CN117345359A - 一种油动机异常状态检测预警方法及其电子设备 - Google Patents

Abstract

本发明公开了一种油动机异常状态检测预警方法及其电子设备，该方法包含：采集油动机在正常工况以及异常状态工况下的压力信号数据；对上述各个压力信号数据进行处理，通过处理后的数据训练并验证支持向量数据描述模型，得到经过固化的支持向量数据描述模型；对实测的压力信号数据进行处理得到实际测试样本，通过固化的支持向量数据描述模型对实际测试样本进行测试，得到实际测试样本与超球中心的距离D_t，若D_t≤R，则判定为正常状态，若D_t>R，则判定为异常状态并进行故障预警。其优点是：该方法只需要压力信号数据即可具备异常状态检测预警能力，同时其通过正常和异常工况的数据对模型进行训练和验证，有助于提高对异常状态检测的准确度。

Description

一种油动机异常状态检测预警方法及其电子设备

技术领域

本发明涉及汽轮机控制系统领域，具体涉及一种高压调门油动机异常状态检测预警方法及其电子设备。

背景技术

在火力发电的汽轮机控制系统中，执行机构高压调门油动机在汽轮机控制系统中起着调节汽轮机进汽阀门开度的功能，从而调节其发电功率。高压调门油动机的稳定运行对于整个机组的运行有着重要的影响，它是油动机电液控制系统核心的执行元件，是驱动汽轮机蒸汽阀门的动力设备，所以准确有效地识别出高压调门油动机异常状态并做出故障预警具有十分重要的意义。然而，当前高压调门油动机异常状态检测预警需要进行大量的数据采集与传输，受环境或系统干扰因素的影响，获取的数据存在不完备或缺失的情况，影响了异常状态检测预警的准确性。因此，需要对异常状态检测预警的方式做出改进。

可以理解的是，上述陈述仅提供与本发明有关的背景技术，而并不必然地构成现有技术。

发明内容

基于前述技术问题，本发明的目的在于提供一种油动机异常状态检测预警方法及其电子设备，该方法通过油动机的压力信号数据对支持向量数据描述模型进行训练和验证，得到固化的支持向量数据描述模型，通过该模型对实测的压力信号数据进行测试，进而判定其状态是否异常。该方法只需要油动机的压力信号数据即可具备异常状态检测预警的能力，同时其通过正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强，有助于提高对异常状态检测的准确度。

为了达到上述目的，本发明通过以下技术方案实现：

一种油动机异常状态检测预警方法，包含：

采集油动机在正常工况以及异常状态工况下的压力信号数据，得到原始数据集；

对原始数据集中的各个压力信号数据进行处理，通过处理后的数据训练并验证支持向量数据描述模型，得到经过固化的支持向量数据描述模型；

获取实测的压力信号数据，对实测的压力信号数据进行处理得到实际测试样本，通过固化的支持向量数据描述模型对实际测试样本进行测试，得到实际测试样本与超球中心的距离D_t，若D_t≤R，则判定为正常状态，若D_t>R，则判定为异常状态并进行故障预警，其中，R为支持向量数据描述模型中超球体的超球半径。

可选的，所述异常状态工况包含油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔C0节流孔堵塞和油动机弹簧断裂中的至少一种。

可选的，对支持向量数据描述模型进行训练和验证时，将对正常工况下的压力信号数据处理后的样本归为训练数据集，将对异常状态工况下的压力信号数据处理后的样本归为验证数据集；

利用训练数据集对支持向量数据描述模型进行训练，得到超球中心和超球半径R；利用验证数据集对经过训练集训练后的支持向量数据描述模型进行验证，得到各异常状态样本与超球中心之间的距离Di，需满足Di>R，然后对支持向量数据描述模型进行固化。

可选的，对实测或原始数据集中的压力信号数据进行处理包含：

对压力信号数据进行分割，将一个压力信号数据分割成多个数据段；

对分割的数据段进行特征提取，获取各个数据段对应的数据段特征样本。

可选的，采用动态数据时间规整的方法对压力信号数据进行滑动数据分割。

可选的，动态数据时间规整方法的原理包含：

假设有两条长度分别为n和m的时间序列f(i)和g(j)，即：

f(i)＝{f₁,f₂,f₃,...,f_n} (1)

g(j)＝{g₁,g₂,g₃,...,g_m} (2)

