一種基於設備工況的故障診斷方法及裝置製造方法
2023-10-26 16:57:47 4
一種基於設備工況的故障診斷方法及裝置製造方法
【專利摘要】本發明涉及一種基於設備工況的故障診斷方法及裝置，其中，該方法包括：對設備的未知樣本的診斷數據進行特徵提取；根據所述診斷數據的特徵判斷設備的故障是否直接識別；若直接識別故障，則直接對設備進行故障診斷識別；否則，則根據設備的行為參數進行工況識別和分類；利用工況分類結果和所述診斷數據的特徵，通過Q-矩陣獲得每種設備工況對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別；其中，所述Q-矩陣表示不同的工況類型與最優診斷算法之間對應關係。
【專利說明】一種基於設備工況的故障診斷方法及裝置
【技術領域】
[0001] 本發明涉及設備故障診斷領域，特別涉及一種基於設備工況的故障診斷方法及裝 置。
【背景技術】
[0002] 設備故障診斷是一種了解掌握設備狀態、早期發現故障、以及能預報故障發展趨 勢的技術。隨著生產與科學技術的發展，設備的工作強度不斷增大，生產自動化程度越來越 高，同時設備更加複雜、各部分的關聯更加密切。一個微小故障就有可能導致整個設備乃至 整條"設備鏈"遭受災難性的毀壞，不僅造成巨大的經濟損失，而且會危及人身安全。因此， 設備故障診斷技術發揮日益重要的作用，它能及時診斷出設備的故障，以減少維修時間，提 高維修質量，節約維修費用。
[0003] 當前，國內外診斷算法比較完備，診斷技術也比較先進，但是依然存在大量的誤報 警的問題。主要原因在於：設備在不同的工況下表現出來的故障形式和特點各異，僅用一種 診斷算法不能夠準確、高效地診斷出所有類型的故障。當前設備故障診斷髮展迅速，湧現出 許多診斷算法，但每種算法都有其適用的範圍。比如：支持向量機（SVM)在小樣本、非線性 和高維模式識別時優勢明顯，且能得到全局最優解，但訓練算法速度慢、算法複雜、檢測階 段運算量大；模糊C均值聚類（FCM)計算速度快、無需先驗知識，但抗噪能力不強、不一定得 到全局最優解；BP神經網絡擁有強大的學習、並行處理和良好容錯的能力、可能得到局部 最優解，但需求的訓練樣本多、訓練時間長。因此，克服傳統診斷方法中忽視工況變化對診 斷的影響，根據工況變化而自適應地調整診斷方法具有重要的研究意義。
【發明內容】
[0004] 為解決上述技術問題，本發明提出一種基於設備工況的故障診斷方法及裝置，設 備在不同的工況下表現出來的故障形式和特點各異，針對不同的工況下的故障應該選用不 同的診斷算法進行診斷，達到提高診斷準確率的目的。
[0005] 為實現上述目的，本發明提供了一種基於設備工況的故障診斷方法，該方法包 括：
[0006] 對設備的未知樣本的診斷數據進行特徵提取；
[0007] 根據所述診斷數據的特徵判斷設備的故障是否直接識別；若直接識別故障，則直 接對設備進行故障診斷識別；否則，則根據設備的行為參數進行工況識別和分類；
[0008] 利用工況分類結果和所述診斷數據的特徵，通過Q-矩陣獲得每種設備工況對應 的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別；其中，所述Q-矩陣表 示不同的工況類型與最優診斷算法之間對應關係。
[0009] 優選地，所述Q-矩陣的建立方法包括：
[0010] 已知樣本中的診斷數據和行為參數進行特徵提取；
[0011] 將所述行為參數的特徵進行工況識別，獲得所述已知樣本的工況類型；
[0012] 利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本的工況類型進行診 斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計得出數據樣本各種 工況對應每種算法的診斷精度；
[0013] 選出診斷精度最高的算法作為該工況的最優診斷算法，建立不同的工況類型對應 最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0014] 優選地，所述算法庫中的算法包括：支持向量機算法、BP神經網絡和模糊C均值聚 類算法。
[0015] 對應地，為實現上述目的，本發明還提供了一種基於設備工況的故障診斷裝置，該 裝置包括：
[0016] 未知樣本特徵提取單元，用於對設備的未知樣本的診斷數據進行特徵提取；
