[发明专利]一种基于故障数据状态矩阵进行故障匹配和预警的方法

权利要求书

1.一种基于故障数据状态矩阵进行故障匹配和预警的方法，其特征在于，包括如下步骤：

S1数据归一化处理：Z-score标准化方法，给予原始故障数据的均值和标准差进行数据的标准化；经过处理的数据符合标准正态分布，即均值为0，标准差为1；转化函数为：

X*＝(X-μ)/σ

其中μ为所有故障数据的均值，σ为所有故障数据的标准差,X为原始故障数据，X*为数据化归一后的数据；

S2将故障数据样本向量计算出相似性距离；

S3把故障数据样本向量按照相似性距离的大小进行排序，并按照样本向量选取的规则，选取相应的样本向量数目组成故障样本状态矩阵；

S4把此组成的故障样本状态矩阵存入故障数据库中；

S5把实时数据按照归一化方式进行处理后，转换成实时数据向量，与所建立的故障数据库中的故障样本状态矩阵进行相似性计算，计算出相应的相似性距离，进而判断实时数据与故障数据在统一归一化的情况下的相似性的程度，相似性距离越近表示相似程度越大，则计算机记录此对比结果，接着继续匹配故障数据库中此设备下的其他故障样本状态矩阵，相似度低的则不记录结果；

S6在记录下的结果中，对比选择出最接近实时的历史故障，进而来给出预警。

2.根据权利要求1所述的基于故障数据状态矩阵进行故障匹配和预警的方法，其特征在于，步骤S2的相似性距离计算公式为：

设两个向量为X＝(x1,...,xn),Y＝(y1,...,yn)

1)欧几里德距离

假设x,y是n维空间的两个点，他们之间的欧几里德距离是：

当n＝2时，欧几里德距离就是两个点的距离；用欧几里德距离表示相似度，采用以下公式进行转换：距离越小，相似度越大；

利用欧氏距离d定义的相似度s，s＝1/(1+d),相似度s的范围为[0,1],s值越大，说明d越小，也就是距离越近，则相似度越大；

2)Tanimoto系数

相似度范围为[0，1]，完全重叠时为1，无重叠项时为0，越接近1说明越相似

3)基于皮尔森相关性的相似度

皮尔森相关系数反应两个变量之间的线性相关程度，它取值在[-1，1]之间；当两个变量的线性关系增强时，相关系数趋于1或-1；当一个变量增大，另一个变量也增大时表明它们之间是正相关的，如果一个变量增大，另一个变量却减少，表明它们之间是负相关的；如果相关系数等于0表明它们之间不存在线性相关关系；用数学公式表示，皮尔森相关系数等于两个变量的协方差除于两个变量的标准差；

其中Cov(X，Y)为协方差矩阵，协方差反应了2个特征的协同程度，如果同时增大或小，协方差为正；若一个增大一个减小，则为负值；绝对值的大小反应了2者的变化快慢；相对于协方差，相关系数剔除了方差大小不一的影响；

其中u表示X的期望E(X)，v表示γ的期望E(Y)。

cov(X，Y)＝E((X-μ)(Y-v))，

标准差(Standard Deviation)

方差(Variance):一个随机变量的方差表述的是它的离散程度；

Var(X)＝E(X²)-E²(X)

相关距离的定义：

Dxy＝1-ρxy

相关系数越大，表示相关距离越近，则相似度越高。