两个特定点i和j之间的距离Dist(i,j)定义为：

Dist(i,j)＝(f_i-g_j)² (3)

使用递归方式计算确定最短对齐路径，i和j之间距离最短的规整路径D(i,j)为：

D(i,j)＝Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)] (4)

其中，D(i-1,j)、D(i,j-1)、D(i-1,j-1)分别为i-1和j之间、i和j-1之间以及i-1和j-1之间距离最短的规整路径。

可选的，应用卷积神经网络随机卷积核方法对所分割的数据段进行特征提取，获取其数据段特征样本。

可选的，用于异常状态检测的支持向量数据描述模型算法如下：

对于一组正类训练数据X∈R^s×d，其中s是样本个数，d是特征维度，首先通过非线性变换函数φ:X→F将数据从原始空间映射到特征空间，然后在特征空间中寻找一个体积最小的超球体；为了构造最小体积超球体，支持向量数据描述模型要解决以下优化问题：

其中，s.t意为约束条件，q是超球体的球心向量，ξ_i是第i个样本的松弛因子，C是惩罚因子；

结合拉格朗日乘子法，原问题的对偶问题为：

其中，α_i是样本x_i对应的拉格朗日系数，K(x_i,x_j)是核函数，等同于特征空间中样本的内积；

求解上述对偶问题后，可以获取所有样本对应的拉格朗日系数；

在所有的训练样本中，把拉格朗日系数满足0≤α_i≤C的样本称为支持向量，假设训练数据集中属于支持向量的样本集合为SV，那么超球体的球心向量q和超球半径R的计算公式为：

其中，x_v∈SV。

可选的，对于实际测试样本x_t，其到超球体的超球球心的距离D_t为：

若D_t≤R，说明实际测试样本x_t在超球体上或者超球体内部，属于正常样本；反之，若D_t>R，则属于异常样本。

可选的，本发明还提供了一种电子设备，该电子设备包括：

存储器，被配置为存储计算机程序；以及

处理器，与所述存储器通信相连，所述处理器被配置为调用所述计算机程序以执行前述的油动机异常状态检测预警方法。

本发明与现有技术相比具有以下优点：

本发明的一种油动机异常状态检测预警方法及其电子设备中，该方法通过油动机的压力信号数据对支持向量数据描述模型进行训练和验证，得到固化的支持向量数据描述模型，通过该模型对实测的压力信号数据进行测试，进而判定其状态是否异常。该方法只需要油动机的压力信号数据即可具备异常状态检测预警的能力，同时其通过正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强，有助于提高对异常状态检测的准确度。

进一步的，该方法利用动态数据时间规整将原始压力信号数据进行了波形划分，充分保留了原始数据的特征信息，提高了数据的处理效率，同时其还利用卷积神经网络随机卷积核方法对划分后的波形进行特征提取，提高了特征的适应性和灵活性，保证了特征信息的完备性，并能够有效地减少计算负担，充分利用了支持向量数据描述模型算法在处理高维非线性数据集时的适应能力和快速性，提高了检测精度，增强了模型的泛化能力。

附图说明

图1为本发明的一种油动机异常状态检测预警方法示意图；

图2为本发明的一种动态数据时间规整方法的原理示意图；

图3为本发明的一种高压调门油动机液压系统的原理示意图；

图4a-图4g依次为本发明实施例中的正常状态、油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔C0节流孔堵塞、油动机弹簧断裂状态下的原始压力信号时域波形图；

图5为本发明的一种训练数据集的训练结果示意图；

图6a-图6f依次为本发明实施例中验证数据集中油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔C0节流孔堵塞、油动机弹簧断裂状态的样本验证结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，在本文中，术语“包括”、“包含”、“具有”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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。