[0017] 第一故障診斷單元，用於根據所述診斷數據的特徵判斷設備的故障是否直接識 另IJ ;若直接識別故障，則直接對設備進行故障診斷識別；否則，則根據設備的行為參數進行 工況分類；
[0018] 第二故障診斷單元，用於利用工況分類結果和所述診斷數據的特徵，通過Q-矩陣 獲得每種設備工況對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識 另IJ ;其中，所述Q-矩陣表示不同的工況類型與最優診斷算法之間對應關係。
[0019] 優選地，所述第二故障診斷單元包括：
[0020] 已知樣本特徵提取模塊，用於已知樣本中的診斷數據和行為參數進行特徵提取；
[0021] 已知樣本工況識別模塊，用於將所述行為參數的特徵進行工況識別，獲得所述已 知樣本的工況類型；
[0022] 診斷精度獲取模塊，用於利用所述診斷數據的特徵，算法庫中的所有算法對已知 樣本的工況類型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況 統計得出數據樣本各種工況對應每種算法的診斷精度；
[0023] Q-矩陣建立模塊，用於選出診斷精度最高的算法作為該工況的最優診斷算法，建 立不同的工況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0024] 優選地，所述診斷精度獲取模塊使用的算法庫內的算法包括：支持向量機算法、BP 神經網絡和模糊C均值聚類算法。
[0025] 優選地，所述第二故障診斷單元還包括診斷模塊；
[0026] 所述診斷模塊，用於利用所述Q-矩陣建立模塊建立的Q-矩陣獲得每種設備工況 對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別。
[0027] 為實現上述目的，基於上述技術方案，本發明提供了一種Q-矩陣建立方法，所述 Q-矩陣表示不同的工況類型與最優診斷算法之間對應關係；包括：
[0028] 已知樣本中的診斷數據和行為參數進行特徵提取；
[0029] 將所述行為參數的特徵進行工況識別，獲得所述已知樣本的工況類型；
[0030] 利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本的工況類型進行診 斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計得出數據樣本各種 工況對應每種算法的診斷精度；
[0031] 選出診斷精度最高的算法作為該工況的最優診斷算法，建立不同的工況類型對應 最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0032] 優選地，所述算法庫中的算法包括：支持向量機算法、BP神經網絡和模糊C均值聚 類算法。
[0033] 對應地，為實現上述目的，本發明還提供了一種Q-矩陣建立裝置，所述Q-矩陣表 示不同的工況類型與最優診斷算法之間對應關係；該裝置包括：
[0034] 已知樣本特徵提取單元，用於已知樣本中的診斷數據和行為參數進行特徵提取；
[0035] 已知樣本工況識別單元，用於將所述行為參數的特徵進行工況識別，獲得所述已 知樣本的工況類型；
[0036] 診斷精度獲取單元，用於利用所述診斷數據的特徵，算法庫中的所有算法對已知 樣本的工況類型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況 統計得出數據樣本各種工況對應每種算法的診斷精度；
[0037] Q-矩陣建立單元，用於選出診斷精度最高的算法作為該工況的最優診斷算法，建 立不同的工況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0038] 上述技術方案具有如下有益效果：本技術方案提取不同工況下已知樣本的特徵， 構建算法庫，分別對診斷算法庫中的算法進行訓練，獲得不同工況下的各算法的診斷識別 準確率，選出識別準確率最高的算法作為不同工況下對應的診斷算法，構建Q-矩陣。利用 Q-矩陣識別未知樣本工況，在不同工況下，故障診斷選用準確率高的診斷算法進行診斷，有 效提高設備故障診斷準確率，在設備故障診斷領域有重要意義。
【專利附圖】
【附圖說明】
[0039] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以 根據這些附圖獲得其他的附圖。
