一种基于贡献值和因果图的故障定位方法技术

本发明专利技术公开了一种基于贡献值和因果图的故障定位方法，先输入设备历史监测数据，发现故障后，首先计算每维数据特征的贡献值，依据贡献值对监测变量进行排序，判断最大贡献值对应的变量可否判断为故障变量，若不可则将贡献值较大的变量视为待选变量集，计算转移熵绘制因果图，从而确定故障变量，最后输出故障变量；本发明专利技术方法通过特征排序对变量进行了筛选，大大降低了因果图分析的复杂性，由于使用因果图分析了变量的相互影响，故障定位的准确性相较于贡献值方法也得到了提升。于贡献值方法也得到了提升。于贡献值方法也得到了提升。

【技术实现步骤摘要】
一种基于贡献值和因果图的故障定位方法


[0001]本专利技术涉及故障诊断
，具体涉及一种综合T2贡献值排序和转移熵因果图的故障定位方法。

技术介绍

[0002]随着现代科技的发展，制造设备的效率得到了极大的提升。尽管设备的可靠性也有了很大进步，但偶发的故障依旧不可避免。这些偶发的故障不仅会影响设备的正常运行，严重的甚至会造成安全事故。因此，对设备状态进行实时感知，及时发现故障和故障产生的原因至关重要。
[0003]故障定位指的是当检测出故障后，对设备采集数据进行综合分析，确定和故障最相关的传感器变量，帮助操作人员能够及时分析出故障原因，尽快恢复设备的正常运行。
[0004]传统的贡献值侧重于对每个变量进行分析，计算单个变量对故障结果的贡献程度。方法虽然简单，却没有考虑系统变量间的内部耦合影响，准确性有待提升。而因果图方法分析变量间的因果关系，然后绘制成网络节点图，用箭头表示变量间的影响和被影响关系，通过分析因果图，确认故障发生的根本变量。由于变量众多，导致计算分析十分复杂。