需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

如图1所示，为本发明提供的一种油动机异常状态检测预警方法示意图，该方法包含：S1、采集油动机在正常工况以及异常状态工况下的压力信号数据，得到原始数据集；S2、对原始数据集中的各个压力信号数据进行处理，通过处理后的数据训练并验证支持向量数据描述(Support Vector Data Description,SVDD)模型，得到经过固化的支持向量数据描述模型；S3、获取实测的压力信号数据，对实测的压力信号数据进行处理得到实际测试样本，通过固化的支持向量数据描述模型对实际测试样本进行测试，得到各实际测试样本与超球中心的距离D_t，若D_t≤R，则判定为正常状态，若D_t>R，则判定为异常状态并进行故障预警，其中，R为支持向量数据描述模型中超球体的超球半径。

由上述可知，本发明通过高压调门油动机的压力信号数据即压力脉冲信号对支持向量数据描述模型进行训练和验证，得到固化的支持向量数据描述模型，通过该模型对实测的压力信号数据进行测试，进而判定其状态是否异常。该方法只需要高压调门油动机的压力信号数据即可具备异常状态检测预警的能力，同时其通过正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强。

另一方面，相比于通过油动机的其他信号数据得到固化的支持向量数据描述模型，本申请采用压力信号数据进行训练和验证所得到的固化的支持向量数据描述模型具有稳定性更强、测试精度更高的优点。示例地，若通过油动机的振动信号进行上述操作，由于振动信号很容易受现场环境因素的干扰(比如油动机换一个位置，采集到的振动信号的变化就会非常大)，所以通过振动信号训练得到的支持向量数据描述模型的效果非常不稳定。因此，本发明的油动机异常状态检测预警方法具有更好的稳定性，其测试精度更高。

进一步的，如图1所示，所述S2中对支持向量数据描述模型进行训练和验证时，将对正常工况下的压力信号数据处理后的样本归为训练数据集，将对异常状态工况下的压力信号数据处理后的样本归为验证数据集。然后利用训练数据集对支持向量数据描述模型进行训练，得到超球中心和超球半径R；利用验证数据集对经过训练集训练后的支持向量数据描述模型进行验证，得到各异常状态样本与超球中心之间的距离Di，需满足Di>R，然后对支持向量数据描述模型进行固化。本发明通过正常工况下的压力信号数据对支持向量数据描述模型进行训练，有助于获取合适的超球体，又通过异常状态工况下的数据进行验证，有助于提高支持向量数据描述模型的检测精度。该方法中，结合正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强。

在本实施例中，对实测或原始数据集中的压力信号数据进行处理包含：对压力信号数据进行分割，将一个压力信号数据分割成多个数据段；对分割的数据段进行特征提取，获取各个数据段对应的数据段特征样本。本发明将数据分为多段然后对各段数据分别进行特征提取，该方式对数据的处理较为准确和全面，可充分保留原始数据的一些重要特征，避免引入无关的特征，有助于保证异常状态检测预警的准确性。

进一步的，在本实施例中，采用动态数据时间规整(DTW)的方法对压力信号数据进行滑动数据分割，充分地保留信号本身所携带的状态信息，例如数据的波动、趋势和幅度变化等信息。相比于传统的数据样本划分方式，例如固定长度数据段划分，本发明没有忽略数据在时间上的动态变化，该动态数据时间规整方式在捕捉时间序列数据的动态性和适应突发事件上具有较大的优越性，其是用于比较两段时间序列的相似度的一种有效算法，具有很好的鲁棒性和适应性，可以提供更为准确及其可靠的分析结果，目前还未见其在高压调门油动机异常状态检测预警方面的应用。

具体地，所述动态数据时间规整方法的原理如下：

如图2所示，假设有两条长度分别为n和m的时间序列f(i)和g(j)，即：

f(i)＝{f₁,f₂,f₃,...,f_n} (1)

g(j)＝{g₁,g₂,g₃,...,g_m} (2)

两个特定点i和j之间的距离Dist(i,j)定义为：

Dist(i,j)＝(f_i-g_j)² (3)

使用递归方式计算确定最短对齐路径，i和j之间距离最短的规整路径D(i,j)为：

D(i,j)＝Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)] (4)

其中，D(i-1,j)、D(i,j-1)、D(i-1,j-1)分别为i-1和j之间、i和j-1之间以及i-1和j-1之间距离最短的规整路径。如图2所示，为动态数据时间规整方法的原理示意图，该方法能够将两条长度不等的时间序列的波峰与波谷进行准确匹配。因此，上述动态数据时间规整方法可以对长度不等的时间序列进行距离度量。该动态数据时间规整方法不需要满足三角不等式约束条件，可以根据时间序列数据特点进行异步匹配；而且该动态数据时间规整方法对于时间序列数据的异常点和噪声干扰等有很好的适应性。

