CN107590506A - 一种基于特征处理的复杂设备故障诊断方法 - Google Patents
一种基于特征处理的复杂设备故障诊断方法 Download PDFInfo
- Publication number
- CN107590506A CN107590506A CN201710706030.8A CN201710706030A CN107590506A CN 107590506 A CN107590506 A CN 107590506A CN 201710706030 A CN201710706030 A CN 201710706030A CN 107590506 A CN107590506 A CN 107590506A
- Authority
- CN
- China
- Prior art keywords
- feature
- fault
- data
- value
- equipment
- 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
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于特征处理的复杂设备故障诊断方法,步骤如下:1、对动作电流信号进行实时采集;2、对动作电流曲线进行区段划分;3、对动作曲线进行区段划分;4、构建设备动作电流曲线的高维特征表示数据集;5、对高维特征表示数据集进行特征选择;6、对高维特征表示数据集进行特征提取;7、对特征表示数据集进行划分处理;8、对SVM的参数进行寻优求解;9、进行SVM监督学习,得到故障诊断模型;10、使用测试集数据对故障诊断模型的诊断准确率进行验证;通过上述步骤,能实现基于特征处理的复杂设备故障诊断方法,并通过参数优化的SVM方法实现故障诊断分类器,完成对设备工作电流曲线的特征数的故障识别与分析。
Description
技术领域
本发明提供一种基于特征处理的复杂设备故障诊断方法,它涉及一种基于特征处理的复杂设备故障诊断方法的实现,属于复杂设备可靠性、复杂设备故障诊断领域。
背景技术
故障诊断是根据设备运行状态信息查找故障源,并确定相应决策的一门综合性新兴科学。故障诊断技术始于20世纪60年代,经过50多年的发展,已经取得了长足的进步。其内涵从简单设备的故障诊断发展到复杂***的故障诊断,如今故障诊断技术已在各工业部门取得了广泛应用。目前,针对复杂设备的故障诊断主要涉及到两个难题:一是不同工作模式下复杂设备对应的特征描述,其难点在于如何对设备的工作状态进行简明且高效的特征组合;二是故障诊断模型的构建,其难点在于如何对诊断模型的适应性和容错性进行设计,使模型可以根据复杂设备的不同工作状态作出智能决策,对故障进行准确地判断与识别。针对以上两个问题,本发明提出一种基于特征处理的复杂设备故障诊断方法,该方法通过智能分区的融合特征表示、费希尔(Fisher)特征选择、主成分分析(Principal ComponentAnalysis,简称PCA)等技术对复杂设备的电流信号进行特征表示、选择和提取以构成特征数据,并使用支持向量机(Support Vector Machine,简称SVM)对特征数据进行监督学习,建立故障诊断模型,用于复杂设备的故障诊断。
该方法基于特征处理和支持向量机技术融合故障分析与故障处理等相关理论、方法和技术进行实现,在提高复杂设备维护性的同时,达到提高复杂设备可靠性、安全性、可用性的目的。
发明内容
(一)本发明目的
在复杂设备故障诊断的研究中,存在的问题有:
●故障诊断的输入信息不明确。尽管针对故障诊断分类方法的研究较多,但对于故障有效特征表示的讨论较少。虽然目前有一些特征表示方法,但依据不明确;
●机器学习方法训练时间长、训练繁琐。虽然基于机器学习的优化算法多种多样,但用于故障诊断的机器学习方法优化效果较差;
●对复杂设备进行故障判断的研究居多。故障识别在故障诊断中处于忽视或者是辅助的地位,判断与识别不能同时结合,进行完整的复杂设备故障诊断。
针对上述问题,本发明将克服现有技术的不足,提出一种基于特征处理的复杂设备故障诊断方法。该方法首先根据设备的动作电流数据进行智能分区的融合特征表示。然后使用Fisher特征选择方法对然融合特征进行筛选,保留利于故障诊断的特征数据,并在此基础上采用PCA方法对筛选的特征进一步提取,以最少、最有效的特征组合表示设备的运行数据。最后采用遗传算法(Genetic Algorithm,简称GA)与粒子群优化方法(ParticleSwarm Optimization,简称PSO)相结合的优化算法(GA-PSO算法)和SVM方法构建故障诊断分类器模型,实现对设备特征数据的故障诊断。可以看出基于机器学习的复杂设备故障诊断方法不仅可以对故障的有效特征进行表示,还可以采用优化的诊断模型对故障进行判断与识别,为故障诊断领域提供了一种新的解决方法,并对现有的故障诊断方法进行了创新。
(二)技术方案
本发明一种基于特征处理的复杂设备故障诊断方法,其步骤如下:
步骤1、按照合适的采样间隔对复杂设备的动作电流信号进行实时采集,获得设备的动作曲线数据,并分析动作电流曲线形态与设备故障类型对应的关系;
步骤2、从时域角度对设备的动作电流曲线进行区段划分,并提取各区段动作曲线数据的时间特征信息;
步骤3、从值域角度对设备的动作曲线进行区段划分,并提取各区段动作曲线数据的电流值特征信息;
步骤4、将设备动作的时间特征信息和电流值特征信息融合,构建设备动作电流曲线的高维特征表示数据集;
步骤5、使用Fisher方法对高维特征表示数据集进行特征选择,筛选出最具代表性、可分性能最好的特征,并剔除模棱两可、不易判别的特征,从而降低特征表示集的维数;
步骤6、使用PCA方法对高维特征表示数据集进行特征提取,消除冗余信息,进一步降低特征表示集的维数;
步骤7、对特征表示数据集进行划分处理,得到SVM训练样本集数据和测试样本集数据;
步骤8、在训练样本集的基础上,采用GA-PSO优化算法对SVM的参数进行寻优求解;
步骤9、使用优化的参数和训练集样本数据进行SVM监督学习,得到故障诊断模型;
步骤10、使用测试集数据对故障诊断模型的诊断准确率进行验证。
其中,在步骤1中所述的“分析动作电流曲线形态与设备故障类型对应的关系”,其作法如下:对设备的正常模式和典型故障模式进行分析,总结各故障模式的故障类型、发生现象以及产生原因,查找设备动作电流曲线形态与道岔故障类型的对应关系,用于后续的故障诊断步骤。
其中,在步骤2中所述的“从时域角度对设备的动作曲线进行区段划分”,其作法如下:分析设备进行不同动作的电流信号数据,得到动作的电流值域信息,根据电流域值信息对动作曲线的时域(x轴)对应设置时间分割点,这样可以将动作曲线的时域划分为不同区段,每个时域区段代表设备发生不同动作所持续的时间。
其中,在步骤2中所述的“提取各区段动作曲线数据的时间特征信息”,其作法如下:使用时间作为自变量描述动作曲线数据的物理量,以最基本、最直观的表达方式反应设备各动作区段的工作状态。本发明将最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脉冲因子和裕度因子等作为时域特征参数,将时间域所划分的各个区段都进行如上12种特征参数的采集。
其中,在步骤3中所述的“从值域角度对设备的动作曲线进行区段划分”,其作法如下:首先,将动作电流曲线向电流值域(y轴)进行投影,根据设备动作电流信号的采集精度对投影区间精度进行设定,这里为避免投影区间对分割电流值区域的影响,设定投影区间精度值与采集精度值一致。然后,对投影区间点数少于5点的零散电流值点置零,不计入统计。最后,根据设备的动作的电流信息对电流值域进行分段;