[0040] 圖1為本發明技術方案的工作原理示意圖；
[0041] 圖2為本發明提出的一種基於設備工況的故障診斷方法流程圖；
[0042] 圖3為本發明提出的一種基於設備工況的故障診斷裝置框圖；
[0043] 圖4為本發明提出的一種Q-矩陣建立方法流程圖；
[0044] 圖5為本發明提出的一種Q-矩陣建立裝置框圖；
[0045] 圖6為本實施例一的故障模式數據仿真結果示意圖；
[0046] 圖7為本實施例一的Q-矩陣示意圖；
[0047] 圖8為本實施例一的利用圖7獲得的診斷結果示意圖；
[0048] 圖9為本實施例二的實驗方案示意圖；
[0049] 圖10為本實施例二的Q-矩陣示意圖；
[0050] 圖11為本實施例二的利用圖10獲得的診斷結果示意圖。
【具體實施方式】
[0051] 下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於 本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬於本發明保護的範圍。
[0052] 如圖1所示，本技術方案的工作原理是：首先，選擇支持向量機（SVM)、BP神經網絡 和模糊C均值聚類（FCM)算法組建算法庫。然後利用已知樣本的診斷數據和行為參數對算 法庫進行訓練，構建Q-矩陣。該Q-矩陣表示不同的工況類型與最優診斷算法之間對應關 系。再對未知樣本進行工況識別，並對未知樣本的診斷數據進行特徵提取，利用未知樣本的 工況分類結果和診斷數據的特徵，通過Q-矩陣獲得每種設備工況對應的最優診斷算法，最 終完成設備的故障診斷識別。其中，Q-矩陣也亦可以稱為工況算法優選原則。
[0053] 基於上述工作原理，本發明提出的一種基於設備工況的故障診斷方法，如圖2所 示。該方法包括：
[0054] 步驟201):對設備的未知樣本的診斷數據進行特徵提取；
[0055] 步驟202):根據所述診斷數據的特徵判斷設備的故障是否直接識別；若直接識別 故障，則直接對設備進行故障診斷識別；否則，則根據設備的行為參數進行工況分類；
[0056] 步驟203):利用工況分類結果和所述診斷數據的特徵，通過Q-矩陣獲得每種設 備工況對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別；其中，所述 Q-矩陣表示不同的工況類型與最優診斷算法之間對應關係。
[0057] 優選地，所述Q-矩陣的建立方法包括：
[0058] 已知樣本中的診斷數據和行為參數進行特徵提取；
[0059] 將所述行為參數的特徵進行工況識別，獲得所述已知樣本的工況類型；
[0060] 利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本的工況類型進行診 斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計得出數據樣本各種 工況對應每種算法的診斷精度；
[0061] 選出診斷精度最高的算法作為該工況的最優診斷算法，建立不同的工況類型對應 最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0062] 優選地，所述算法庫中的算法包括：支持向量機算法、BP神經網絡和模糊C均值聚 類算法。
[0063] 如圖3所示，為本發明提出的一種基於設備工況的故障診斷裝置框圖。該裝置包 括：
[0064] 未知樣本特徵提取單元301，用於對設備的未知樣本的診斷數據進行特徵提取； [0065] 第一故障診斷單元302,用於根據所述診斷數據的特徵判斷設備的故障是否直接 識別；若直接識別故障，則直接對設備進行故障診斷識別；否則，則根據設備的行為參數進 行工況分類；
[0066] 第二故障診斷單元303,用於利用工況分類結果和所述診斷數據的特徵，通過 Q-矩陣獲得每種設備工況對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診 斷識別；其中，所述Q-矩陣表示不同的工況類型與最優診斷算法之間對應關係。
[0067] 優選地，所述第二故障診斷單元303包括：
[0068] 已知樣本特徵提取模塊，用於已知樣本中的診斷數據和行為參數進行特徵提取； [0069] 已知樣本工況識別模塊，用於將所述行為參數的特徵進行工況識別，獲得所述已 知樣本的工況類型；
