CN107526784A - 一种基于矩阵填充的故障诊断方法 - Google Patents
一种基于矩阵填充的故障诊断方法 Download PDFInfo
- Publication number
- CN107526784A CN107526784A CN201710623702.9A CN201710623702A CN107526784A CN 107526784 A CN107526784 A CN 107526784A CN 201710623702 A CN201710623702 A CN 201710623702A CN 107526784 A CN107526784 A CN 107526784A
- Authority
- CN
- China
- Prior art keywords
- data
- msub
- matrix
- real
- mrow
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于矩阵填充的故障诊断方法,该方法包括如下步骤:(1)获取待诊断的实时状态数据;(2)从数据库中提取与实时状态数据相关的N组历史数据,每组历史数据中包括历史状态数据以及对应的故障状态;(3)将实时状态数据和N组历史数据组成故障诊断矩阵,该故障诊断矩阵中待填充参数为实时状态数据所对应的故障状态;(4)对故障诊断矩阵进行矩阵填充得到待填充参数的数值,进而确定故障状态。与现有技术相比,本发明故障诊断准确程度高。
Description
技术领域
本发明涉及一种故障诊断方法,尤其是涉及一种基于矩阵填充的故障诊断方法。
背景技术
自人工智能技术出现,此项技术就被迅速的推广,运用于包括工业,金融,商业等诸多领域。同时由于计算机计算能力的提升,将历史数据作为训练集,通过合适的机器学习算法,得到准确度越来越高的预测结果成为了现实。因此人类在公元1997年见证了计算机“深蓝”战胜了世界棋王卡西帕罗夫,又在而后的公元2017年见证了AlphaGo在围棋对弈中战胜了世界冠军李世石。但是目前为止,大多数故障诊断的方式仍然是以模糊推理为主要手段,缺乏对历史状态数据的有效运用。在某种程度上而言,造成了一种对数据资源的浪费。并且模糊规则的设置,尤其是参数的确定会因为不同批次的设备而不同,甚至同一批次的设备需要的参数也会有一定的差别。这就需要人为的不断调整参数,并且存在相当程度的主观性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于矩阵填充的故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于矩阵填充的故障诊断方法,该方法包括如下步骤:
(1)获取待诊断的实时状态数据;
(2)从数据库中提取与实时状态数据相关的N组历史数据,每组历史数据中包括历史状态数据以及对应的故障状态;
(3)将实时状态数据和N组历史数据组成故障诊断矩阵,该故障诊断矩阵中待填充参数为实时状态数据所对应的故障状态;
(4)对故障诊断矩阵进行矩阵填充得到待填充参数的数值,进而确定故障状态。
步骤(2)中N组历史数据为与实时状态数据相似度大于设定值的数据。
步骤(2)具体为:采用余弦相似度度量方法计算数据库中所有历史数据的历史状态数据与实施状态数据的相似度,根据相似度由大到小将历史数据进行排序,进而选取前N组历史数据。
所述的相似度通过如下公式得到:
其中,ai为实时状态数据组成的向量,aj为待求取相似度的一组历史数据中的历史状态数据组成的向量,sim(ai,aj)为ai与aj的相似度。
步骤(3)组成故障诊断矩阵具体为:
(31)将每组历史数据中的故障状态采用数字形式表示形成故障状态数值,进而将历史状态数据以及故障状态数值依次排列形成历史数据向量;
(32)采用历史数据向量中各数据的排序顺序对实时状态数据进行排序,将故障状态数值对应位置处设为待填充参数,形成实时数据向量;
(33)将实时数据向量和所有历史数据向量组成形成故障诊断矩阵。
步骤(4)中采用奇异值阈值算法对故障诊断矩阵进行矩阵填充。
与现有技术相比,本发明具有如下优点:
(1)本发明从数据库中选择与实时状态数据相似度更大的数据作为训练数据,以减轻矩阵填充算法的运算量,提高运算效率,选择相似度更大的数据作为训练数据还能够排除不相干的数据干扰,提高预测准确度。
(2)本发明利用奇异值阈值算法实现矩阵填充,从而以历史数据为参考样本,实现故障诊断,避免了人为制定模糊参数的主观性,满足不同设备之间的差异性。
附图说明
图1为本发明基于矩阵填充的故障诊断方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于矩阵填充的故障诊断方法,该方法包括如下步骤:
(1)获取待诊断的实时状态数据;
(2)从数据库中提取与实时状态数据相关的N组历史数据,每组历史数据中包括历史状态数据以及对应的故障状态;
(3)将实时状态数据和N组历史数据组成故障诊断矩阵,该故障诊断矩阵中待填充参数为实时状态数据所对应的故障状态;