其中,在步骤3中所述的“提取各区段动作曲线数据的电流值特征信息”,其作法如下:按照电流值域分段分析,提取各个区段的非零电流区域,并对这些区域以统计特征进行参数表示。本发明将总数、均值、极差、众数、方差、标准差、中值、平均绝对误差等作为统计特征参数,对每个区段进行上述8种特征参数的采集,以表示设备的动作电流特征。
其中,在步骤4中所述的“将设备动作的时间特征信息和电流值特征信息融合”,其作法如下:首先,对划分的各时域区段的12项特征信息进行汇总,构成多维时域特征向量。然后,对划分的各电流值域区段的8项特征信息进行汇总,构成多维电流值域特征向量;最后,对这两项多维特征向量进行融合作为设备动作电流曲线的高维特征表示集。
其中,在步骤5中所述的“Fisher方法”,是指一种经典的二类特征选择方法,该方法将各个特征表示值的类间距离与类内距离的比值作为Fisher准则函数,函数值越大,则表示该项特征对于分类识别的鉴别性能越强。使用单个特征的Fisher准则函数,对特征排序并选择出鉴别性能较强的特征,可以形成新的低维特征表示集,实现特征降维的目的;
其中,在步骤5中所述的“使用Fisher方法对高维特征表示集数据进行特征选择”,其作法如下:首先,使用Fisher准则二类特征选择法,计算每一种典型故障模式与正常模式间准则函数值,第i类故障模式的设备动作电流曲线的第d维特征Fd的Fisher准则函数为:
这里,类间方差SB,d与类内方差SW,d分别定义为:
SB,d=(m1,d-mi,d)2 i=1,2,…n
这里,mi,d和σi,d分别是特征Fd在第i类中的均值与标准差。然后,确定特征选择标准,本发明采取“过半选择”的方式,即以该故障模式的Fisher准则函数值最大值的一半为标准,各维特征数据的Fisher准则函数值超过此标准的,则被选择,低于此标准,则被丢弃;最后,将选择出的特征数据结合在一起,形成利于区分典型故障模式的特征表示集合。
其中,在步骤6中所述的“PCA方法”,是指一种特征提取方法,可用于数据降维,并找到数据中有效并且重要的元素与结构。PCA方法的主要目的是使用较少的变量去解释原数据中的大部分变量,并保证原数据的信息损失最小;
其中,在步骤6中所述的“使用PCA方法对高维特征表示数据集进行特征提取”,其作法如下:
步骤6.1特征中心化。将高维特征表示数据集A中的每一维特征属性数据都减去该维的均值,使变换后得到的矩阵B的每一维均值都变为0;
步骤6.2计算矩阵B的协方差矩阵C;
步骤6.3计算协方差矩阵C的特征值和特征向量;
步骤6.4将特征值按照从大到小的顺序进行排序,选择其中最大的k个,然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵;
步骤6.5将样本点投影到选取的特征向量上,得到新的k维数据集。其中,k的选择依据为前k个特征值的和占所有特征值之和的比率
需要说明的是,PCA方法在求解时不需要考虑训练集中样本的类别信息,无论训练样本来自哪个类别,都会同等对待。所以在经过PCA特征空间变换后,不一定会对分类产生有利影响,甚至可能带来不利影响。因此,应根据实际问题的要求,提高选择k值,从而使映射后的新的k维数据尽多地包含原始数据信息,尽少地丢失对于分类有效的信息。
其中,在步骤7中所述的“对特征表示数据集进行划分处理”,其作法如下:对特征表示数据集按照3:1的比例,划分为训练集和测试集。训练集数据用于进行SVM建模,测试集数据用于进行退化状态识别模型的识别准确率测试。在此基础上,对每种故障模式特征数据选择相同的数量进入训练集与测试集,这样会使诊断准确率、误警率、漏警率成为评判故障诊断模型有效程度的指标。若样本分布过于不均匀,则用于评判故障诊断模型的常用指标缺失意义;
其中,在步骤7中所述的“SVM”,是指支持向量机模型,该模型是在统计学理论的基础上提出的一种分类器模型,可用于模式分类、线性以及非线性回归分析。支持向量机的原理是给定训练样本,建立一个分类超平面作为决策曲面,使样本正例和反例之间的隔离边缘最大化,完成样本的分类。
其中,在步骤8中所述的“GA”,是指遗传算法,该算法借鉴了达尔文生物进化论的自然选择思想和遗传学机理的自然遗传机制,模拟自然界中的生物从低级向高级进化的过程,是一种全局随机搜索算法。对于复杂的优化问题,只需要选择、交叉、变异三种遗传算子即可得到优解,并且使用这一算法求解优化问题与梯度信息无关,只需要目标函数是可以计算的;
其中,在步骤8中所述的“PSO”,是指粒子群优化算法,它是一种基于群体智能理论的优化算法,该算法具有自我学习和向他人学习的双重优点,可以在较少的迭代次数内找到最优解;
其中,在步骤8中所述的“采用GA-PSO优化算法对SVM的参数进行寻优求解”,其作法如下:以GA为基本框架,在对选择出的优秀个体的基础上进行PSO优化,使算法在保持良好的全局搜索能力的基础上,增强局部搜索的能力。以遗传算法的角度来看,相当于对优秀的样本继续进行优化,使得在一次迭代中,优秀个体得以两次不同算法的优化,使得父代与子代“共同进步”;以粒子群的角度来看,相当于保持了最优个体的信息,选择次优的个体进行交叉和遗传的操作,不够优秀的个体进行了变异操作,这样一方面保存了迭代过程中的好的记忆,使得种群的平均适应度向好的方向移动,另一方面,保证了种群的多样性,避免尽早地陷入局部最优值。该算法可以保持良好的记忆性,使得搜索速度加快,同时种群信息不断丰富,避免了信息的单向流动;
其中,在步骤9中所述的“使用优化的参数和训练集样本数据进行SVM模型学习”,其作法如下:
步骤9.1设已知训练集:T={(x1,y1),…,(xi,yi)}∈(X×Y)l
其中,xi为特征向量,yi为对应的属性值,xi∈X∈Rn,yi∈Y={-1,1},i=1,2,…,l;
步骤9.2选取GA-PSO优化的核函数g(x,x′)和惩罚参数C,构造并求解最优化问题:
使得
从而得到到最优解
步骤9.3选取α*的一个正分量0<α*<C,并据此计算阈值b*:
步骤9.4构造决策函数f(x):
步骤9.5根据决策函数f(x)的值输出类别。
在SVM训练完成后可以得到故障诊断模型。若设备发生故障时,该诊断模型可以通过电流信号对故障进行定位,并识别该故障所属的模式类别。
其中,在步骤10中所述的“使用测试集数据对故障诊断模型的诊断准确率进行验证”,其作法如下:通过测试集数据注入验证的方式对模型进行验证,对比故障模式的诊断结果与实际结果,获得到故障诊断准确率,进而判断诊断模型能否满足需求。
通过上述步骤,可以实现基于特征处理的复杂设备故障诊断方法,该方法以复杂设备为对象,首先,根据设备不同故障模式的故障特点,对工作电流信号进行智能分区的融合特征表示。然后,使用Fisher特征选择方法对融合特征进行筛选,保留利于进行故障诊断的特征,并结合PCA方法对筛选的特征进一步提取。最后,使用GA与PSO结合的GA-PSO优化算法得到SVM优化参数,并通过参数优化的SVM方法实现故障诊断分类器,完成对设备工作电流曲线的特征数的故障识别与分析。
(三)优点
本发明与现有技术相比的优点在于:目前,大部分关于复杂设备的故障诊断技术不能对设备采集的数据进行有效特征表示,造成输入诊断***的特征数据存在冗余和遗漏等问题。并且,针对诊断数据的训练技术操作时间较长、步骤较繁琐,实际应用效果较差。而本发明可以对设备采集的工作数据进行特征“融合-选择-提取”处理,获得有效表示设备故障特征的数据集。在数据集的基础上,采用GA与PSO的融合优化算法,快速、高效地获取故障诊断模型的优化参数,并通过SVM监督学习的方式得到故障诊断模型。
附图说明
图1为本发明的总体步骤流程。
图2为本发明的值域特征表示流程。
图3为本发明的遗传算法处理流程。