在本实施例中，对实测或原始数据集中的压力信号数据进行处理时，采用动态数据时间规整的方法对压力信号数据进行滑动数据分割后，应用卷积神经网络随机卷积核方法对所分割的数据段进行特征提取，获取其数据段特征样本，该方式能够充分利用数据的原始信息，进行更为有效的数据预处理和特征提取。提取完成后，对获取的数据段特征样本进行数据集划分，全部正常状态数据段特征样本作为训练数据集的样本用于对模型进行训练，全部异常状态数据段特征样本作为验证数据集的样本对模型进行验证。

进一步的，本发明中用于异常状态检测的支持向量数据描述模型算法为一种单类分类算法，它的目标是在特征空间中找到一个超球体，将正常的样本数据包围在内部，而异常的数据则位于超球体之外。在异常状态检测中，希望找到一个最小的超球体，以尽量紧密地包围正常的样本数据，进而最大程度地减少异常数据的影响，提高异常状态检测的准确性。具体地，该用于异常状态检测的支持向量数据描述模型算法如下：

假设有一组正类训练数据X∈R^s×d，其中s是样本个数，d是特征维度，首先通过非线性变换函数φ:X→F将数据从原始空间映射到特征空间，然后在特征空间中寻找一个体积最小的超球体；为了构造这样一个最小体积超球体，支持向量数据描述模型要解决以下优化问题：

其中，s.t意为约束条件，q是超球体的球心向量，ξ_i是第i个样本的松弛因子，C是惩罚因子；

结合拉格朗日乘子法，原问题的对偶问题为：

其中，α_i是样本x_i对应的拉格朗日系数，K(x_i,x_j)是核函数，等同于特征空间中样本的内积，x为样本点的特征向量表示，其是输入数据的实例，x_i和x_j分别表示第i个和第j个样本点的特征向量。求解上述对偶问题后，可以获取所有样本对应的拉格朗日系数。

在本发明中，通过对公式(5)优化问题的求解，可以得到最优的超球体参数，即最小半径R和对应的中心q，使得正常工况的样本数据尽可能地被包围在超球体内部。同时，由于存在松弛变量ξ和正则化参数C，优化问题也考虑了对异常样本的容忍程度和模型的复杂度控制。通过对公式(6)对偶问题的求解，可以获取所有样本对应的拉格朗日系数。

在所有的训练样本中，把拉格朗日系数满足0≤α_i≤C的样本称为支持向量，假设训练数据集中属于支持向量的样本集合为SV，那么超球体的球心向量q和超球R半径的计算公式为：

其中，x_v∈SV。

进一步的，对于实际测试样本x_t，其到超球体的超球球心的距离D_t为：

若D_t≤R，说明实际测试样本x_t在超球体上或者超球体内部，属于正常样本；反之，若D_t>R，则属于异常样本。

需要说明的是，在本发明的用于异常状态检测的支持向量数据描述模型算法中，对非线性变换函数φ的具体方式不做限定，可以根据具体问题和数据特点来确定。例如可以通过核函数(Kernel Function)来实现非线性变换，所述核函数可以将数据从原始空间映射到一个高维特征空间，从而使得原始空间中的非线性问题在特征空间中变成了线性问题。核函数可以采用现有的多种函数公式，如高斯核函数(Gaussian Kernel)、多项式核函数(Polynomial Kernel)、Sigmoid核函数等。这些核函数都具有不同的形式和参数，可以适应不同类型的数据和问题。具体选择哪种核函数取决于数据的特点和问题的要求。一般来说，高斯核函数是较优的选择，因为它具有较好的普适性和灵活性，在许多情况下都能取得良好的效果。但在实际应用中，也需要根据具体问题进行实验和调参，选择最适合的核函数。需要注意的是，非线性变换函数的选择可能会对算法的性能产生影响，不同的函数可能导致不同的结果。因此，在使用支持向量数据描述模型算法时，需要根据具体问题进行合理选择和调整，以获得最佳的异常状态检测效果。