(4)对故障诊断矩阵进行矩阵填充得到待填充参数的数值,进而确定故障状态。
步骤(1)中实时状态数据可能来自不同的平台,因此通过基于DBCOM与变化通知机制的力控接口实现实时状态数据的采集,具体是在基于COM技术的力控组态软件中实现了数据对象的变化通知机制。COM为应用之间提供了一种有效的数据交换机制,称为统一数据传输机制(UDT,Uniform Data Transfer)。它以数据对象作为数据实体,而数据对象则通过IDataObject接口暴露其内部信息。客户程序只要通过某种传输协议就可以得到数据对象的IDataObject接口,以后客户程序就可以直接访问数据对象了。
COM提供了连接点机制以实现双向通讯。在UDT中,客户程序只需实现IAdviseSink接口,其中OnDataChange成员用于数据对象的通知过程。IDataObject::DAdvise函数建立了客户程序接收器对象与数据对象之间的通报连接,一旦连接建立起来,数据发生变化时,就会调用IAdviseSink::OnDataChange函数。
其具体步骤为:首先打开由力控组态软件创建的组态工程,在数据库中新建了注册点temp,作为与C++中的数据通信点。DbCommOcxEf控件就是一个已经封装好的COM组件,在运行程序之前,我们要保证DbCom.ocx已注册成功,确保我们控件可以被实现,它就相当于一个.dll文件被装入进程中。同样的我们创建的CDbCommOcxEf对象类也有其128位的CLSID进行标识。
CDbCommOcxEf对象类:
static CLSID const clsid={0x3310fa25,0xa027,0x47b3,{0x8c,0x49,0x10,0x91,0x07,0x73,0x17,0xe9}}
由于客户程序只要知道数据对象的IDataObject接口指针就可以直接访问数据对象。有时候客户程序希望能够及时得知道数据对象发生变化的信息,以便得到最新数据。
因此我们通过声明了一个对象,通过它来获取我们所要的注册点的信息,把这些信息通过IDataObject接口指针存储在通报连接接收器对象内部,实现数据连通。当我们的注册点信息发生变化时,消息映射机制去找到对应的事件控制函数,这里的事件控制函数就是我们的IAdviseSink::OnDataChange,通过它我们就更新了注册点在C++工程中的信息。这样我们就实现了我们数据对象的变化通知机制。
步骤(2)中N组历史数据为与实时状态数据相似度大于设定值的数据。
步骤(2)具体为:采用余弦相似度度量方法计算数据库中所有历史数据的历史状态数据与实施状态数据的相似度,根据相似度由大到小将历史数据进行排序,进而选取前N组历史数据,这里排序方法采用冒泡排序。
所述的相似度通过如下公式得到:
其中,ai为实时状态数据组成的向量,aj为待求取相似度的一组历史数据中的历史状态数据组成的向量,sim(ai,aj)为ai与aj的相似度。
步骤(3)组成故障诊断矩阵具体为:
(31)将每组历史数据中的故障状态采用数字形式表示形成故障状态数值,进而将历史状态数据以及故障状态数值依次排列形成历史数据向量;
(32)采用历史数据向量中各数据的排序顺序对实时状态数据进行排序,将故障状态数值对应位置处设为待填充参数,形成实时数据向量;
(33)将实时数据向量和所有历史数据向量组成形成故障诊断矩阵。
步骤(4)中采用奇异值阈值算法(SVT算法)对故障诊断矩阵进行矩阵填充。
矩阵填充(Matrix Completion)目的是为了估计矩阵中缺失的部分(不可观察的部分),可以看作是用矩阵X近似矩阵M,然后用X中的元素作为矩阵M中不可观察部分的元素的估计。在已有训练数据构成矩阵后,这些已知的信息需要满足假设数据矩阵是低秩的,才能够推断出未知的部分。由于2)中对训练数据进行了相似性选择,所以低秩的假设是成立的。用公式表示则如下:
目标函数:minrank(X);
约束条件:Xi,j=Mi,j,(x,j)∈Ω;
假如设定:Y=PΩ(X),
其中:
则上述膜表函数和约束条件为:目标函数:minrank(X);
约束条件:PΩ(X)=PΩ(M);
M为故障诊断矩阵,X为填充后的故障诊断矩阵。
Claims (6)
1.一种基于矩阵填充的故障诊断方法,其特征在于,该方法包括如下步骤:
(1)获取待诊断的实时状态数据;
(2)从数据库中提取与实时状态数据相关的N组历史数据,每组历史数据中包括历史状态数据以及对应的故障状态;
(3)将实时状态数据和N组历史数据组成故障诊断矩阵,该故障诊断矩阵中待填充参数为实时状态数据所对应的故障状态;
(4)对故障诊断矩阵进行矩阵填充得到待填充参数的数值,进而确定故障状态。
2.根据权利要求1所述的一种基于矩阵填充的故障诊断方法,其特征在于,步骤(2)中N组历史数据为与实时状态数据相似度大于设定值的数据。
3.根据权利要求2所述的一种基于矩阵填充的故障诊断方法,其特征在于,步骤(2)具体为:采用余弦相似度度量方法计算数据库中所有历史数据的历史状态数据与实施状态数据的相似度,根据相似度由大到小将历史数据进行排序,进而选取前N组历史数据。
