[发明专利]一种基于性能监测数据的亚健康在线识别和诊断方法

摘要

本发明公开了一种基于性能监测数据的亚健康在线识别和诊断方法，属于故障诊断技术领域。首先建立概率神经网络状态分类的初始模型并计算门限标准差，利用当前模型对监测设备进行在线监测和诊断分类，并进一步识别和提取亚健康状态数据，并放入亚健康状态数据组中；若待识别的亚健康数据组达到存储容限或者出现已知状态，则暂停存储工作，将该组中所有元素进行K‑means聚类分析，得到分类结果并清空亚健康数据组的存储空间。然后将聚类分析后的亚健康状态数据集与之前的训练样本合并，更新到初始模型中得到新的分类模型；最后重复上述步骤识别亚健康状态，在出现故障状态时及时维修。本发明根据设备状态做出及时有效的措施，减轻故障造成的损失。

主权项

1.一种基于性能监测数据的亚健康在线识别和诊断方法，其特征在于，具体步骤如下：步骤一、针对某监测设备，建立概率神经网络状态分类的初始模型并计算门限标准差；步骤二：利用当前模型对监测设备进行在线监测和诊断分类，利用分类结果进一步识别和提取亚健康状态数据，并放入亚健康状态数据组中；当前模型初始为初始模型；诊断分类结果为正常或故障的概率值；识别和提取亚健康状态数据的过程为：步骤2.1、利用当前模型在线监测设备运行状态，实时采集p维状态数据作为一组，并计算当前p维状态数据与训练样本中每个元素之间的欧式距离；实时采集的当前p维状态数据为：欧式距离：E＝(d‑xij)T(d‑xij)；xij表示第i类训练样本中的第j个训练样本值；j＝1,2,…,ki，i＝1,2,…,m；步骤2.2、用欧式距离结合高斯型函数激活模式层径向基函数的神经元；高斯型函数激活公式如下：σi表示第i类训练样本的标准差中各维数对应的最大值；Pij(d)表示第j个训练样本等价的神经元对应第i类训练样本的输出；步骤2.3、在概率神经网络求和层求得当前p维状态数据属于已知类别的概率：表示当前p维状态数据d属于已知类别i的概率；步骤2.4、判断亚健康数据组是否为空，如果是，进入步骤2.5；否则，进入步骤2.6；亚健康数据组初始值为空；步骤2.5、根据当前p维状态数据属于已知类别的概率值，判断是否存在概率值大于上一时刻p维状态数据属于各类概率和的平均值，如果是，进入步骤2.7；否则，进入步骤2.8；步骤2.6、根据当前p维状态数据属于已知类别的概率值，判断是否存在概率值大于上一时刻能正确识别状态的p维状态数据的概率均值；如果是，进入步骤2.7；否则，进入步骤2.8；步骤2.7、当前p维状态数据能被正确识别，概率值最大的那一类即为当前p维状态数据的识别结果状态；步骤2.8、当前p维状态数据为待识别的亚健康数据，放入待识别的亚健康数据组中。步骤三、判断待识别的亚健康数据组是否达到存储容限或者是否出现已知状态；如果是，则进入步骤四；否则，返回步骤二，利用当前模型继续实时采集p维状态数据进行分析；初始时已知状态包括正常状态和故障状态，所以检测到故障状态就停止；模型更新后，已知状态包括正常状态、亚健康状态以及故障状态，检测到其中任意一种状态都应停止；待识别的亚健康状态数据组：式中，n表示提取出的亚健康数据数，shn表示第n组亚健康状态数据；步骤四、暂停亚健康数据组的存储工作，将该组中所有元素进行K‑means聚类分析，得到分类结果并清空亚健康数据组的存储空间；步骤五、将聚类分析后的亚健康状态数据集与之前的训练样本合并，更新到初始模型中得到新的分类模型；新分类模型的训练样本数据为：x'＝x∪sh；然后，利用新的训练数据重新创建概率神经网络分类模型，从而实现模型的更新；步骤六、返回步骤二不断迭代更新完善分类模型，通过监测设备的运行状态数据，在线识别出亚健康状态，并当监测设备出现故障状态时及时维修。