然后采用分段累积近似的方式将所有ZN段短序列的特征值连接起来构建新序列
Figure GDA00035839280400000912
以近似替代原训练特征集Xseq中长度为Z的序列
Figure GDA00035839280400000913
构建新的时序型训练特征集
Figure GDA00035839280400000914
假定弯曲限制为r，对于新的时序型训练特征集
Figure GDA00035839280400000915
中的
Figure GDA00035839280400000916
的上下两条边界序列
Figure GDA00035839280400000917
和
Figure GDA00035839280400000918
分别为：
Figure GDA00035839280400000919
Figure GDA00035839280400000920
式中
Figure GDA00035839280400000921
为
Figure GDA00035839280400000922
弯曲限度为r的左值，
Figure GDA00035839280400000923
为
Figure GDA00035839280400000924
弯曲限度为r的右值。
序列
Figure GDA00035839280400000925
被等长的边界序列
Figure GDA00035839280400000926
和
Figure GDA00035839280400000927
包围，被包围的区域可看成为序列
Figure GDA00035839280400000928
的邻域。定义一种基于DTW下界的时序型差异度量
Figure GDA00035839280400000929
公式为：
Figure GDA0003583928040000101
式中
Figure GDA0003583928040000102
越大，则
Figure GDA0003583928040000103
与
Figure GDA0003583928040000104
差异度越大。
对于时序型训练特征集中第i1(i1＝1,…,N)行特征
Figure GDA0003583928040000105
与第i2(i2＝1,…,N)行特征
Figure GDA0003583928040000106
其时序型特征差异度计算公式为：
Figure GDA0003583928040000107
根据公式(11)遍历时序型训练特征集Xseq中所有第i1(i1＝1,…,N)行特征
Figure GDA0003583928040000108
与第i2(i2＝1,…,N)行特征
Figure GDA0003583928040000109
之间差异度量
Figure GDA00035839280400001010
记录所有的差异度量值，并构建维度为N×N的时序型训练特征集与训练特征集差异度量矩阵Tdis(Xseq,Xseq)。
将Tdis(Xseq,Xseq)矩阵归一化，得到归一化矩阵
Figure GDA00035839280400001011
矩阵中的元素值越接近于1，时序型特征序列差异度越大，反之越小。
S34：计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离。对于数值型训练特征集，
Figure GDA00035839280400001012
表示训练数据集第i1(i1＝1,…,N，
Figure GDA00035839280400001013
Figure GDA00035839280400001014
)行和第i2(i2＝1,…,N,
Figure GDA00035839280400001015
)行在数值型特征上的差异度，即距离。如果
Figure GDA00035839280400001016
即训练数据集中第i1和第i2行传感器数据不属于同一个故障类别，则
Figure GDA00035839280400001017
矩阵中对应的值为不同正常/故障类别下传感器数据之间的特征差异度，即距离。反之，则为同一正常/故障类别下传感器数据之间的特征差异度。
计算数值型训练特征集的类内距离，公式为：
Figure GDA00035839280400001018
计算数值型训练特征集的类间距离，公式为：
Figure GDA00035839280400001019
分别计算分布型、时序型训练特征集的类内距离和类间距离SDisinner、SDisinter、
Figure GDA00035839280400001020
Figure GDA00035839280400001021
公式为：
Figure GDA0003583928040000111
Figure GDA0003583928040000112
Figure GDA0003583928040000113
Figure GDA0003583928040000114
S35：计算数值型、分布型、时序型3种不同结构特征的权重。
数值型特征权重w1计算公式为：
Figure GDA0003583928040000115
当类间距离越大，类内距离越小，表明特征可分性越好，所计算的权重越大。
分布型和时序型特征权重值w2和w3，公式为：
Figure GDA0003583928040000116
Figure GDA0003583928040000117
构建3种不同结构特征的权重向量W＝(w1,w2,w3)，对特征权重向量进行归一化得到
Figure GDA0003583928040000118
S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵。具体如下：
S41：计算训练特征集与测试特征集之间的差异度值，构建差异度量矩阵。
对于数值型特征，计算数值型训练特征集中第i行特征
Figure GDA0003583928040000119
与数值型测试特征集Ynum中第j行特征