技术实现思路

[0005]针对现有技术中的以上不足，本专利技术专利提供一种综合T2贡献值排序和转移熵因果图的故障定位方法。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种基于贡献值和因果图的故障定位方法，步骤如下：
[0007]S1，输入设备一段时间的历史监测数据，判断是否发生故障，否则结束；
[0008]S2，在发现故障后，首先计算每维数据特征(即每个监测变量)的贡献值，依据贡献值对监测变量进行排序；
[0009]S3，判断最大贡献值对应的变量可否判断为故障变量：
[0010]如果排序第一的特征贡献值远超后面的，那么该特征就是故障变量，输出故障变量并结束；反之，将其放入待选变量集合F中：在从排序第一的特征到排序第N的特征中，如果第i个特征的贡献值远超第i+1个，则待选变量集合F仅包含前i维特征，其中待选变量集合F的最大容量为N，阈值为f；
[0011]反之则待选变量集合F包含了所有前N个维特征，然后计算待选变量集合F中所有特征两两之间的转移熵；
[0012]S4，根据待选变量集合F的转移熵绘制因果图，分析因果图从而确定故障变量；
[0013]S5，输出故障变量。
[0014]进一步，所述的步骤S1中使用主成分分析方法进行故障定位；计算历史监测数据的T2统计量，然后分析每个监测变量对T2统计量的贡献程度并进行比较，判断出贡献程度越大的监测变量越有可能是引起故障的原因；
[0015]所述的主成分分析方法通过对历史监测数据进行坐标变换，然后只留下方差最大的前几个主元方向，从而实现对原始高维数据的降维，同样地，降维后数据也可以通过坐标变换，重新恢复为“原始”的高维数据。
[0016]更进一步，所述的主成分分析降维的流程如下：
[0017]令X＝(x1,x2...x
n
)
Τ
表示n个m维监测变量组成的原始数据样本矩阵，m表示总传感器的个数，n为样本个数，对每维监测变量进行标准化处理，即对所有的j总和标准差为1；
[0018]使用表示样本协方差矩阵，{λ1,λ2...λ
a
}为Y的前a(a≤m)个最大的特征值，则{p1,p2...p
a
}是其对应的特征向量；
[0019]构造负载矩阵P＝[p1,p2...p
a
]，则降维后的监测数据由公式T＝XP计算得到；
[0020]在主成分分析过程中，通过向前a个特征向量投影，得到新的样本坐标T，新样本可以一定程度上恢复为原始样本，用公式计算恢复后的数据，误差(残差)
[0021]使用T2统计量进行故障定位：假设每个样本点x＝(x1,x2...x
m
)
T
服从m维的混合高斯分布；T2统计量即为新样本点t到样本中心的马氏距离其中Λ＝diag(λ1,λ2...λ
a
)；根据卡方分布划分一定的置信区间，将落在区间外的样本点视为故障样本；执行故障定位任务时，分析每一维监测数据x
i
对T2统计量的贡献程度，贡献程度大的变量被认为是故障产生的原因；其中计算第i维监测数据的贡献函数为式中(0,0,...,x
i
,...,0)
T
表示仅第i个元素为x
i
，其它元素为0的列向量。
[0022]再进一步，所述的步骤S3中计算转移熵的步骤为：
[0023]将随机事件X的不确定性记做熵H(X)，用p(x)表示离散型随机变量X的概率分布，通过公式计算是对信息不确定性程度的度量；
[0024]对于时间t内的两个随机过程X(t)、Y(t)，通过如下公式计算序列Y(t)到X(t)的转移熵：
[0025]其中，X(t
‑
L:t
‑
1)、Y(t
‑
L:t
‑
1)表示从t
‑
L到t
‑
1的X、Y序列。
[0026]本专利技术的有益效果是：本专利技术结合T2贡献值方法和因果图方法，提出了基于T2贡献值排序与转移熵因果图的故障定位，通过特征排序对变量进行了筛选，因果图分析的复杂性大大降低，由于使用因果图分析了变量的相互影响，故障定位的准确性相较于贡献值方法也得到了提升。
附图说明
[0027]图1为本专利技术的故障定位流程图；
[0028]图2是实验验证中的样本8贡献图；
[0029]图3实验验证中的样本2贡献图；
[0030]图4实验验证中的样本2故障定位因果图。
具体实施方式
[0031]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0032]参照图1所示，本专利技术公开的一种基于贡献值和因果图的故障定位方法，步骤如下。
[0033]S1，输入设备一段时间的历史监测数据，判断是否发生故障，否则结束。本步骤使用主成分分析(PCA)方法进行故障定位。
[0034]关于T2贡献值：主成分分析通过对原始数据进行坐标变换，然后只留下方差最大的前几个主元方向，从而实现对原始高维数据进行降维，同样地，降维后数据也可以通过坐标变换，重新恢复为“原始”的高维数据。
[0035]使用PCA进行故障定位时，计算监测数据的T2统计量。然后分析每个监测变量对统计量的贡献程度，进行比较。贡献程度越大的监测变量，越有可能是引起故障的原因。PCA降维的流程如下。
[0036]令X＝(x1,x2...x
n
)
Τ
表示n个m维监测变量组成的原始数据样本矩阵，m表示总传感器的个数，n为样本个数，对每维监测变量进行标准化处理，即对所有的j总和标准差为1。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贡献值和因果图的故障定位方法，其特征在于：步骤如下S1，输入设备历史监测数据，判断是否发生故障，否则结束；S2，在发现故障后，计算每个监测变量的贡献值，依据贡献值对监测变量进行排序；S3，判断最大贡献值对应的变量可否判断为故障变量：如果排序第一的特征贡献值远超后面，那么该特征就是故障变量，输出故障变量并结束；反之，将其放入待选变量集合F中：在从排序第一的特征到排序第N的特征中，如果第i个特征的贡献值远超第i+1个，则待选变量集合F仅包含前i维特征，反之则待选变量集合F包含了所有前N个维特征，计算待选变量集合F中所有特征两两之间的转移熵；S4，根据待选变量集合F的转移熵绘制因果图，分析因果图从而确定故障变量；S5，输出故障变量。2.根据权利要求1所述的一种基于贡献值和因果图的故障定位方法，其特征在于，所述的步骤S1中使用主成分分析方法进行故障定位；计算历史监测数据的T2统计量，然后分析每个监测变量对T2统计量的贡献程度并进行比较，判断出贡献程度越大的监测变量越有可能引起故障；所述的主成分分析方法通过对历史监测数据进行坐标变换，留下方差最大的前几个主元方向，从而实现对原始高维数据的降维。3.根据权利要求2所述的一种基于贡献值和因果图的故障定位方法，其特征在于，所述的主成分分析降维的流程如下：令X＝(x1,x2...x
n
)
Τ
表示n个m维监测变量组成的原始数据样本矩阵，m表示总传感器的个数，n为样本个数，对每维监测变量进行标准化处理；使用表示样本协方差矩阵，{λ1,λ2...λ
a
}为Y的前a个最大的特征值，a≤m，则{p1,p2...p
a<...

【专利技术属性】
技术研发人员：郑敬浩，范强，何亦舟，刘松，谭海，
申请(专利权)人：武汉华中天经通视科技有限公司，
类型：发明
国别省市：