4.根据权利要求3所述的一种基于矩阵填充的故障诊断方法,其特征在于,所述的相似度通过如下公式得到:
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mo>&times;</mo>
<mo>|</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,ai为实时状态数据组成的向量,aj为待求取相似度的一组历史数据中的历史状态数据组成的向量,sim(ai,aj)为ai与aj的相似度。
5.根据权利要求1所述的一种基于矩阵填充的故障诊断方法,其特征在于,步骤(3)组成故障诊断矩阵具体为:
(31)将每组历史数据中的故障状态采用数字形式表示形成故障状态数值,进而将历史状态数据以及故障状态数值依次排列形成历史数据向量;
(32)采用历史数据向量中各数据的排序顺序对实时状态数据进行排序,将故障状态数值对应位置处设为待填充参数,形成实时数据向量;
(33)将实时数据向量和所有历史数据向量组成形成故障诊断矩阵。
6.根据权利要求1所述的一种基于矩阵填充的故障诊断方法,其特征在于,步骤(4)中采用奇异值阈值算法对故障诊断矩阵进行矩阵填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710623702.9A CN107526784A (zh) | 2017-07-27 | 2017-07-27 | 一种基于矩阵填充的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710623702.9A CN107526784A (zh) | 2017-07-27 | 2017-07-27 | 一种基于矩阵填充的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107526784A true CN107526784A (zh) | 2017-12-29 |
Family
ID=60680199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710623702.9A Pending CN107526784A (zh) | 2017-07-27 | 2017-07-27 | 一种基于矩阵填充的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526784A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896246A (zh) * | 2020-07-29 | 2020-11-06 | 北京天地龙跃科技有限公司 | 一种健康管理验证评估*** |
CN115576733A (zh) * | 2022-11-17 | 2023-01-06 | 广州信诚信息科技有限公司 | 一种基于深度强化学习的设备智能故障诊断*** |
WO2023197461A1 (zh) * | 2022-04-11 | 2023-10-19 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104481508A (zh) * | 2014-09-10 | 2015-04-01 | 大庆明达韦尔信息***服务有限公司 | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 |
CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN105843212A (zh) * | 2016-03-29 | 2016-08-10 | 东北大学 | 一种高炉故障诊断***及方法 |
CN106503652A (zh) * | 2016-10-21 | 2017-03-15 | 南京理工大学 | 基于低秩自适应稀疏重建的异常事件检测方法 |
KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
-
2017
- 2017-07-27 CN CN201710623702.9A patent/CN107526784A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504607A (zh) * | 2014-09-04 | 2015-04-08 | 国家电网公司 | 一种基于模糊聚类算法的光伏电站故障诊断方法 |
CN104481508A (zh) * | 2014-09-10 | 2015-04-01 | 大庆明达韦尔信息***服务有限公司 | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