Figure GDA00035839280400001110
之间差异度值：
Figure GDA0003583928040000121
根据公式(21)遍历数值型训练特征集Xnum中所有第i(i＝1,…,N)行特征
Figure GDA0003583928040000122
与测试特征集Ynum中所有第j行(j＝1,…,N)特征
Figure GDA0003583928040000123
之间差异度量Ndis(Xi,Yj)(i＝1,…,N,j＝1,…,N)，记录所有的差异度值，构建训练特征集与测试特征集差异度量矩阵Ndis(Xnum,Ynum)(N×N维)。
对于分布型特征，计算分布型训练特征集Xdis中第i行特征
Figure GDA0003583928040000124
与分布型测试特征集Ydis中第j行特征
Figure GDA0003583928040000125
之间差异度值：
Figure GDA0003583928040000126
根据公式(22)遍历计算分布型训练集Xdis中所有第i(i＝1,…,N)行特征
Figure GDA0003583928040000127
与测试特征集Ydis中所有第j(j＝1,…,N)行特征
Figure GDA0003583928040000128
的之间差异度Sdis(Xi,Yj)(i＝1,…,N,j＝1,…,N)，记录所有的差异度值，构建训练特征集与测试特征集差异度量矩阵Sdis(Xdis,Ydis)(N×N维)。
对于时序型特征，首先与步骤S33类似，遍历时序型测试特征集Yseq中的所有元素
Figure GDA0003583928040000129
Figure GDA00035839280400001210
采用分段累积近似的方式构成新序列
Figure GDA00035839280400001211
以近似替代原测试特征集Yseq中长度为Z的序列
Figure GDA00035839280400001212
构建新的时序型测试特征集
Figure GDA00035839280400001213
然后计算时序型差异度量Tdis(xi,m.t,yj,m.t)：
Figure GDA00035839280400001214
最后计算测试特征集Yseq中第j行特征
Figure GDA00035839280400001215
与时序型训练特征集Xseq中第i行特征
Figure GDA00035839280400001216
之间差异度值：
Figure GDA0003583928040000131
根据公式(24)遍历计算时序型测试特征集Yseq中所有第j(j＝1,…,N)行特征
Figure GDA0003583928040000132
与Xseq中所有第i(i＝1,…,N)行特征
Figure GDA0003583928040000133
之间的差异度Tdis(Xi,Yj)(i＝1,…,N,j＝1,…,N)，记录所有的差异度量值，构建训练特征集与测试特征集差异度量矩阵Tdis(Xseq,Yseq)(N×N维)。将Tdis(Xseq,Yseq)矩阵归一化，得到归一化矩阵
Figure GDA0003583928040000134
S42：构建多维异构特征集的synsim综合差异度量矩阵。
根据步骤S35所计算的3种不同结构特征的权重，以及步骤S41所计算的数值型、分布型、时序型训练特征集和测试特征集间的差异度量矩阵，构建多维异构特征集的synsim综合差异度量矩阵，公式为：
Figure GDA0003583928040000135
式中synsim(X,Y)为大小N×N的矩阵，它由3种不同结构的特征差异度量矩阵加权构成，其元素synsim(Xi,Yj)表示训练数据集XSD中第i行
Figure GDA0003583928040000136
与测试数据集YSD中第j行
Figure GDA0003583928040000137
的特征综合差异度量值。
S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻(KNN)分类得到最终的正常/故障类别。具体如下：
S51：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过KNN分类，得到最终的故障类别。
对测试数据集YSD中第j行
Figure GDA0003583928040000138
进行分类时，通过对synsim(X,Yj)的第j列元素进行从小至大的排序，并找出前kNUM个最小的距离度量值及对应训练数据类别标签
Figure GDA0003583928040000139
Figure GDA00035839280400001310
统计分别在K个类别标签出现的频次，并找到出现频次最多的标签：
Figure GDA0003583928040000141
式中argmax(εk)表示使函数达到最大值时k的取值，
Figure GDA0003583928040000142
为测试数据被诊断出的故障类别。KNN分类器的分类思想是对于被测试特征，在训练特征集中找到与该特征最近的kNUM个特征，这kNUM个特征对应类别标签出现频次最多的就是被测试特征的诊断类别。
进一步的，本实施例以某型炮控系统故障诊断为例，对本发明的方法进行进一步说明与验证。炮控系统中关键部件为电能模块、传感器网络、驱动电机，其中，若系统发生IGBT开路故障、传感器增益故障、传感器精度下降故障、传感器偏移故障、电机永磁体失磁故障、电机定子绕组匝间短路故障时，若不能及时被诊断并且正确处理，都有可能引发子系统或炮控系统的损伤乃至失效，导致在作战状态全电式炮控系统严重影响或失去作战能力，使得战场生存能力大幅下降。因此本实施例以炮控系统IGBT开路、传感器增益、传感器精度下降、传感器偏移、电机永磁体失磁、电机定子绕组匝间短路这6类故障诊断为例，以三相电流信号数据来构建总体采样数据集(由于炮控系统发生以上所述故障时，三相电流与正常状态下有所差异，且三相电流信号无需安装额外的传感器，便于采集)。