在本实施例中，所述S1中，采集高压调门油动机在正常工况以及6种典型异常状态工况下的压力信号数据，其中，异常状态工况包含油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔C0节流孔堵塞和油动机弹簧断裂。本发明将正常工况和多种典型异常状态工况的数据相结合对支持向量数据描述模型进行训练和验证，提高了支持向量数据描述模型对异常情况识别的准确度。当然，所述异常状态工况不仅限为上述情形，在其他实施例中，还可以为其他异常情况，即通过其他异常情况下的压力信号数据对支持向量数据描述模型进行验证，本发明对此不做限制。

如图3所示，为本实施例的一种高压调门油动机液压系统的原理示意图。该高压调门油动机直接安装于汽轮机阀门上，依靠中间弹簧室进行隔热。其结构为单侧作用的对称缸，主要由弹簧、油动机缸体(包含低压腔、高压腔和缓冲腔)、电液伺服阀、节流孔、油液过滤器、快关电磁阀、插装单向阀、阀块、温度传感器、位移传感器和压力传感器、电气接线盒等组成，快关电磁阀和插装单向阀各两台，冗余配置。

在本实施例中，针对现有油动机状态监测需求，考虑到原有3个压力传感器与1个位移传感器无法充分获取系统状态信息，故在原有测点基础上，优化了油动机状态监测信号测点布置，新增9个压力测点，4个温度测点。具体地，压力传感器M3安装于油动机非工作腔与插装单向阀B口之间；压力传感器M4安装于C0高压腔节流孔与工作腔之间；压力传感器M5安装于D0缓冲腔节流孔与插装单向阀A口之间；压力传感器P1安装于系统回油口；压力传感器P2安装于D0缓冲腔节流孔与缓冲腔之间；压力传感器P3安装于10μm滤芯与电液伺服阀之间；压力传感器P4安装于25μm滤芯与电液伺服阀P口之间；压力传感器P5安装于系统进油口；压力传感器P6安装于快关电磁阀1工作口A；压力传感器P7安装于快关电磁阀2工作口A；压力传感器P8安装于快关电磁阀1进油P口；压力传感器P9安装于快关电磁阀2进油P口；温度传感器T1安装于系统进油口；温度传感器T2安装于系统回油口；温度传感器T3安装于插装单向阀A口与D0缓冲腔节流孔之间；温度传感器T4安装于电液伺服阀T口与插装单向阀B口之间；位移传感器采用磁致伸缩位移传感器，其为内置非接触式结构，其活动磁环固定在油动机的活塞杆上，随活塞杆一起移动。进一步的，在本实施例中，12个压力传感器和4个温度传感器均采用螺纹孔式安装。

在本实施例中，高压调门油动机电液伺服系统的工作状态在快关电磁阀的控制下分为正常工作与快关两种：

1)正常工作状态：快关电磁阀的线圈得电时，高压调门油动机处于正常工作状态。此时，供油系统的液压油经先导滤油器和主滤油器即10μm滤芯和25μm滤芯到达电液伺服阀，同时，经主滤油器的液压油还到达两个快关电磁阀的P口。快关电磁阀的压力油口P和控制油口A接通，使压力油作用在插装单向阀上并将其关闭。进一步地，电液伺服阀根据伺服控制卡的指令信号动作，当其进油口P与工作油口B接通时，活塞杆在高压油与弹簧力的共同作用下运动，开启汽轮机蒸汽阀门或调节蒸汽阀门开度，最终达到调节汽轮机转速及功率的目的。

2)快关状态：当汽轮机故障或蒸汽阀门需要快速关闭时，快关电磁阀失电，其控制油口A和回油口T接通，撤除作用于插装单向阀上的压力并使其打开。进一步地，工作腔室与非工作腔室的连通使活塞两侧油压平衡，活塞杆在弹簧的推力作用下迅速回归到原始位置，油缸右部的油快速流向左腔，从而使得调门油动机的关闭过程在0.2s内完成。