图4为本发明的粒子群算法处理流程。
图5为本发明的遗传-粒子群算法参数优化流程。
图6为本发明的生产支持向量机故障诊断模型的流程。
图7为本发明的故障诊断方法整体实现流程。
图中序号、符号、代号说明如下:
图1,7中的“Fisher”是指费希尔特方法,用于高维表示数据集的特征选择;
图1,7中的“PCA”是指主成分分析方法,用于高维表示数据集的特征提取;
图1,7中的“GA-PSO”是指遗传算法和粒子群优化算法结合的方法,用于支持向量机参数的优化;
图1,3,4,7中的“SVM”是指支持向量机,用于生成故障诊断模型;
图5中的“PSO”是指粒子群优化方法,用于支持向量机参数的优化。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图进行详细描述。
本发明提出了一种基于特征处理与支持向量机的复杂设备故障诊断方法,使用该方法能够对复杂设备的动作信号数据进行特征表示,获得特征表示数据集。在特征表示数据集的基础上,结合GA-PSO算法和SVM模型,通过监督学习机制得到故障诊断模型,用于设备的故障判断与识别。
本发明一种基于特征处理与支持向量机的复杂设备故障诊断方法,如图1所示,其具体实现步骤如下:
步骤一:按照合适的采样间隔对复杂设备的动作电流信号进行实时采集,获得设备的动作曲线数据,针对设备的正常模式和典型故障模式进行分析,总结各故障模式的故障类型、发生现象以及产生原因,找到设备动作电流曲线形态与道岔故障类型的对应关系;
步骤二:从时域角度对设备的动作电流曲线进行区段划分,分析设备进行不同动作的电流信号数据,得到动作的电流值域信息,根据电流域值信息对动作曲线的时域(x轴)对应设置时间分割点,这样可以将动作曲线的时域划分为不同区段,其中每个时域区段代表设备发生不同动作所持续的时间。区段划分完成后,使用时间作为自变量描述动作曲线数据的物理量,以最基本、最直观的表达方式反应设备各动作区段的工作状态。本发明将最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脉冲因子和裕度因子等作为时域特征参数。各特征参数的说明如下:
特征参数 | 详细说明 |
最大值 | 表示电流值的分布区间 |
最小值 | 表示电流值的分布区间 |
平均值 | 表示电流值的中心趋势 |
有效值 | 反应电流值的平均能量 |
方差值 | 描述电流值的平滑程度 |
均方差 | 描述电流值的平滑程度 |
峰峰值 | 表示电流值的最大波动情况 |
峭度值 | 表示对电流冲击信号的敏感程度 |
峰值因子 | 表示电流信号中是否存在冲击信号的指标 |
波形因子 | 反映电流信号的波动趋势,且与振幅无关 |
脉冲因子 | 表示对电流冲击脉冲类信号的敏感程度 |
裕度因子 | 表示电流信冲击脉冲信号的敏感,该参数可以减少偏差差异 |
将时间域所划分的各个区段都进行如上12种特征参数的采集,完成区段动作曲线的时间特征信息的提取工作;
步骤三:从值域角度对设备的动作曲线进行区段划分及特征参数的提取,其操作流程如图2所示。首先,将动作电流曲线向电流值域(y轴)进行投影,根据设备动作电流信号的采集精度对投影区间精度进行设定,这里为避免投影区间对分割电流值区域的影响,设定投影区间精度值与采集精度值一致。然后,对投影区间点数少于5点的零散电流值点置零,不计入统计,并根据设备的动作的电流值点对电流值域进行分段;最后,按照电流值域分段分析,提取各个区段的非零电流区域,并对这些区域以统计特征进行参数表示。本发明将总数、均值、极差、众数、方差、标准差、中值、平均绝对误差等作为统计特征参数,各特征参数的说明如下:
对每个区段进行上述8种特征参数的采集,完成区段动作曲线的电流值特征信息的提取工作;
步骤四:将设备动作的时间特征信息和电流值特征信息融合,构建对设备动作电流曲线的高维特征表示数据集。首先,对划分的各时域区段的12项特征信息进行汇总,构成多维时域特征向量。然后,对划分的各电流值域区段的8项特征信息进行汇总,构成多维电流值域特征向量。最后,对这两项多维特征向量进行融合作为设备动作电流曲线的高维特征表示集;
步骤五:使用Fisher方法对高维特征数据集进行特征选择,挑选出最具代表性、可分性能最好的特征,去掉模棱两可、不易判别的特征,从而降低特征表示集的维数。其具体操作为:首先,使用Fisher准则二类特征选择法,计算每一种典型故障模式与正常模式间准则函数值,第i类故障模式的设备动作电流曲线的第d维特征Fd的Fisher准则函数为:
这里,类间方差SB,d与类内方差SW,d分别定义为:
SB,d=(m1,d-mi,d)2 i=1,2,…n
这里,mi,d和σi,d分别是特征Fd在第i类中的均值与标准差。然后,确定特征选择标准,本发明采取“过半选择”的方式,即以该故障模式的Fisher准则函数值最大值的一半为标准,各维特征数据的Fisher准则函数值超过此标准的,则被选择,低于此标准,则被丢弃。最后,将选择出的特征数据结合在一起,形成利于区分典型故障模式的特征表示集合;
步骤六:使用PCA方法对设备的高维特征表示数据集进行特征提取,实现冗余信息的消除,进一步降低特征表示集的维数。其具体操作如下:
步骤6.1特征中心化。将高维特征表示数据集A中的每一维特征属性数据都减去该维的均值,使变换后得到的矩阵B的每一维均值都变为0;
步骤6.2计算矩阵B的协方差矩阵C;
步骤6.3计算协方差矩阵C的特征值和特征向量;
步骤6.4将特征值按照从大到小的顺序进行排序,选择其中最大的k个,然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵;
步骤6.5将样本点投影到选取的特征向量上,得到新的k维数据集。其中,k的选择依据为前k个特征值的和占所有特征值之和的比率。
需要说明的是,PCA方法在求解时不需要考虑训练集中样本的类别信息,无论训练样本来自哪个类别,都会将训练样本同等对待。在经过PCA特征空间变换后,不一定会对分类产生有利影响,甚至可能带来不利影响。因此,应该根据实际问题的要求,提高选择k值,从而使映射后的新的k维数据尽多地包含原始数据信息,尽少地丢失对于分类有效的信息;
步骤七:对特征表示数据集按照3:1的比例,划分为训练集和测试集。训练集数据用于SVM建模,测试集数据用于故障诊断模型的诊断准确率验证。在此基础上,每种故障模式选择相同的数量进入训练集与测试集,使诊断准确率、误警率、漏警率成为能够评判故障诊断模型有效程度的指标。若样本分布过于不均匀,则用于评判故障诊断模型的常用指标则缺失意义;
步骤八:在训练样本集的基础上,采用GA-PSO算法对SVM的参数进行寻优求解。GA算法是一种全局随机搜索算法,对于复杂的优化问题,只需要选择、交叉、变异三种遗传算子即可得到优化的解,且其求解优化问题与梯度信息无关,只需要目标函数即可,GA的处理流程如图3所示;PSO是一种基于群体智能理论的优化方法,该方法具有自我学***均适应度向好的方向移动,另一方面,保证了种群的多样性,避免尽早地陷入局部最优值。
步骤九:使用GA-PSO算法优化的参数和训练集样本数据进行SVM监督学习,得到故障诊断模型,其具体流程如图6所示,图中的“选定训练集与测试集”和“数据预处理”已在之前的“步骤四”至“步骤七”中完成。本步骤主要进行“训练模型”和“生成故障诊断模型”两部分,SVM的训练过程是以分类正确率为指标的监督学习过程,即寻找最优的分类面的过程。在训练中,惩罚函数c和核参数g会对SVM分类器的最优性能产生决定性的影响,本发明在“步骤八”中采用了GA-PSO方法完成这两种参数的优化工作,因此结合优化的参数和训练集样本数据,进行SVM监督学习的作法如下:
步骤9.1设已知训练集:T={(x1,y1),…,(xi,yi)}∈(X×Y)l
其中,xi为特征向量,yi为对应的属性值,xi∈X∈Rn,yi∈Y={-1,1},i=1,2,…,l;
步骤9.2选取GA-PSO优化的核函数g(x,x′)和惩罚参数C,构造并求解最优化问题:
使得
从而得到到最优解
步骤9.3选取α*的一个正分量0<α*<C,并据此计算阈值b*:
步骤9.4构造决策函数f(x):
步骤9.5根据决策函数f(x)的值输出类别。
在SVM训练完成后可以得到故障诊断模型。若设备发生故障时,该诊断模型可以通过电流信号对故障进行定位,并识别该故障所属的模式类别。而图6中的“诊断结果验证”会在下面“步骤十”中完成;
步骤十:使用测试集样本数据对故障诊断模型的诊断准确率进行验证,本发明采用测试集样本数据注入的方式验证模型,通过对比故障模式的诊断结果与实际结果得出诊断准确率,进而判断诊断模型能否满足需求。
通过上述步骤,可以实现一种基于特征处理的复杂设备故障诊断方法,其整体实现流程如图7所示。这一方法以复杂设备为对象,首先根据设备不同故障模式的故障特点,对工作电流信号进行智能分区的融合特征表示。然后使用Fisher特征选择方法对融合特征进行筛选,保留利于进行故障诊断的特征,并结合PCA方法对筛选的特征进一步提取。最后,使用GA与PSO结合的GA-PSO优化算法得到SVM优化参数,并通过参数优化的SVM方法实现故障诊断分类器,完成对设备工作电流曲线的特征数的故障识别与分析。
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种基于特征处理的复杂设备故障诊断方法,其特征在于:其步骤如下:
步骤1、按照合适的采样间隔对复杂设备的动作电流信号进行实时采集,获得设备的动作曲线数据,并分析动作电流曲线形态与设备故障类型对应的关系;
步骤2、从时域角度对设备的动作电流曲线进行区段划分,并提取各区段动作曲线数据的时间特征信息;
步骤3、从值域角度对设备的动作曲线进行区段划分,并提取各区段动作曲线数据的电流值特征信息;
步骤4、将设备动作的时间特征信息和电流值特征信息融合,构建设备动作电流曲线的高维特征表示数据集;
步骤5、使用Fisher方法对高维特征表示数据集进行特征选择,筛选出最具代表性、可分性能最好的特征,并剔除模棱两可、不易判别的特征,从而降低特征表示集的维数;
步骤6、使用PCA方法对高维特征表示数据集进行特征提取,消除冗余信息,进一步降低特征表示集的维数;
步骤7、对特征表示数据集进行划分处理,得到SVM训练样本集数据和测试样本集数据;
步骤8、在训练样本集的基础上,采用GA-PSO优化算法对SVM的参数进行寻优求解;
步骤9、使用优化的参数和训练集样本数据进行SVM监督学习,得到故障诊断模型;
步骤10、使用测试集数据对故障诊断模型的诊断准确率进行验证;
通过上述步骤,能实现基于特征处理的复杂设备故障诊断方法,该方法以复杂设备为对象,首先,根据设备不同故障模式的故障特点,对工作电流信号进行智能分区的融合特征表示;然后,使用Fisher特征选择方法对融合特征进行筛选,保留利于进行故障诊断的特征,并结合PCA方法对筛选的特征进一步提取;最后,使用GA与PSO结合的GA-PSO优化算法得到SVM优化参数,并通过参数优化的SVM方法实现故障诊断分类器,完成对设备工作电流曲线的特征数的故障识别与分析。
2.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤1中所述的“分析动作电流曲线形态与设备故障类型对应的关系”,其作法如下:对设备的正常模式和典型故障模式进行分析,总结各故障模式的故障类型、发生现象以及产生原因,查找设备动作电流曲线形态与道岔故障类型的对应关系,用于后续的故障诊断步骤。
3.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤2中所述的“从时域角度对设备的动作电流曲线进行区段划分,并提取各区段动作曲线数据的时间特征信息”,其作法如下:
所述的“从时域角度对设备的动作曲线进行区段划分”,其具体作法如下:分析设备进行不同动作的电流信号数据,得到动作的电流值域信息,根据电流域值信息对动作曲线的时域即x轴对应设置时间分割点,这样将动作曲线的时域划分为不同区段,每个时域区段代表设备发生不同动作所持续的时间;
所述的“提取各区段动作曲线数据的时间特征信息”,其具体作法如下:使用时间作为自变量描述动作曲线数据的物理量,以最基本、最直观的表达方式反应设备各动作区段的工作状态;本发明将最大值、最小值、平均值、方差值、有效值、均方差、峰峰值、峭度值、峰值因子、波形因子、脉冲因子和裕度因子作为时域特征参数,将时间域所划分的各个区段都进行如上12种特征参数的采集。
4.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤3中所述的“从值域角度对设备的动作曲线进行区段划分”,其作法如下:首先,将动作电流曲线向电流值域即y轴进行投影,根据设备动作电流信号的采集精度对投影区间精度进行设定,这里为避免投影区间对分割电流值区域的影响,设定投影区间精度值与采集精度值一致;然后,对投影区间点数少于5点的零散电流值点置零,不计入统计;最后,根据设备的动作的电流信息对电流值域进行分段;
在步骤3中所述的“提取各区段动作曲线数据的电流值特征信息”,其作法如下:按照电流值域分段分析,提取各个区段的非零电流区域,并对这些区域以统计特征进行参数表示;本发明将总数、均值、极差、众数、方差、标准差、中值、平均绝对误差作为统计特征参数,对每个区段进行上述8种特征参数的采集,以表示设备的动作电流特征。
5.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤4中所述的“将设备动作的时间特征信息和电流值特征信息融合”,其作法如下:首先,对划分的各时域区段的12项特征信息进行汇总,构成多维时域特征向量;然后,对划分的各电流值域区段的8项特征信息进行汇总,构成多维电流值域特征向量;最后,对这两项多维特征向量进行融合作为设备动作电流曲线的高维特征表示集。
6.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤5中所述的“Fisher方法”,是指一种经典的二类特征选择方法,该方法将各个特征表示值的类间距离与类内距离的比值作为Fisher准则函数,函数值越大,则表示该项特征对于分类识别的鉴别性能越强;使用单个特征的Fisher准则函数,对特征排序并选择出鉴别性能较强的特征,能形成新的低维特征表示集,实现特征降维的目的;
在步骤5中所述的“使用Fisher方法对高维特征表示集数据进行特征选择”,其作法如下:首先,使用Fisher准则二类特征选择法,计算每一种典型故障模式与正常模式间准则函数值,第i类故障模式的设备动作电流曲线的第d维特征Fd的Fisher准则函数为:
<mrow>
<msub>
<mi>J</mi>
<mi>F</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mrow>
<mi>B</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mi>m</mi>
</mrow>
这里,类间方差SB,d与类内方差SW,d分别定义为:
SB,d=(m1,d-mi,d)2 i=1,2,…n