本实施例采集炮控系统正常及上述6类故障下各150s的三相电流信号，以1s信号为一个数据段，构建总体采样数据集，其维度为7×150×3，并将总体采样数据集以1:1的比例构建总体训练数据集和总体测试数据集，其维度均为7×75×3；然后对总体训练数据集和总体测试数据集计算其数值型、分布型，时序型特征，其中数值型特征选用绝对值平均、平均值、方差、峰度、峭度这5个时域特征，所构建的数值型训练特征集及测试特征集维度均为7×75×3×5，分布特征选用三相电流信号经频域变换后的低频段的频谱分布，所构建的分布型训练特征集及测试特征集维度均为7×75×3×300，时序特征选用数值型的5个特征的构建的离散时间序列，1s数据的离散时间序列长度为6，所构建的时序型训练特征集及测试特征集维度均为7×75×3×5×6；接着，分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，并根据所计算的训练集的差异度量矩阵计算类内距离和类间距离，由类内距离和类间距离评估数值型、分布型、时序型3种不同结构特征的权重；同样地，分别对数值型、分布型、时序型的测试特征集与训练特征集之间进行差异度量，得到3种不同结构下测试特征集及训练特征集间差异度量矩阵，得到的差异度量矩阵维度均为525×525，结合3种不同结构特征的权重，计算多维异构特征集的synsim综合差异度量矩阵；最后通过k-近邻(KNN)分类得到最终的正常/故障类别。
图3为采用多维异构差异分析的故障诊断方法的诊断结果，从图中可知故障诊断正确率达到了96％以上。图4为单一结构特征和多维异构特征的故障诊断经过50次测试的结果，结果表明，对比单一结构特征方法，本方法能有效的融合被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，更全面地表征系统运行状态，提高系统故障诊断正确率。
实施例2
与上述方法实施例相对应地，本实施例提供一种多维异构差异分析的故障诊断系统，包括存储器、处理器以及存储在存储器上并可在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上述方法的步骤。
综上，本发明上述各实施例所分别公开的基于多维异构差异分析的故障诊断方法及系统，通过对不同结构数据进行差异分析，有效的融合被测系统传感器信号的静态数值、统计分布、时序趋势等多维异构特征，融合后的多维异构特征较单一结构特征能更全面的反映系统运行状态，提高系统故障诊断正确率。高精度的故障诊断可在系统尚未造成重大危害时及时预警，降低维护成本，同时提高系统的稳定性和安全性。
以上所述仅为本发明的优选实施例而已，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 (5)

1.一种基于多维异构差异分析的故障诊断方法，其特征在于，包括：
S1：采集系统正常、故障运行下的传感器信号，构建总体采样数据集、训练数据集和测试数据集；
S2：计算数值特征、分布特征、时序特征，分别构建数值型、分布型、时序型3种结构特征集；
S3：分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，构建3种不同结构下训练特征集与训练特征集间差异度量矩阵；计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；获得数值型、分布型、时序型3种不同结构特征的权重；
S4：分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量，构建3种不同结构下训练特征集与测试特征集间差异度量矩阵；结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵；
S5：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过k-近邻分类得到最终的正常/故障类别；
所述步骤S1具体包括：
S11：采集正常和K-1类不同类别故障运行下的M个传感器的数据子集sd各V段，构建采样数据集，公式为：
Figure FDA0003583928030000011
式中
Figure FDA0003583928030000012
表示第k类正常/故障下，第m个传感器采集的第v段数据的传感器数据子集，k＝1,2,…,K，k＝1表示正常，k＝2,…,K表示故障，m＝1,2,…,M，v＝1,2,…,V；U为sdk.v,m的长度，取决于系统的采样频率和采样时间；
Figure FDA0003583928030000021
为三维矩阵；将SD矩阵的每行贴上相应的正常/故障类别标签
Figure FDA0003583928030000022
ck为第k类正常/故障的类别标签值，构建带标签总体采样数据集
Figure FDA0003583928030000023
S12：采用隔行抽取的方式抽取总体采样数据集SDL中第k.2n-1行采样数据及对应类别标签，n＝1,2,…,V/2，构建带标签总体训练数据集
Figure FDA0003583928030000024
Figure FDA0003583928030000025
其中XSD为训练数据集，XSD∈SD，
Figure FDA0003583928030000026
为XSD对应的类别标签，其余第k.2n行采样数据及对应类别标签用作构建带标签总体测试数据集
Figure FDA0003583928030000027
其中YSD为测试数据集，YSD∈SD，
Figure FDA0003583928030000028
为YSD对应的类别标签；
所述步骤S2具体包括：
S21：计算数值特征，构建数值型特征集；
对SD矩阵中所有传感器数据子集sdk.v,m，计算数值特征
Figure FDA0003583928030000029
其中
Figure FDA00035839280300000210
