System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及设备故障诊断,尤其涉及一种基于关联隐特征图的设备故障诊断方法。
技术介绍
1、随着科学技术的迅猛进步,各类设备在当今社会中的广泛应用愈发普及,对其性能要求也日益提高。这些设备的安全和稳定运行直接关系到国民经济的稳定发展。因此,在设备出现故障时,迅速而准确地定位故障位置显得至关重要。
2、现有技术中,设备故障诊断通常利用与故障模式相关的少数变量,并且不会考虑部件之间的关联关系。这使得在对复杂设备进行故障诊断时,故障涉及到的变量不够全面,故障涉及到的变量之间关联关系反映不够充分,得到的诊断结果也不尽理想。深度学习方法近年来也越来越多地用于故障诊断领域,然而现有的深度学习方法往往是一个黑盒模型,在进行故障诊断时缺乏可解释性,同时标签数据也往往难以获取。
3、因此,亟需一种对设备进行故障诊断的技术方案。
技术实现思路
1、鉴于上述的分析,本专利技术实施例旨在提供一种基于关联隐特征图的设备故障诊断方法,用以解决现有技术中标签数据少、监测变量多,且监测变量间存在关联关系使得设备故障诊断精度低的问题
2、本专利技术实施例提供了一种基于关联隐特征图的设备故障诊断方法,所述故障诊断方法包括:
3、获取待诊断设备的待诊断故障数据,待诊断故障数据包括第一预设数量的待诊断运行监测数据组,相邻的两个待诊断运行监测数据组的时间间隔相同;
4、根据待诊断故障数据构建待诊断嵌套自编码器模型,并根据待诊断故障数据对构建完成的待诊断嵌套自编码器
5、根据待诊断故障数据的参数矩阵构建待诊断故障数据的隐特征图,基于待诊断故障数据的隐特征图确定待诊断设备的故障节点。
6、基于上述方法的进一步改进,所述基于待诊断故障数据的隐特征图确定待诊断设备的故障节点,包括:
7、根据待诊断故障数据的隐特征图,依次确定每个节点的度;将度最小的节点作为待诊断设备的故障节点。
8、基于上述方法的进一步改进,所述基于待诊断故障数据的隐特征图确定待诊断设备的故障节点,还包括:
9、如果度最小的节点存在两个或者两个以上的节点,将所有的度最小的节点作为待筛选节点;
10、确定每个待筛选节点的聚类系数,将聚类系数最小的待筛选节点作为待诊断设备的故障节点。
11、基于上述方法的进一步改进,所述根据待诊断故障数据的参数矩阵构建待诊断故障数据的隐特征图,包括:
12、根据待诊断组件类型确定隐特征图的节点,待诊断组件类型与节点一一对应;
13、根据待诊断预设阈值对待诊断故障数据的参数矩阵进行二值化处理,根据二值化处理的结果对节点进行连线,得到待诊断故障数据的隐特征图。
14、基于上述方法的进一步改进,所述根据待诊断故障数据构建待诊断嵌套自编码器模型,包括:
15、对待诊断运行监测数据组所包括的待诊断监测变量按照待诊断组件类型进行划分,确定待诊断组件类型的数量;
16、根据待诊断组件类型的数量构建待诊断嵌套自编码器模型;待诊断嵌套自编码器模型包括一个系统自编码器和待诊断组件类型的数量的子自编码器,子自编码器和系统自编码器均包括特征提取模块、隐藏空间和特征缩减模块;
17、将训练完成的系统自编码器的参数作为待诊断故障数据的参数矩阵。
18、基于上述方法的进一步改进,所述根据待诊断故障数据对构建完成的待诊断嵌套自编码器模型进行训练,包括:
19、对待诊断故障数据进行预处理,将第一预设数量的待诊断运行监测数据组划分成第二预设数量的训练样本;
20、从第二预设数量的训练样本中随机抽取构成训练集和验证集,利用训练集和验证集中的训练样本对待诊断嵌套自编码器模型进行训练。
21、基于上述方法的进一步改进,所述对对待诊断故障数据进行预处理,将第一预设数量的待诊断运行监测数据组划分成第二预设数量的训练样本,包括:
22、将第一预设数量的待诊断运行监测数据组按照待诊断工况进行划分,确定每种待诊断工况下每个待诊断监测变量的平均值和标准差;每个待诊断运行监测数据组包括第三预设数量的待诊断监测变量的数据;
23、基于所有待诊断工况下所有待诊断监测变量的平均值和标准差,对第一预设数量的待诊断运行监测数据组进行标准差标准化和归一化更新,得到更新后的第一预设数量的待诊断运行监测数据组;
24、基于预设滑动时间窗对更新后的第一预设数量的待诊断运行监测数据组进行数据分割,得到第二预设数量的训练样本。