[0070] 診斷精度獲取模塊，用於利用所述診斷數據的特徵，算法庫中的所有算法對已知 樣本的工況類型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況 統計得出數據樣本各種工況對應每種算法的診斷精度；
[0071] Q-矩陣建立模塊，用於選出診斷精度最高的算法作為該工況的最優診斷算法，建 立不同的工況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0072] 優選地，所述診斷精度獲取模塊使用的算法庫內的算法包括：支持向量機算法、BP 神經網絡和模糊C均值聚類算法。
[0073] 優選地，所述第二故障診斷單元303還包括診斷模塊；
[0074] 所述診斷模塊，用於利用所述Q-矩陣建立模塊建立的Q-矩陣獲得每種設備工況 對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別。
[0075] 如圖4所示，為本發明提出的一種Q-矩陣建立方法流程圖。所述Q-矩陣表示不 同的工況類型與最優診斷算法之間對應關係；包括：
[0076] 步驟401):已知樣本中的診斷數據和行為參數進行特徵提取；
[0077] 步驟402):將所述行為參數的特徵進行工況識別，獲得所述已知樣本的工況類 型；
[0078] 步驟403):利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本的工況類 型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計得出數據 樣本各種工況對應每種算法的診斷精度；
[0079] 步驟404):選出診斷精度最高的算法作為該工況的最優診斷算法，建立不同的工 況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0080] 優選地，所述算法庫中的算法包括：支持向量機算法、BP神經網絡和模糊C均值聚 類算法。
[0081] 如圖5所示，為本發明提出的一種Q-矩陣建立裝置框圖。所述Q-矩陣表示不同 的工況類型與最優診斷算法之間對應關係；該裝置包括：
[0082] 已知樣本特徵提取單元501，用於已知樣本中的診斷數據和行為參數進行特徵提 取；
[0083] 已知樣本工況識別單元502,用於將所述行為參數的特徵進行工況識別，獲得所述 已知樣本的工況類型；
[0084] 診斷精度獲取單元503，用於利用所述診斷數據的特徵，算法庫中的所有算法對已 知樣本的工況類型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情 況統計得出數據樣本各種工況對應每種算法的診斷精度；
[0085] Q-矩陣建立單元504,用於選出診斷精度最高的算法作為該工況的最優診斷算 法，建立不同的工況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
[0086] 如圖6所示，為本實施例的故障模式數據仿真結果示意圖。構建5個多元正態分 布，以此作為仿真數據的工況。對工況數據進行一定規則的變換，使得每種工況下獲得4種 故障類型數據。每種故障類型數據樣本分為1〇〇個。具體的構造規則如下：
[0087] 多元正態分布定義如式⑴：設隨機向量X = (Xp x2,…，xp) ' , - 00 <Xi〈+ °°，若 其的密度函數為：
[0088]
【權利要求】
1. 一種基於設備工況的故障診斷方法，其特徵在於，該方法包括： 對設備的未知樣本的診斷數據進行特徵提取； 根據所述診斷數據的特徵判斷設備的故障是否直接識別；若直接識別故障，則直接對 設備進行故障診斷識別；否則，則根據設備的行為參數進行工況分類； 利用工況分類結果和所述診斷數據的特徵，通過Q-矩陣獲得每種設備工況對應的最 優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別；其中，所述Q-矩陣表示不 同的工況類型與最優診斷算法之間對應關係。
2. 如權利要求1所述的方法，其特徵在於，所述Q-矩陣的建立方法包括： 已知樣本中的診斷數據和行為參數進行特徵提取； 將所述行為參數的特徵進行工況識別，獲得所述已知樣本的工況類型； 利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本的工況類型進行診斷，得 到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計得出數據樣本各種工況對 應每種算法的診斷精度； 選出診斷精度最高的算法作為該工況的最優診斷算法，建立不同的工況類型對應最優 診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