为第d种数值型特征值，D为所提取的数值型特征的类型总数，d＝1,…,D，将SD矩阵中所有传感器数据子集计算得到的D个数值型特征，构建数值型特征集，公式为：
Figure FDA00035839280300000211
式中
Figure FDA00035839280300000212
为第k类正常/故障在第m个传感器下采集的第v段数据构成的传感器数据子集所计算的第d种数值型特征值；
Figure FDA00035839280300000213
为二维矩阵；用数值型特征集
Figure FDA00035839280300000214
及其对应的类别标签
Figure FDA00035839280300000215
构建带标签总体数值型特征集
Figure FDA00035839280300000216
与总体训练数据集SSD对应的总体数值型特征集XLnum中所有第k.2n-1行数值型特征及对应类别标签，用作构建带标签总体数值型训练特征集
Figure FDA0003583928030000031
其中Xnum为数值型训练特征集，
Figure FDA0003583928030000032
Figure FDA0003583928030000033
为Xnum对应的类别标签；其余第k.2n行数值型特征及对应类别标签，用作构建带标签总体数值型测试特征集
Figure FDA0003583928030000034
其中Ynum为数值型测试特征集，
Figure FDA0003583928030000035
Figure FDA0003583928030000036
为Ynum对应的类别标签；
S22：计算分布特征，构建分布型特征集；
对SD矩阵中所有传感器数据子集sdk.v,m，计算分布特征
Figure FDA0003583928030000037
Figure FDA0003583928030000038
为第b种分布特征，B为所提取的分布特征类型种数；传感器数据子集中分布特征
Figure FDA0003583928030000039
在其属性值从1到Pb时所占的比例
Figure FDA00035839280300000310
写成Pb维向量形式
Figure FDA00035839280300000311
Pb为特征
Figure FDA00035839280300000312
属性值的上限值，
Figure FDA00035839280300000313
为特征
Figure FDA00035839280300000314
在属性值为p处所占的比例，p∈(1,2,…,Pb)；
将SD矩阵中所有传感器数据子集计算得到的B个分布特征，构建分布型特征集，公式为：
Figure FDA00035839280300000315
式中
Figure FDA00035839280300000316
为第k类正常/故障在第m个传感器采集下的第v段数据构建的传感器数据子集所计算的第b种分布型特征，
Figure FDA00035839280300000317
为长度为Pb的向量；
Figure FDA00035839280300000318
为三维矩阵；由分布型特征集
Figure FDA00035839280300000319
及其对应的类别标签
Figure FDA00035839280300000320
构建总体分布型特征集
Figure FDA00035839280300000321
与总体训练数据集SSD对应的总体分布型特征集XLdis中所有第k.2n-1行分布型特征及对应类别标签，用作构建带标签总体分布型训练特征集
Figure FDA00035839280300000322
其中Xdis为分布型训练特征集，
Figure FDA00035839280300000323
Figure FDA00035839280300000324
为
Figure FDA00035839280300000325
对应的类别标签；其余第k.2n行分布型特征及对应类别标签，用作构建带标签总体分布型测试特征集
Figure FDA0003583928030000041
其中Ydis为分布型测试特征集，
Figure FDA0003583928030000042
Figure FDA0003583928030000043
为Ydis对应的类别标签；
S23：计算时序特征，构建时序型特征集；
将所采集的长度为U的传感器数据子集sdk.v,m均匀截成Z段，对截断后的Z段数据分别计算某数值型特征γt，构成一段离散时间序列
Figure FDA0003583928030000044
Figure FDA00035839280300000418
为截断后的第z段数据计算的第t种数值型特征值，z＝1,…,Z；对SD矩阵中所有传感器数据子集sdk.v,m，计算其时序型特征
Figure FDA0003583928030000045
其中
Figure FDA0003583928030000046
为sdk.v,m所计算的第t种时序特征，T为所提取的时序特征类型种数，t＝1,…,T；
将SD矩阵中所有传感器数据子集计算得到的T个时序型特征，构建时序型特征集，公式为：
Figure FDA0003583928030000047
式中
Figure FDA0003583928030000048
为第k类正常/故障在第m个传感器采集下的，第v段数据构建的传感器数据子集所计算的第t种时序型特征，
Figure FDA0003583928030000049
为长度为Z的向量，
Figure FDA00035839280300000410
为三维矩阵；由时序型特征集
Figure FDA00035839280300000411
及对应的类别标签
Figure FDA00035839280300000412
构建总体时序型特征集
Figure FDA00035839280300000413
与总体训练数据集SSD对应的总体时序型特征集XLseq中所有第k.2n-1行时序型特征及对应类别标签，用作构建带标签总体时序型训练特征集