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>W</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>d</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>d</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mi>n</mi>
</mrow>
这里,mi,d和σi,d分别是特征Fd在第i类中的均值与标准差;然后,确定特征选择标准,本发明采取“过半选择”的方式,即以该故障模式的Fisher准则函数值最大值的一半为标准,各维特征数据的Fisher准则函数值超过此标准的,则被选择,低于此标准,则被丢弃;最后,将选择出的特征数据结合在一起,形成利于区分典型故障模式的特征表示集合。
7.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤6中所述的“PCA方法”,是指一种特征提取方法,可用于数据降维,并找到数据中有效并且重要的元素与结构;PCA方法的主要目的是使用较少的变量去解释原数据中的大部分变量,并保证原数据的信息损失最小;
在步骤6中所述的“使用PCA方法对高维特征表示数据集进行特征提取”,其作法如下:
步骤6.1特征中心化;将高维特征表示数据集A中的每一维特征属性数据都减去该维的均值,使变换后得到的矩阵B的每一维均值都变为0;
步骤6.2计算矩阵B的协方差矩阵C;
步骤6.3计算协方差矩阵C的特征值和特征向量;
步骤6.4将特征值按照从大到小的顺序进行排序,选择其中最大的k个,然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵;
步骤6.5将样本点投影到选取的特征向量上,得到新的k维数据集,其中,k的选择依据为前k个特征值的和占所有特征值之和的比率;
需要说明的是,PCA方法在求解时不需要考虑训练集中样本的类别信息,无论训练样本来自哪个类别,都会同等对待;所以在经过PCA特征空间变换后,不一定会对分类产生有利影响,甚至可能带来不利影响;因此,应根据实际问题的要求,提高选择k值,从而使映射后的新的k维数据尽多地包含原始数据信息,尽少地丢失对于分类有效的信息。
8.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤7中所述的“对特征表示数据集进行划分处理”,其作法如下:对特征表示数据集按照3:1的比例,划分为训练集和测试集;训练集数据用于进行SVM建模,测试集数据用于进行退化状态识别模型的识别准确率测试;在此基础上,对每种故障模式特征数据选择相同的数量进入训练集与测试集,这样会使诊断准确率、误警率、漏警率成为评判故障诊断模型有效程度的指标;若样本分布过于不均匀,则用于评判故障诊断模型的常用指标缺失意义;
在步骤7中所述的“SVM”,是指支持向量机模型,该模型是在统计学理论的基础上提出的一种分类器模型,用于模式分类、线性以及非线性回归分析;支持向量机的原理是给定训练样本,建立一个分类超平面作为决策曲面,使样本正例和反例之间的隔离边缘最大化,完成样本的分类。
9.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤8中所述的“采用GA-PSO优化算法对SVM的参数进行寻优求解”,其作法如下:以GA为基本框架,在对选择出的优秀个体的基础上进行PSO优化,使算法在保持良好的全局搜索能力的基础上,增强局部搜索的能力;以遗传算法的角度来看,相当于对优秀的样本继续进行优化,使得在一次迭代中,优秀个体得以两次不同算法的优化,使得父代与子代“共同进步”;以粒子群的角度来看,相当于保持了最优个体的信息,选择次优的个体进行交叉和遗传的操作,不够优秀的个体进行了变异操作,这样一方面保存了迭代过程中的好的记忆,使得种群的平均适应度向好的方向移动,另一方面,保证了种群的多样性,避免尽早地陷入局部最优值;该算法能保持良好的记忆性,使得搜索速度加快,同时种群信息不断丰富,避免了信息的单向流动。
10.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤9中所述的“使用优化的参数和训练集样本数据进行SVM模型学习”,其作法如下:
步骤9.1设已知训练集:T={(x1,y1),…,(xi,yi)}∈(X×Y)l
其中,xi为特征向量,yi为对应的属性值,xi∈X∈Rn,yi∈Y={-1,1},i=1,2,…,l;
步骤9.2选取GA-PSO优化的核函数g(x,x′)和惩罚参数C,构造并求解最优化问题:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&infin;</mi>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>j</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
使得
从而得到到最优解
步骤9.3选取α*的一个正分量0<α*<C,并据此计算阈值b*:
<mrow>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤9.4构造决策函数f(x):
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mi>g</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
步骤9.5根据决策函数f(x)的值输出类别;
在SVM训练完成后能得到故障诊断模型;若设备发生故障时,该诊断模型能通过电流信号对故障进行定位,并识别该故障所属的模式类别。
11.根据权利要求1所述的一种基于特征处理的复杂设备故障诊断方法,其特征在于:
在步骤10中所述的“使用测试集数据对故障诊断模型的诊断准确率进行验证其作法如下:通过测试集数据注入验证的方式对模型进行验证,对比故障模式的诊断结果与实际结果,获得到故障诊断准确率,进而判断诊断模型能否满足需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710706030.8A CN107590506B (zh) | 2017-08-17 | 2017-08-17 | 一种基于特征处理的复杂设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710706030.8A CN107590506B (zh) | 2017-08-17 | 2017-08-17 | 一种基于特征处理的复杂设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590506A true CN107590506A (zh) | 2018-01-16 |
CN107590506B CN107590506B (zh) | 2018-06-15 |
Family
ID=61042214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710706030.8A Active CN107590506B (zh) | 2017-08-17 | 2017-08-17 | 一种基于特征处理的复杂设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590506B (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345284A (zh) * | 2018-03-06 | 2018-07-31 | 宁波大学 | 一种基于两变量块的质量相关故障检测方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与*** |
CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
CN109947080A (zh) * | 2019-03-21 | 2019-06-28 | 北京明略软件***有限公司 | 一种故障诊断的方法、装置、计算机存储介质及终端 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN110363208A (zh) * | 2018-04-09 | 2019-10-22 | 南瑞集团有限公司 | 一种多参数融合堆垛机轨道故障检测及预警方法 |
CN110441629A (zh) * | 2019-07-29 | 2019-11-12 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 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 |
WO2019232866A1 (zh) * | 2018-06-08 | 2019-12-12 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN110579709A (zh) * | 2019-08-30 | 2019-12-17 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
CN110674991A (zh) * | 2019-09-25 | 2020-01-10 | 国家能源集团谏壁发电厂 | 一种基于ocsvm的火电厂一次风机异常检测方法 |
CN110674725A (zh) * | 2019-09-20 | 2020-01-10 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN110717301A (zh) * | 2019-09-19 | 2020-01-21 | 中国石油大学(华东) | 一种基于支持向量机算法的流动单元信息分类识别方法 |
TWI684882B (zh) * | 2018-12-21 | 2020-02-11 | 帆宣系統科技股份有限公司 | 自動最佳化故障特徵產生方法 |
CN110824280A (zh) * | 2019-10-08 | 2020-02-21 | 西南交通大学 | 基于特征相似度的道岔健康状态的诊断方法与可视化方法 |
CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN110927243A (zh) * | 2019-12-09 | 2020-03-27 | 金陵科技学院 | 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动***故障诊断方法 |
CN111474475A (zh) * | 2020-03-22 | 2020-07-31 | 华南理工大学 | 一种电机故障诊断***及方法 |
CN111641384A (zh) * | 2020-04-28 | 2020-09-08 | 特变电工新疆新能源股份有限公司 | 光伏电站组串故障诊断方法、装置、设备及可读存储介质 |
CN111667355A (zh) * | 2020-05-29 | 2020-09-15 | 北京睿知图远科技有限公司 | 一种大数据分析方法与*** |
CN112084910A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法及*** |
CN112633345A (zh) * | 2020-12-17 | 2021-04-09 | 鄂尔多斯应用技术学院 | 一种基于多视图方法的采煤机数字字典的建立方法 |
CN112650200A (zh) * | 2020-12-25 | 2021-04-13 | 中能融安(北京)科技有限公司 | 一种设备故障的诊断方法及诊断装置 |
CN113049749A (zh) * | 2021-03-12 | 2021-06-29 | 中国农业大学 | 一种电子鼻检测*** |
CN113361324A (zh) * | 2021-04-25 | 2021-09-07 | 杭州玖欣物联科技有限公司 | 一种基于lstm的电机电流异常检测方法 |
CN113484662A (zh) * | 2021-06-02 | 2021-10-08 | 青岛鼎信通讯股份有限公司 | 一种故障指示器启动录波方法 |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN113641990A (zh) * | 2021-06-21 | 2021-11-12 | 上海电力大学 | 一种基于多新息扩展卡尔曼滤波的入侵检测方法 |
WO2022012083A1 (zh) * | 2020-07-16 | 2022-01-20 | 中广核核电运营有限公司 | 文丘里管故障修正方法、装置、计算机设备和存储介质 |
CN114021602A (zh) * | 2021-10-14 | 2022-02-08 | 北京和利时***集成有限公司 | 一种转辙机故障诊断模型中数据处理方法和*** |
CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
CN116881700A (zh) * | 2023-07-19 | 2023-10-13 | 中国人民解放军总参谋部第六十研究所 | 一种基于随机游走和机器学习的故障诊断方法 |
CN117871994A (zh) * | 2023-12-22 | 2024-04-12 | 湖南奕坤科技有限公司 | 一种用于plc电柜的快速故障检测方法及*** |
CN117932322A (zh) * | 2024-03-22 | 2024-04-26 | 山东冠县鑫恒祥面业有限公司 | 一种面粉设备故障诊断方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060195248A1 (en) * | 2005-02-14 | 2006-08-31 | Honeywell International, Inc. | Fault detection system and method for turbine engine fuel systems |
CN101814114A (zh) * | 2010-01-07 | 2010-08-25 | 北京航空航天大学 | 一种利用模型转换进行故障诊断的方法 |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
CN104506137A (zh) * | 2014-11-26 | 2015-04-08 | 北京金鸿泰科技有限公司 | 一种设备故障诊断方法和装置 |
CN105550700A (zh) * | 2015-12-08 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
CN106844194A (zh) * | 2016-12-21 | 2017-06-13 | 北京航空航天大学 | 一种多层次软件故障诊断专家***的构建方法 |
-
2017
