[发明专利]一种基于故障特征变量选择的故障类型匹配方法

摘要

本发明公开一种基于故障特征变量选择的故障类型匹配方法，旨在解决如何在各故障类型训练样本数据量有限的前提下，针对历史数据库中各故障类型实施故障特征变量选择，并利用该特征变量实施故障类型匹配的问题。具体来讲，本发明方法首先利用近邻成分分析逐个找出各故障类型可用数据对比正常工况数据之间出现异常变化的特征变量。然后，利用故障特征变量实施窗口矩阵之间的相似度计算。最后，通过最大相似度判别故障类型。本发明方法利用各故障的特征变量实施故障类型匹配不仅能消除非特征变量的干扰影响，而且还能直接降低变量维数，从而使样本数有限的问题不显得那么突出。因此，本发明方法是一种更为优选的故障诊断方法。

主权项

1.一种基于故障特征变量选择的故障类型匹配方法，其特征在于，包括以下步骤：步骤(1)：从生产过程历史数据库中找到不同故障工况条件下的采样数据，组成各个参考故障的数据矩阵X₁，X₂，…，X_C，其中N_c为第c种故障的可用样本数，下标号c＝1，2，…，C，R为实数集，表示N_c×m维的实数矩阵，m为过程测量变量的总个数，C为参考故障类别总数；步骤(2)：采集生产过程处于正常运行工况下的N₀个样本数据，组成正常工况训练数据矩阵计算数据矩阵X₀中各列向量的均值μ₁，μ₂，…，μ_m与标准差δ₁，δ₂，…，δ_m后初始化下标号c＝1；步骤(3)：利用均值向量μ＝[μ₁，μ₂，…，μ_m]与标准差对角矩阵分别标准化处理X₀，X₁，X₂…，X_C中的各个行向量，相应得到标准化后的数据矩阵具体实施方式如下所示：其中，diag{δ₁，δ₂，…，δ_m}表示将δ₁，δ₂，…，δ_m构造成一个对角矩阵，x表示矩阵X₀，X₁，X₂…，X_C中各个行向量，为标准化后的行向量；步骤(4)：将矩阵与合并一个矩阵并构建类标号向量其中上标号T为矩阵或向量的转置符号，向量y_c中前N₀个元素数值全部为0而后N_c个元素数值全部等于1；步骤(5)：利用近邻成分分析(NCA)算法优化求解出权重系数向量wc，具体的实施过程如下所示：步骤(5.1)：记矩阵Yc中各行向量为x1，x2，…，xn，其中xi∈R1×m，n＝N0+Nc，i＝1，2，…，n，并初始化梯度步长α＝1、初始化目标函数值f0(wc)＝‑106、以及初始化权重系数向量wc＝[1，1，…，1]，即各变量的权重系数初始值统一设置为1；步骤(5.2)：根据如下所示公式计算在当前权重系数向量wc条件下的目标函数值f(wc)：上式中，当且仅当xi与xj归属同一类时，yij＝1，其他情况yij＝0，概率pij的计算方式如下所示：上式(3)中，j＝1，2，…，n，Dw(xi，xj)＝||(xi‑xj)diag(wc)||，diag(wc)表示将wc中的元素转变成对角矩阵，符号|| ||表示计算向量的长度；步骤(5.3)：判断是否满足收敛条件|f(wc)‑f0(wc)|＜10‑6？若是，则输出权重系数向量wc；若否，则继续实施步骤(5.4)；步骤(5.4)：设置f0(wc)＝f(wc)后根据如下所示公式计算梯度值Δf，并根据公式wc＝wc+αΔf更新权重系数向量：步骤(5.5)：根据更新后的wc计算目标函数值f(wc)，并判断是否满足条件f(wc)＞f0(wc)？若是，则根据公式α＝1.01α更新梯度步长α；若否，则根据公式α＝0.4α更新梯度步长α；步骤(5.6)：返回步骤(5.3)继续下一次迭代优化，直至满足步骤(5.3)中的收敛条件；步骤(6)：将权重系数向量wc中大于0.01的元素所对应的变量编号记为集合φc，集合φc中记录的变量即为第c类故障的特征变量；步骤(7)：根据集合φ_c中记录的特征变量编号，从矩阵中选择出相应的列组成第c类参考故障的特征变量参考数据矩阵F_c；步骤(8)：判断是否满足条件c＜C？若是，则置c＝c+1后返回步骤(4)；若否，则得到所有C类参考故障的特征变量集合φ1，φ2，…，φC及矩阵F1，F2，…，FC；步骤(9)：设置数据窗口中最小的样本个数为L，当在线检测出的故障样本数累计至L后，开始实施在线故障类型匹配；步骤(10)：根据公式标准化处理L个样本数据z₁，z₂，…，z_L，得到标准化后的数据向量其中l＝1，2，…，L，z_l∈R^1×m为第l个故障数据向量；步骤(11)：初始化下标号c＝1后，将组成矩阵步骤(12)：利用集合φc中记录的特征变量，从Z中取出相应的列组成在线故障特征变量矩阵Zc；步骤(13)：将第c类故障的特征变量参考数据矩阵Fc中的第1行至第L行的行向量单独作为一个矩阵Fc，L，并根据如下所示步骤计算矩阵Zc与Fc，L的相似度Dc，具体的实施过程如下所示：步骤(13.1)：根据如下所示公式计算协方差矩阵Sc：步骤(13.2)：对协方差矩阵Sc实施奇异值分解，得到Sc＝VΛVT，其中Λ∈Rq×q为q个奇异值λ1，λ2，…，λq组成的对角矩阵，q为步骤(7)中选择的第c类参考故障特征变量的个数，V∈Rq×q是由q个相互正交的列向量组成；步骤(13.3)：根据如下所示公式计算Zc与Fc，L的相似度Dc：步骤(14)：判断是否满足条件：c＜C？若是，则置c＝c+1后，返回步骤(12)；若否，则在线匹配的故障类型为D1，D2，…，DC中的最大值所对应的故障类型。