在本实施例中，通过高速采集的方式对高压调门油动机运行时的油缸高压腔M4测点的油压进行采集，获取原始压力信号数据。本实施例中共采集了7种典型状态的压力时域信号作为原始数据集进行分析，采样频率为12.5kHz，采样时长为30s。7种典型状态分别为正常状态、油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔C0节流孔堵塞、油动机弹簧断裂。图4a-图4g分别为对应的原始压力信号时域波形图，横坐标为时间t，纵坐标为压力信号数据P，不难发现，直接观察时域波形图难以确定高压调门油动机的健康状态。

结合原始压力信号数据存在近似周期性的特点，本发明引入动态数据时间规整的方法对采集到的原始压力信号数据进行数据段划分，充分地保留原始状态信息。应用卷积神经网络随机卷积核方法对划分后的数据段进行特征提取，使用1000个随机卷积核来完成特征提取工作，从每个特征图中计算两个聚合特征生成两个实数值作为每个卷积核的特征，其中一个为最大池化提取出的特征，而另一个则为正值比例p，1000个卷积核会生成2000个特征量组成特征集，之后进行数据集划分，全部正常状态数据作为训练集用于进行支持向量数据描述模型训练，全部异常状态数据作为验证集用于进行支持向量数据描述模型验证。

本实施例中，训练数据集样本总数为1500个，验证数据集样本总数为9287个。如图5所示，为训练数据集的训练结果示意图，其中，实线为超球体的超球半径R，虚线为每个样本与该超球体中心的距离D，横坐标为样本序号，纵坐标为距离D，可以看出，正常状态下样本全部落在超球体以内。如图6a-图6f所示，为验证数据集的样本验证结果示意图，显而易见，异常状态下的绝大部分样本落在超球体之外。其中，油缸内泄漏状态准确率高达100％；油缸外泄漏状态准确率高达95％；电液伺服阀阀芯零位内泄漏状态准确率高达100％；快关电磁阀卡涩状态准确率高达99.9％；高压腔C0节流孔堵塞状态准确率高达100％；油动机弹簧断裂准确率高达100％。上述结果表明，本发明的支持向量数据描述模型能够高精度地实现高压调门油动机异常状态检测预警，为高压调门油动机预测性维护提供了技术支撑。该油动机异常状态检测预警方法属于一种可提高电厂经营利润的热电联产策略方法，可应用于电厂经营优化中。

需要说明的是，本发明的油动机异常状态检测预警方法不仅限用于上述高压调门油动机，其还可用于其他结构组成的油动机，本发明对此不做限制。进一步的，在实际应用中，例如在图3的高压调门油动机液压系统中，还可以采用其他位置处采集的油液压力信号数据，本发明对此不做限制，只是压力传感器M4更靠近高压腔，本实施例中优选采用压力传感器M4处的压力信号数据，以使所训练出的支持向量数据描述模型的效果更好。

基于同一发明构思，本发明还提供了一种电子设备，该电子设备包括：存储器，被配置为存储计算机程序；以及处理器，与所述存储器通信相连，所述处理器被配置为调用所述计算机程序以执行前述的油动机异常状态检测预警方法。

综上所述，本发明的一种油动机异常状态检测预警方法及其电子设备中，该方法通过油动机的压力信号数据对支持向量数据描述模型进行训练和验证，得到固化的支持向量数据描述模型，通过该模型对实测的压力信号数据进行测试，进而判定其状态是否异常。该方法只需要油动机的压力信号数据即可具备异常状态检测预警的能力，同时其通过正常工况和异常状态工况的数据对模型进行训练和验证，使得获取的支持向量数据描述模型检测精度高、模型泛化能力强，有助于提高对异常状态检测的准确度。

进一步的，该方法利用动态数据时间规整将原始压力信号数据进行了波形划分，充分保留了原始数据的特征信息，提高了数据的处理效率，同时其还利用卷积神经网络随机卷积核方法对划分后的波形进行特征提取，提高了特征的适应性和灵活性，保证了特征信息的完备性，并能够有效地减少计算负担，充分利用了支持向量数据描述模型算法在处理高维非线性数据集时的适应能力和快速性，提高了检测精度，增强了模型的泛化能力。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种油动机异常状态检测预警方法，其特征在于，包含：