3. 如權利要求2所述的方法，其特徵在於，所述算法庫中的算法包括：支持向量機算 法、BP神經網絡和模糊C均值聚類算法。
4. 一種基於設備工況的故障診斷裝置，其特徵在於，該裝置包括： 未知樣本特徵提取單元，用於對設備的未知樣本的診斷數據進行特徵提取； 第一故障診斷單元，用於根據所述診斷數據的特徵判斷設備的故障是否直接識別；若 直接識別故障，則直接對設備進行故障診斷識別；否則，則根據設備的行為參數進行工況分 類； 第二故障診斷單元，用於利用工況分類結果和所述診斷數據的特徵，通過Q-矩陣獲得 每個設備工況對應的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別；其 中，所述Q-矩陣表示不同的工況類型與最優診斷算法之間對應關係。
5. 如權利要求4所述的裝置，其特徵在於，所述第二故障診斷單元包括： 已知樣本特徵提取模塊，用於已知樣本中的診斷數據和行為參數進行特徵提取； 已知樣本工況識別模塊，用於將所述行為參數的特徵進行工況識別，獲得所述已知樣 本的工況類型； 診斷精度獲取模塊，用於利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本 的工況類型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計 得出數據樣本各種工況對應每種算法的診斷精度； Q-矩陣建立模塊，用於選出診斷精度最高的算法作為該工況的最優診斷算法，建立不 同的工況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
6. 如權利要求5所述的裝置，其特徵在於，所述診斷精度獲取模塊使用的算法庫內的 算法包括：支持向量機算法、BP神經網絡和模糊C均值聚類算法。
7. 如權利要求5所述的裝置，其特徵在於，所述第二故障診斷單元還包括診斷模塊； 所述診斷模塊，用於利用所述Q-矩陣建立模塊建立的Q-矩陣獲得每個設備工況對應 的最優診斷算法，根據所述最優診斷算法對設備進行故障診斷識別。
8. -種Q-矩陣建立方法，其特徵在於，所述Q-矩陣表示不同的工況類型與最優診斷算 法之間對應關係；包括： 已知樣本中的診斷數據和行為參數進行特徵提取； 將所述行為參數的特徵進行工況識別，獲得所述已知樣本的工況類型； 利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本的工況類型進行診斷，得 到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計得出數據樣本各種工況對 應每種算法的診斷精度； 選出診斷精度最高的算法作為該工況的最優診斷算法，建立不同的工況類型對應最優 診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
9. 如權利要求8所述的方法，其特徵在於，所述算法庫中的算法包括：支持向量機算 法、BP神經網絡和模糊C均值聚類算法。
10. -種Q-矩陣建立裝置，其特徵在於，所述Q-矩陣表示不同的工況類型與最優診斷 算法之間對應關係；該裝置包括： 已知樣本特徵提取單元，用於已知樣本中的診斷數據和行為參數進行特徵提取； 已知樣本工況識別單元，用於將所述行為參數的特徵進行工況識別，獲得所述已知樣 本的工況類型； 診斷精度獲取單元，用於利用所述診斷數據的特徵，算法庫中的所有算法對已知樣本 的工況類型進行診斷，得到每種算法同各種工況類型對應的診斷情況，利用診斷情況統計 得出數據樣本各種工況對應每種算法的診斷精度； Q-矩陣建立單元，用於選出診斷精度最高的算法作為該工況的最優診斷算法，建立不 同的工況類型對應最優診斷算法的關係矩陣；所述關係矩陣為Q-矩陣。
【文檔編號】G06F19/00GK104156627SQ201410437487
【公開日】2014年11月19日 申請日期:2014年8月29日 優先權日:2014年8月29日
【發明者】梁偉, 張來斌, 盧文青, 李威君, 盧琳琳, 仇經緯, 康健 申請人:中國石油大學(北京)