25、基于上述方法的进一步改进,通过下述公式对第一预设数量的待诊断运行监测数据组进行标准差标准化:
26、
27、其中,xn,p表示第n个待诊断运行监测数据组中的第p个待诊断监测变量数据,表示第n个待诊断运行监测数据组所属的工况对应的第p个待诊断监测变量的平均值,sp表示第n个待诊断运行监测数据组所属的工况对应的第p个待诊断监测变量的标准差,表示标准差标准化后的第n个待诊断运行监测数据组中的第p个待诊断监测变量数据,t表示第一预设数量。
28、基于上述方法的进一步改进,通过下述公式对标准差标准化后的第一预设数量的待诊断运行监测数据组进行归一化:
29、
30、其中,un,p表示更新后的第n个待诊断运行监测数据组的第p个待诊断监测变量数据,表示第n个待诊断运行监测数据组所属的工况下的第p个待诊断监测变量的最小值数据,第n个待诊断运行监测数据组所属的工况下的第p个待诊断监测变量的最大值数据。
31、基于上述方法的进一步改进,所述利用训练集和验证集中的训练样本对待诊断嵌套自编码器模型进行训练,包括:
32、将训练样本中同一待诊断组件类型的待诊断特征提取变量输入至待诊断嵌套自编码器模型对应的子自编码器的特征提取模块,特征提取模块用于对待诊断特征提取变量进行编码,得到该待诊断组件类型下的特征值并保存至隐藏空间;特征缩减模块用于接收该待诊断组件类型下的特征值并进行解码,得到该待诊断组件类型下的预测值;将训练样本中同一待诊断组件类型的待诊断对比验证变量输入至待诊断嵌套自编码器模型对应的子自编码器的特征缩减模块,特征缩减模块还用于比较该待诊断组件类型下的预测值和待诊断对比验证变量,根据比较结果确定是否进行反向传播;
33、在待诊断嵌套自编码器模型的系统自编码器中,系统自编码器的特征提取模块接收所有子自编码器的所有待诊断组件类型的特征值,将所有待诊断组件类型的特征值合并,得到该训练样本的特征值,保存至隐藏空间;特征缩减模块对该训练样本的特征值进行解码,得到该训练样本的预测值;
34、在待诊断嵌套自编码器模型的系统自编码器中,系统自编码器的特征缩减模块接收该训练样本的所有待诊断组件类型的待诊断特征提取变量,作为该训练样本的真实本文档来自技高网...
【技术保护点】
1.一种基于关联隐特征图的设备故障诊断方法,其特征在于,所述故障诊断方法包括:
2.根据权利要求1所述的故障诊断方法,其特征在于,所述基于待诊断故障数据的隐特征图确定待诊断设备的故障节点,包括:
3.根据权利要求2所述的故障诊断方法,其特征在于,所述基于待诊断故障数据的隐特征图确定待诊断设备的故障节点,还包括:
4.根据权利要求1所述的故障诊断方法,其特征在于,所述根据待诊断故障数据的参数矩阵构建待诊断故障数据的隐特征图,包括:
5.根据权利要求1所述的故障诊断方法,其特征在于,所述根据待诊断故障数据构建待诊断嵌套自编码器模型,包括:
6.根据权利要求5所述的故障诊断方法,其特征在于,所述根据待诊断故障数据对构建完成的待诊断嵌套自编码器模型进行训练,包括:
7.根据权利要求6所述的故障诊断方法,其特征在于,所述对待诊断故障数据进行预处理,将第一预设数量的待诊断运行监测数据组划分成第二预设数量的训练样本,包括:
8.根据权利要求7所述的故障诊断方法,其特征在于,通过下述公式对第一预设数量的待诊断运行
9.根据权利要求8所述的故障诊断方法,其特征在于,通过下述公式对标准差标准化后的第一预设数量的待诊断运行监测数据组进行归一化:
10.根据权利要求9所述的故障诊断方法,其特征在于,所述利用训练集和验证集中的训练样本对待诊断嵌套自编码器模型进行训练,包括:
...【技术特征摘要】
1.一种基于关联隐特征图的设备故障诊断方法,其特征在于,所述故障诊断方法包括:
2.根据权利要求1所述的故障诊断方法,其特征在于,所述基于待诊断故障数据的隐特征图确定待诊断设备的故障节点,包括:
3.根据权利要求2所述的故障诊断方法,其特征在于,所述基于待诊断故障数据的隐特征图确定待诊断设备的故障节点,还包括:
4.根据权利要求1所述的故障诊断方法,其特征在于,所述根据待诊断故障数据的参数矩阵构建待诊断故障数据的隐特征图,包括:
5.根据权利要求1所述的故障诊断方法,其特征在于,所述根据待诊断故障数据构建待诊断嵌套自编码器模型,包括:
6.根据权利要求5所述的故障诊断方法,其特征在于,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。