CN105843212A (zh) * | 2016-03-29 | 2016-08-10 | 东北大学 | 一种高炉故障诊断***及方法 |
CN106503652A (zh) * | 2016-10-21 | 2017-03-15 | 南京理工大学 | 基于低秩自适应稀疏重建的异常事件检测方法 |
Non-Patent Citations (1)
Title |
---|
马晓慧: "《矩阵填充理论方法分析》", 《中国学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896246A (zh) * | 2020-07-29 | 2020-11-06 | 北京天地龙跃科技有限公司 | 一种健康管理验证评估*** |
WO2023197461A1 (zh) * | 2022-04-11 | 2023-10-19 | 西安热工研究院有限公司 | 一种基于工况相似性评估的齿轮箱故障预警方法及*** |
CN115576733A (zh) * | 2022-11-17 | 2023-01-06 | 广州信诚信息科技有限公司 | 一种基于深度强化学习的设备智能故障诊断*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ware et al. | Conflict reduction in map generalization using iterative improvement | |
CN107526784A (zh) | 一种基于矩阵填充的故障诊断方法 | |
CN110378488A (zh) | 客户端变化的联邦训练方法、装置、训练终端及存储介质 | |
CN113159273B (zh) | 一种神经网络的训练方法及相关设备 | |
Carfì et al. | An algorithm for dynamical games with fractal-like trajectories | |
CN111046018A (zh) | 基于多目标优化的发电设备运行工况库构建方法和装置 | |
CN109144988A (zh) | 一种异常数据的检测方法及装置 | |
CN108496188A (zh) | 神经网络训练的方法、装置、计算机***和可移动设备 | |
CN110489307A (zh) | 接口异常调用监测方法及装置 | |
CN109388458A (zh) | 界面控件的管理方法、终端设备及计算机可读存储介质 | |
Wang et al. | An iterative updating heuristic search strategy for groundwater contamination source identification based on an ACPSO–ELM surrogate system | |
US11436263B2 (en) | Geocoding methods and systems of correcting latitude and longitude of a point of interest | |
CN109003686A (zh) | 核电站松脱部件的定位方法、装置、计算机设备及存储介质 | |
CN112148566A (zh) | 计算引擎的监控方法、装置、电子设备及存储介质 | |
CN112556698A (zh) | 船舶行为变化及异常识别方法、设备及介质 | |
CN111581586A (zh) | 基于套合模型的湖库水质各向异性插值方法和装置 | |
CN116608859A (zh) | 一种基于阈值处理的自适应无迹卡尔曼滤波的导航方法、存储介质和设备 | |
CN111107162B (zh) | 基于物联网的室内定位数据处理方法、装置及*** | |
Wu et al. | A Vehicle Map-matching Algorithm based on Measure Fuzzy Sorting. | |
CN114240654A (zh) | 基于交易链路的性能能力透视方法、***、设备及可读存储介质 | |
Shao et al. | Improving iForest for hydrological time series anomaly detection | |
CN106447711A (zh) | 一种多尺度基本几何形状特征提取方法 | |
CN108510778A (zh) | 一种基于记录仪管理平台的车辆聚合显示的实现方法 | |
Ge et al. | A new improved CMAC neural network | |
Jiang et al. | Prediction on the remaining useful life of rolling bearings using ensemble DLSTM |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171229 |