Figure FDA00035839280300000414
其中Xseq为时序型训练特征集，
Figure FDA00035839280300000415
Figure FDA00035839280300000416
为Xseq对应的类别标签；其余第k.2n行时序型特征及对应类别标签，用作构建带标签总体时序型测试特征集
Figure FDA00035839280300000417
其中Yseq为时序型测试特征集，
Figure FDA0003583928030000051
Figure FDA0003583928030000052
为Yseq对应的类别标签。
2.根据权利要求1所述的基于多维异构差异分析的故障诊断方法，其特征在于，所述步骤S3具体包括：
S31：对数值型训练特征集与训练特征集进行差异度量；构建差异度量矩阵；
对于数值型训练特征集Xnum中第i1行特征
Figure FDA0003583928030000053
与第i2行特征
Figure FDA0003583928030000054
定义数值型特征差异度，计算公式为：
Figure FDA0003583928030000055
式中，i1＝1,…,N，i2＝1,…,N，
Figure FDA0003583928030000056
为数值型训练特征集Xnum第i1行特征中
Figure FDA0003583928030000057
与第i2行特征中
Figure FDA0003583928030000058
之差的绝对值；
Figure FDA0003583928030000059
其值越接近1，数值型特征
Figure FDA00035839280300000510
和
Figure FDA00035839280300000511
的差异性越大；
根据公式(5)遍历数值型训练特征集Xnum中所有第i1行特征
Figure FDA00035839280300000512
与第i2行特征
Figure FDA00035839280300000513
之间差异度量
Figure FDA00035839280300000514
构建维度为N×N的数值型训练特征集与训练特征集差异度量矩阵Ndis(Xnum,Xnum)；
S32：对分布型训练特征集与训练特征集进行差异度量；
对于分布型训练特征集Xdis中第i1行特征
Figure FDA00035839280300000515
与第i2行特征
Figure FDA00035839280300000516
定义基于直方图交运算的分布型特征差异度，计算公式为：
Figure FDA00035839280300000517
式中
Figure FDA00035839280300000518
表示分布型训练特征集Xdis中i1行特征中
Figure FDA00035839280300000519
与第i2行特征中
Figure FDA00035839280300000520
之间的直方图交运算，其值越接近0，两个直方图分布就越不相似，即两个分布型特征间的差异性越大；
Figure FDA00035839280300000521
其值越接近1，分布型特征
Figure FDA00035839280300000522
与
Figure FDA00035839280300000523
间的差异性越大；
根据公式(6)遍历分布型训练集Xdis中所有第i1行特征
Figure FDA00035839280300000524
与第i2行特征
Figure FDA00035839280300000525
之间差异度量
Figure FDA00035839280300000526
记录所有的差异度值，构建维度为N×N的分布型训练特征集与训练特征集差异度量矩阵Sdis(Xdis，Xdis)；
S33：对时序型训练特征集与训练特征集进行差异度量；
首先，对于时序型训练特征集Xseq中第i行的第m个传感器、第t个特征
Figure FDA0003583928030000061
将此长度为Z的离散时间序列分割成ZN段，每段长度为Zseq的([1，Zseq]，…，[(zN-1)Zseq+1，zNZseq]，…，[(ZN-1)Zseq+1，ZNZseq＝Z]，ZN＝Z/Zseq)短序列；然后采用分段累积近似的方法，将长度为Zseq短序列在第zN区段[(zN-1)Zseq，zNZseq]内的平均值作为这段序列的特征值，zN＝1，…，ZN，将所有ZN段短序列的特征值连接起来构建新序列：
Figure FDA0003583928030000062
其中
Figure FDA0003583928030000063
用公式(7)计算：
Figure FDA0003583928030000064
遍历时序型训练特征集Xseq中的所有元素
Figure FDA0003583928030000065
将长度为Z的
Figure FDA0003583928030000066
分割成ZN段，然后采用分段累积近似的方式将所有ZN段短序列的特征值连接起来构建新序列
Figure FDA0003583928030000067
以近似替代原训练特征集Xseq中长度为Z的序列
Figure FDA0003583928030000068
构建新的时序型训练特征集
Figure FDA0003583928030000069
假定弯曲限制为r，对于新的时序型训练特征集
Figure FDA00035839280300000610
中的
Figure FDA00035839280300000611
的上下两条边界序列
Figure FDA00035839280300000612
和
Figure FDA00035839280300000613
分别为：
Figure FDA00035839280300000614
Figure FDA00035839280300000615
式中
Figure FDA00035839280300000616
为
Figure FDA00035839280300000617