- 2017-08-17 CN CN201710706030.8A patent/CN107590506B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060195248A1 (en) * | 2005-02-14 | 2006-08-31 | Honeywell International, Inc. | Fault detection system and method for turbine engine fuel systems |
CN101814114A (zh) * | 2010-01-07 | 2010-08-25 | 北京航空航天大学 | 一种利用模型转换进行故障诊断的方法 |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
CN104506137A (zh) * | 2014-11-26 | 2015-04-08 | 北京金鸿泰科技有限公司 | 一种设备故障诊断方法和装置 |
CN105550700A (zh) * | 2015-12-08 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
CN106844194A (zh) * | 2016-12-21 | 2017-06-13 | 北京航空航天大学 | 一种多层次软件故障诊断专家***的构建方法 |
Non-Patent Citations (5)
Title |
---|
YANG SHUNKUN 等: "Model-based robustness testing for avionics-embedded software", 《中国航空学报(英文版)》 * |
何鑫 等: "基于FMEA/FTA的嵌入式软件故障诊断模型与应用", 《计算机测量与控制》 * |
卢海涛 等: "综合航空电子***故障诊断与健康管理技术发展", 《电光与控制》 * |
程宇佳: "基于核方法的高速铁路道岔故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈友东 等: "基于CBR的数控设备故障诊断***知识表示", 《北京航空航天大学学报》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345284A (zh) * | 2018-03-06 | 2018-07-31 | 宁波大学 | 一种基于两变量块的质量相关故障检测方法 |
CN108345284B (zh) * | 2018-03-06 | 2020-06-16 | 宁波大学 | 一种基于两变量块的质量相关故障检测方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与*** |
CN110363208A (zh) * | 2018-04-09 | 2019-10-22 | 南瑞集团有限公司 | 一种多参数融合堆垛机轨道故障检测及预警方法 |
CN110363208B (zh) * | 2018-04-09 | 2022-08-12 | 南瑞集团有限公司 | 一种多参数融合堆垛机轨道故障检测及预警方法 |
WO2019232866A1 (zh) * | 2018-06-08 | 2019-12-12 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN108985279A (zh) * | 2018-08-28 | 2018-12-11 | 上海仁童电子科技有限公司 | 多功能车辆总线mvb波形的故障诊断方法及装置 |
TWI684882B (zh) * | 2018-12-21 | 2020-02-11 | 帆宣系統科技股份有限公司 | 自動最佳化故障特徵產生方法 |
CN109947080A (zh) * | 2019-03-21 | 2019-06-28 | 北京明略软件***有限公司 | 一种故障诊断的方法、装置、计算机存储介质及终端 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 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 |
CN110441629B (zh) * | 2019-07-29 | 2022-02-15 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
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 |
CN110441629A (zh) * | 2019-07-29 | 2019-11-12 | 交控科技股份有限公司 | 基于道岔转辙机动作电流曲线的故障诊断方法及装置 |
CN110579709A (zh) * | 2019-08-30 | 2019-12-17 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
CN110717301A (zh) * | 2019-09-19 | 2020-01-21 | 中国石油大学(华东) | 一种基于支持向量机算法的流动单元信息分类识别方法 |
CN110674725B (zh) * | 2019-09-20 | 2022-06-03 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN110674725A (zh) * | 2019-09-20 | 2020-01-10 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN110674991A (zh) * | 2019-09-25 | 2020-01-10 | 国家能源集团谏壁发电厂 | 一种基于ocsvm的火电厂一次风机异常检测方法 |
CN110824280A (zh) * | 2019-10-08 | 2020-02-21 | 西南交通大学 | 基于特征相似度的道岔健康状态的诊断方法与可视化方法 |
CN110824280B (zh) * | 2019-10-08 | 2021-08-17 | 西南交通大学 | 基于特征相似度的道岔健康状态的诊断方法与可视化方法 |
CN110866502B (zh) * | 2019-11-19 | 2023-02-14 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
CN110927243A (zh) * | 2019-12-09 | 2020-03-27 | 金陵科技学院 | 一种基于PCA-Kmeans算法的冷轧带钢故障诊断优化方法 |
CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动***故障诊断方法 |
CN111307453B (zh) * | 2020-03-20 | 2021-11-12 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动***故障诊断方法 |
CN111474475B (zh) * | 2020-03-22 | 2021-06-08 | 华南理工大学 | 一种电机故障诊断***及方法 |
CN111474475A (zh) * | 2020-03-22 | 2020-07-31 | 华南理工大学 | 一种电机故障诊断***及方法 |