采集油动机在正常工况以及异常状态工况下的压力信号数据，得到原始数据集；

对原始数据集中的各个压力信号数据进行处理，通过处理后的数据训练并验证支持向量数据描述模型，得到经过固化的支持向量数据描述模型；

获取实测的压力信号数据，对实测的压力信号数据进行处理得到实际测试样本，通过固化的支持向量数据描述模型对实际测试样本进行测试，得到实际测试样本与超球中心的距离D_t，若D_t≤R，则判定为正常状态，若D_t>R，则判定为异常状态并进行故障预警，其中，R为支持向量数据描述模型中超球体的超球半径。

2.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，

所述异常状态工况包含油缸内泄漏、油缸外泄漏、电液伺服阀阀芯零位内泄漏、快关电磁阀卡涩、高压腔C0节流孔堵塞和油动机弹簧断裂中的至少一种。

3.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，

对支持向量数据描述模型进行训练和验证时，将对正常工况下的压力信号数据处理后的样本归为训练数据集，将对异常状态工况下的压力信号数据处理后的样本归为验证数据集；

利用训练数据集对支持向量数据描述模型进行训练，得到超球中心和超球半径R；利用验证数据集对经过训练集训练后的支持向量数据描述模型进行验证，得到各异常状态样本与超球中心之间的距离Di，需满足Di>R，然后对支持向量数据描述模型进行固化。

4.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，对实测或原始数据集中的压力信号数据进行处理包含：

对压力信号数据进行分割，将一个压力信号数据分割成多个数据段；

对分割的数据段进行特征提取，获取各个数据段对应的数据段特征样本。

5.如权利要求4所述的油动机异常状态检测预警方法，其特征在于，

采用动态数据时间规整的方法对压力信号数据进行滑动数据分割。

6.如权利要求5所述的油动机异常状态检测预警方法，其特征在于，动态数据时间规整方法的原理包含：

假设有两条长度分别为n和m的时间序列f(i)和g(j)，即：

f(i)＝{f₁,f₂,f₃,...,f_n} (1)

g(j)＝{g₁,g₂,g₃,...,g_m} (2)

两个特定点i和j之间的距离Dist(i,j)定义为：

Dist(i,j)＝(f_i-g_j)² (3)

使用递归方式计算确定最短对齐路径，i和j之间距离最短的规整路径D(i,j)为：

D(i,j)＝Dist(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)] (4)

其中，D(i-1,j)、D(i,j-1)、D(i-1,j-1)分别为i-1和j之间、i和j-1之间以及i-1和j-1之间距离最短的规整路径。

7.如权利要求4所述的油动机异常状态检测预警方法，其特征在于，

应用卷积神经网络随机卷积核方法对所分割的数据段进行特征提取，获取其数据段特征样本。

8.如权利要求1所述的油动机异常状态检测预警方法，其特征在于，

用于异常状态检测的支持向量数据描述模型算法如下：

对于一组正类训练数据X∈R^s×d，其中s是样本个数，d是特征维度，首先通过非线性变换函数φ:X→F将数据从原始空间映射到特征空间，然后在特征空间中寻找一个体积最小的超球体；为了构造最小体积超球体，支持向量数据描述模型要解决以下优化问题：

其中，s.t意为约束条件，q是超球体的球心向量，ξ_i是第i个样本的松弛因子，C是惩罚因子；

结合拉格朗日乘子法，原问题的对偶问题为：

其中，α_i是样本x_i对应的拉格朗日系数，K(x_i,x_j)是核函数，等同于特征空间中样本的内积；

求解上述对偶问题后，可以获取所有样本对应的拉格朗日系数；

在所有的训练样本中，把拉格朗日系数满足0≤α_i≤C的样本称为支持向量，假设训练数据集中属于支持向量的样本集合为SV，那么超球体的球心向量q和超球半径R的计算公式为：

其中，x_v∈SV。

9.如权利要求8所述的油动机异常状态检测预警方法，其特征在于，

对于实际测试样本x_t，其到超球体的超球球心的距离D_t为：

若D_t≤R，说明实际测试样本x_t在超球体上或者超球体内部，属于正常样本；反之，若D_t>R，则属于异常样本。

10.一种电子设备，其特征在于，包括：

存储器，被配置为存储计算机程序；以及

处理器，与所述存储器通信相连，所述处理器被配置为调用所述计算机程序以执行如权利要求1～9任意一项所述的油动机异常状态检测预警方法。