弯曲限度为r的左值，
Figure FDA00035839280300000618
为
Figure FDA00035839280300000619
弯曲限度为r的右值；
序列
Figure FDA00035839280300000620
被等长的边界序列
Figure FDA00035839280300000621
和
Figure FDA00035839280300000622
包围，被包围的区域可看成为序列
Figure FDA00035839280300000623
的邻域；定义一种基于DTW下界的时序型差异度量
Figure FDA00035839280300000624
公式为：
Figure FDA00035839280300000625
式中
Figure FDA00035839280300000626
越大，则
Figure FDA00035839280300000627
与
Figure FDA00035839280300000628
差异度越大；
对于时序型训练特征集中第i1行特征
Figure FDA00035839280300000629
与第i2行特征
Figure FDA00035839280300000630
其时序型特征差异度计算公式为：
Figure FDA0003583928030000071
根据公式(11)遍历时序型训练特征集Xseq中所有第i1行特征
Figure FDA0003583928030000072
与第i2行特征
Figure FDA0003583928030000073
之间差异度量
Figure FDA0003583928030000074
记录所有的差异度量值，并构建维度为N×N的时序型训练特征集与训练特征集差异度量矩阵Tdis(Xseq,Xseq)；
将Tdis(Xseq,Xseq)矩阵归一化，得到归一化矩阵
Figure FDA0003583928030000075
矩阵中的元素值越接近于1，时序型特征序列差异度越大，反之越小；
S34：计算数值型、分布型、时序型3种结构特征在训练特征集上的类内距离和类间距离；
对于数值型训练特征集，
Figure FDA0003583928030000076
表示训练数据集第i1行和第i2行在数值型特征上的差异度，即距离；如果
Figure FDA0003583928030000077
即训练数据集中第i1和第i2行传感器数据不属于同一个故障类别，则
Figure FDA0003583928030000078
矩阵中对应的值为不同正常/故障类别下传感器数据之间的特征差异度，即距离；反之，则为同一正常/故障类别下传感器数据之间的特征差异度；
计算数值型训练特征集的类内距离，公式为：
Figure FDA0003583928030000079
计算数值型训练特征集的类间距离，公式为：
Figure FDA00035839280300000710
分别计算分布型、时序型训练特征集的类内距离和类间距离SDisinner、SDisinter、
Figure FDA00035839280300000711
Figure FDA00035839280300000712
公式为：
Figure FDA00035839280300000713
Figure FDA00035839280300000714
Figure FDA00035839280300000715
Figure FDA0003583928030000081
S35：计算数值型、分布型、时序型3种不同结构特征的权重；
数值型特征权重w1计算公式为：
Figure FDA0003583928030000082
当类间距离越大，类内距离越小，表明特征可分性越好，所计算的权重越大；
分布型和时序型特征权重值w2和w3，公式为：
Figure FDA0003583928030000083
Figure FDA0003583928030000084
构建3种不同结构特征的权重向量W＝(w1,w2,w3)，对特征权重向量进行归一化得到
Figure FDA0003583928030000085
3.根据权利要求2所述的基于多维异构差异分析的故障诊断方法，其特征在于，所述步骤S4具体包括：
S41：计算训练特征集与测试特征集之间的差异度值，构建差异度量矩阵；
对于数值型特征，计算数值型训练特征集中第i行特征
Figure FDA0003583928030000086
与数值型测试特征集Ynum中第j行特征
Figure FDA0003583928030000087
之间差异度值：
Figure FDA0003583928030000088
根据公式(21)遍历数值型训练特征集Xnum中所有第i行特征
Figure FDA0003583928030000089
与测试特征集Ynum中所有第j行特征
Figure FDA00035839280300000810
之间差异度量Ndis(Xi,Yj)，记录所有的差异度值，构建N×N维的训练特征集与测试特征集差异度量矩阵Ndis(Xnum,Ynum)；
对于分布型特征，计算分布型训练特征集Xdis中第i行特征
Figure FDA00035839280300000811
与分布型测试特征集Ydis中第j行特征
Figure FDA0003583928030000091
之间差异度值：
Figure FDA0003583928030000092
根据公式(22)遍历计算分布型训练集Xdis中所有第i行特征
Figure FDA0003583928030000093
与测试特征集Ydis中所有第j行特征
Figure FDA0003583928030000094
的之间差异度Sdis(Xi,Yj)，i＝1,2,…,N,j＝1,…,N，记录所有的差异度值，构建N×N维的训练特征集与测试特征集差异度量矩阵Sdis(Xdis,Ydis)；
对于时序型特征，首先与步骤S33类似，遍历时序型测试特征集Yseq中的所有元素
Figure FDA0003583928030000095