CN113537519B (zh) * | 2020-04-10 | 2024-05-24 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN111641384A (zh) * | 2020-04-28 | 2020-09-08 | 特变电工新疆新能源股份有限公司 | 光伏电站组串故障诊断方法、装置、设备及可读存储介质 |
CN111667355A (zh) * | 2020-05-29 | 2020-09-15 | 北京睿知图远科技有限公司 | 一种大数据分析方法与*** |
WO2022012083A1 (zh) * | 2020-07-16 | 2022-01-20 | 中广核核电运营有限公司 | 文丘里管故障修正方法、装置、计算机设备和存储介质 |
CN112084910A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法及*** |
CN112633345A (zh) * | 2020-12-17 | 2021-04-09 | 鄂尔多斯应用技术学院 | 一种基于多视图方法的采煤机数字字典的建立方法 |
CN112650200A (zh) * | 2020-12-25 | 2021-04-13 | 中能融安(北京)科技有限公司 | 一种设备故障的诊断方法及诊断装置 |
CN113049749A (zh) * | 2021-03-12 | 2021-06-29 | 中国农业大学 | 一种电子鼻检测*** |
CN113361324A (zh) * | 2021-04-25 | 2021-09-07 | 杭州玖欣物联科技有限公司 | 一种基于lstm的电机电流异常检测方法 |
CN113484662A (zh) * | 2021-06-02 | 2021-10-08 | 青岛鼎信通讯股份有限公司 | 一种故障指示器启动录波方法 |
CN113641990A (zh) * | 2021-06-21 | 2021-11-12 | 上海电力大学 | 一种基于多新息扩展卡尔曼滤波的入侵检测方法 |
CN114021602A (zh) * | 2021-10-14 | 2022-02-08 | 北京和利时***集成有限公司 | 一种转辙机故障诊断模型中数据处理方法和*** |
CN114021671B (zh) * | 2022-01-05 | 2022-04-05 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和*** |
CN116881700A (zh) * | 2023-07-19 | 2023-10-13 | 中国人民解放军总参谋部第六十研究所 | 一种基于随机游走和机器学习的故障诊断方法 |
CN117871994A (zh) * | 2023-12-22 | 2024-04-12 | 湖南奕坤科技有限公司 | 一种用于plc电柜的快速故障检测方法及*** |
CN117932322A (zh) * | 2024-03-22 | 2024-04-26 | 山东冠县鑫恒祥面业有限公司 | 一种面粉设备故障诊断方法及*** |
CN117932322B (zh) * | 2024-03-22 | 2024-06-04 | 山东冠县鑫恒祥面业有限公司 | 一种面粉设备故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107590506B (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590506A (zh) | 一种基于特征处理的复杂设备故障诊断方法 | |
He et al. | An end-to-end steel surface defect detection approach via fusing multiple hierarchical features | |
CN111753985B (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
CN105243276B (zh) | 一种建筑物震害分析方法 | |
Nosofsky | Exemplar-based approach to relating categorization, identification, and recognition | |
US6052481A (en) | Automatic method for scoring and clustering prototypes of handwritten stroke-based data | |
CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
CN111046931A (zh) | 一种基于随机森林的道岔故障诊断方法 | |
CN109948647A (zh) | 一种基于深度残差网络的心电图分类方法及*** | |
CN110163258A (zh) | 一种基于语义属性注意力重分配机制的零样本学习方法及*** | |
CN109190665A (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
Alsmadi et al. | A hybrid memetic algorithm with back-propagation classifier for fish classification based on robust features extraction from PLGF and shape measurements | |
CN106202952A (zh) | 一种基于机器学习的帕金森疾病诊断方法 | |
CN106056059B (zh) | 多方向slgs特征描述及性能云加权融合的人脸识别方法 | |
CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测***及方法 | |
CN102682089A (zh) | 一种利用鉴别随机邻域嵌入分析的数据降维方法 | |
CN112364756A (zh) | 一种基于天牛须和随机森林的gis故障分类方法 | |
CN113376516A (zh) | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 | |
CN108154924A (zh) | 基于支持向量机的阿尔茨海默症特征分类方法及*** | |
CN110263867A (zh) | 一种钢轨伤损分类方法 | |
CN107016377A (zh) | 基于sgasen算法的人脸识别优化方法 | |
CN114970643A (zh) | 一种基于umap降维算法的高速电主轴故障识别方法 | |
Kamada et al. | An object detection by using adaptive structural learning of deep belief network | |
CN106529470A (zh) | 一种基于多级深度卷积神经网络的手势识别方法 | |
Yuan et al. | Improved random forest classification approach based on hybrid clustering selection |
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 |