[发明专利]基于数据驱动的长期加电设备健康状态实时异常检测方法

权利要求书

1.一种基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于，所述方法包括如下步骤：

步骤一：对长期加电设备采集到的加电设备数据，进行数据清理、数据集成、数据变换以及数据归约得到观测数据，将观测数据进行转换或增强处理，得到有效测量数据；

步骤二：对步骤一中的有效测量数据进行降维处理得到降维处理后的数据，对降维处理后的数据采用随机森林模型和相关性分析选取重要变量；

步骤三：根据步骤二筛选得到的重要变量通过时域特征提取以及频域特征提取得到寿命特征；对寿命特征进行平滑处理得到加电设备寿命特征；

步骤四：根据步骤三中的加电设备寿命特征，采用基于多变量聚类与主成分分析的故障趋势预测算法得到故障因子；

步骤五：根据步骤三计算得到的加电设备寿命特征,建立故障预测模型。

2.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤一中，加电设备数据包括振动数据、环境数据、电气数据。

3.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤二中，使用主元分析对有效测量数据进行降维处理，从多变量中筛选出少数对故障有影响的变量，并尝试在可视化较低维度进行观察以及聚类处理。其中，较低维为2至3维。

4.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤二中，随机森林变量重要性主要的量化分类方法包含利用基尼指数或者袋外数据错误两种评价指标。

5.根据权利要求4所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：基尼指数通过如下公式得到：

其中，GI_m为基尼指数，m为分类，p_mk表示将k类分类到m类的错误分类情况的概率，K为总的类别个数。

6.根据权利要求4所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：重要变量通过如下公式得到：

其中，Importance_i为重要变量，errOOB_normal为正常的分类错误率，errOOB_noise为带噪声的分类错误率，K为总的类别个数，M为节点出现的集合，i为变量标记。

7.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤三中，寿命特征包括标准差、偏度、峭度、波形因子、峰值因子、裕度因子和L2范数增益。

8.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤三中，平滑处理方法包括：在提取高维特征时，根据所训练的样本的采样点数量进行滑动窗口的参数切片，选取预设的窗口长度以及滑动步长，按照设定的滑动窗口长度,逐次沿着时间轴T滑动窗口,对窗口内的参数片段提取特征；用于聚类异常分析的参数特征有标准差std、峭度kurt、偏度skew、波形因子form、峰值因子peak、裕度因子margin和L2范数增益l2；将每个窗口内提取到的特征保存为一个7维向量，当滑动窗口在原始时序参数遍历完成后，F1,F2…Fn这n个参数构成n个(T-w,7)维度的矩阵。

9.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤四中，故障因子H(i′)通过如下公式得到：

其中，H(i′)表示窗口i‘的故障因子；j表示集合中任意样本的奇异值；#表示集合包含元素的个数；WindowLength表示滑动窗口的长度。

10.根据权利要求1所述的基于数据驱动的长期加电设备健康状态实时异常检测方法，其特征在于：在步骤五中，建立故障预测模型包括如下步骤：

(1)取步骤一得到的有效测量数据中已有数据的正常阶段和故障阶段的F1、F2…Fn参数；

(2)对于正常阶段数据以W1个采样点取一个滑动窗口，并且构建每个窗口对应的特征向量I，数据标签集设为1，将正常阶段窗口向量点集记为A；

(3)对于故障阶段数据以W2个采样点取一个滑动窗口，并且构建每个窗口对应的特征向量I，数据标签集设为0，将故障阶段窗口特征向量点集记为B；

(4)对每个滑动窗口所取得的正常阶段窗口向量点集A和故障阶段窗口特征向量点集B进行归一化得到归一化数据；

(5)根据归一化数据用KNN方法训练得到模型KNN_Model；

(6)取步骤一得到的有效测量数据中的待测试数据中F1’,F2’…Fn’参数；

(7)根据步骤(6)待测试数据的采样频率，固定采样时间内构建一个滑动窗口Wi，计算该窗口内的特征向量I’；

(8)对滑动窗口Wi所取得的的特征向量组进行归一化得到归一化待测数据特征向量；

(9)根据归一化待测数据特征向量调用训练好的KNN_Model进行特征向量的分类，根据如下距离公式获取训练集特征向量与I’最为相近的5个点c1、c2、c3、c4和c5，记为点集C＝{c1，c2，c3，c4，c5}；

(10)当点集C中的5个点多数属于A，窗口Wi判定为正常数据，则该窗口的检测值Rwi＝1；当点集C中5个点多数属于B，则判定该窗口数据有故障趋势，检测值Rwi＝0；其中，多数为大于等于3；

(11)重复步骤(7)至步骤(10)直至遍历所有待测试数据集，得到每个滑动窗口有关的检测值列表R；

(12)取所设定的N个原始滑动窗口Wi为一个判定窗口S，根据检测值列表R得到判定窗口S中的健康因子H。