采用分段累积近似的方式构成新序列
Figure FDA0003583928030000096
以近似替代原测试特征集Yseq中长度为Z的序列
Figure FDA0003583928030000097
构建新的时序型测试特征集
Figure FDA0003583928030000098
然后计算时序型差异度量Tdis(xi,m.t,yj,m.t)：
Figure FDA0003583928030000099
最后计算测试特征集Yseq中第j行特征
Figure FDA00035839280300000910
与时序型训练特征集Xseq中第i行特征
Figure FDA00035839280300000911
之间差异度值：
Figure FDA00035839280300000912
根据公式(24)遍历计算时序型测试特征集Yseq中所有第j行特征
Figure FDA00035839280300000913
与Xseq中所有第i行特征
Figure FDA00035839280300000914
之间的差异度Tdis(Xi,Yj)，记录所有的差异度量值，构建N×N维的训练特征集与测试特征集差异度量矩阵Tdis(Xseq,Yseq)，将Tdis(Xseq,Yseq)矩阵归一化，得到归一化矩阵
Figure FDA00035839280300000915
S42：构建多维异构特征集的synsim综合差异度量矩阵；
根据步骤S35所计算的3种不同结构特征的权重，以及步骤S41所计算的数值型、分布型、时序型训练特征集和测试特征集间的差异度量矩阵，构建多维异构特征集的synsim综合差异度量矩阵，公式为：
Figure FDA00035839280300000916
式中synsim(X,Y)为大小N×N的矩阵，它由3种不同结构的特征差异度量矩阵加权构成，其元素synsim(Xi,Yj)表示训练数据集XSD中第i行
Figure FDA0003583928030000101
与测试数据集YSD中第j行
Figure FDA0003583928030000102
的特征综合差异度量值。
4.根据权利要求1所述的基于多维异构差异分析的故障诊断方法，其特征在于，所述步骤S5具体包括：
S51：根据所构建多维异构特征集的synsim综合差异度量矩阵，通过KNN分类，得到最终的故障类别；
对测试数据集YSD中第j行
Figure FDA0003583928030000103
进行分类时，通过对synsim(X,Yj)的第j列元素进行从小至大的排序，并找出前kNUM个最小的距离度量值及对应训练数据类别标签
Figure FDA0003583928030000104
Figure FDA0003583928030000105
统计分别在K个类别标签出现的频次，并找到出现频次最多的标签：
Figure FDA0003583928030000106
式中arg max(εk)表示使函数达到最大值时k的取值，
Figure FDA0003583928030000107
为测试数据被诊断出的故障类别，对于被测试特征，在训练特征集中找到与该特征最近的kNUM个特征，这kNUM个特征对应类别标签出现频次最多的就是被测试特征的诊断类别。
5.一种基于多维异构差异分析的故障诊断系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一所述方法的步骤。
CN202110579449.8A 2021-05-26 2021-05-26 基于多维异构差异分析的故障诊断方法及系统 Active CN113255771B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110579449.8A CN113255771B (zh) 2021-05-26 2021-05-26 基于多维异构差异分析的故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110579449.8A CN113255771B (zh) 2021-05-26 2021-05-26 基于多维异构差异分析的故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113255771A CN113255771A (zh) 2021-08-13
CN113255771B true CN113255771B (zh) 2022-07-08

Family

ID=77184915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110579449.8A Active CN113255771B (zh) 2021-05-26 2021-05-26 基于多维异构差异分析的故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113255771B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905835B (zh) * 2022-11-15 2024-02-23 国网四川省电力公司电力科学研究院 一种融合多维特征的低压交流电弧故障诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399854A (zh) * 2019-07-31 2019-11-01 中南大学 基于混合特征提取的滚动轴承故障分类方法
CN112819059A (zh) * 2021-01-26 2021-05-18 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT408487B (de) * 1999-09-24 2001-12-27 Taha Abdel Aziz Verfahren zur ermittlung eines fehlerhaften werkzeuges in einer produktionsstrasse sowie produktionsstrasse
CN105116872A (zh) * 2015-07-13 2015-12-02 哈尔滨工业大学 一种工业过程中基于度量学习与时间序列的故障诊断方法
CN106649789B (zh) * 2016-12-28 2019-07-23 浙江大学 一种基于集成半监督费舍尔判别的工业过程故障分类方法
CN106932200A (zh) * 2017-04-20 2017-07-07 北京信息科技大学 滚动轴承故障的高斯过程多特征智能诊断方法
CN110503004B (zh) * 2019-07-29 2022-03-22 七彩安科智慧科技有限公司 一种开关电源运行状态的在线判别方法
US11251749B2 (en) * 2019-10-16 2022-02-15 Tata Consultancy Services Limited Methods and systems for fault detection, diagnosis and localization in solar panel network
CN112163472A (zh) * 2020-09-15 2021-01-01 东南大学 一种基于多视角特征融合的滚动轴承诊断方法
CN112257755B (zh) * 2020-09-24 2023-07-28 北京航天测控技术有限公司 航天器运行状态的分析方法和装置
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399854A (zh) * 2019-07-31 2019-11-01 中南大学 基于混合特征提取的滚动轴承故障分类方法
CN112819059A (zh) * 2021-01-26 2021-05-18 中国矿业大学 一种基于流行保持迁移学习的滚动轴承故障诊断方法

Also Published As

Publication number Publication date
CN113255771A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
EP3460611B1 (en) System and method for aircraft fault detection
US10977568B2 (en) Information processing apparatus, diagnosis method, and program
US8682824B2 (en) Method and device for monitoring the state of a facility
US11669080B2 (en) Abnormality detection device, abnormality detection method, and program
KR101711936B1 (ko) 머신 상태 모니터링에서 결함 진단을 위한 일반화된 패턴 인식
CN112084237A (zh) 一种基于机器学习和大数据分析的电力系统异常预测方法
US20070239629A1 (en) Cluster Trending Method for Abnormal Events Detection
JP2004531815A (ja) 予測的状態監視のための診断システムおよび方法
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
Arul et al. Data anomaly detection for structural health monitoring of bridges using shapelet transform
CN110543907A (zh) 一种基于微机监测功率曲线的故障分类方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN109472317A (zh) 多维信号的实时故障检测与实时故障隔离方法
US20050144537A1 (en) Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring
Wen et al. A new method for identifying the ball screw degradation level based on the multiple classifier system
US9613271B2 (en) Determining severity of a geomagnetic disturbance on a power grid using similarity measures
CN113255771B (zh) 基于多维异构差异分析的故障诊断方法及系统
CN117171702A (zh) 一种基于深度学习的多模态电网故障检测方法和系统
CN116481791A (zh) 钢结构连接稳定性监测系统及其方法
CN112880726A (zh) 基于变分模态分解样本熵的传感器故障诊断方法和装置
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
US10839258B2 (en) Computer-readable recording medium, detection method, and detection device
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN114638039B (zh) 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法

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