【技术实现步骤摘要】
本专利技术涉及，尤其涉及一种基于小波变换的时空混合模型早期故障检测方法。
技术介绍
1、在高度自动化与智能化的当代工业环境中，设备与系统的稳定运行对于保障生产安全、提高效率、降低成本具有至关重要的作用。随着技术的发展，系统变得越来越复杂，这使得故障检测与诊断变得更加困难，尤其是在早期阶段准确识别微小故障的需求日益增加。微小故障，如果不能及时发现和处理，可能会导致系统性能下降，甚至引发重大事故。具体而言，现有的监测系统常常难以有效处理因系统的高频操作变化而产生的数据动态性，以及生产环节之间错综复杂的空间关联。此外，这些系统在识别和响应早期的微小变化或异常时，往往由于缺乏能够整合和同步分析这些复杂动态的先进数据处理方法，而显得尤为不足。因此，对复杂工业过程进行有效的故障检测是保障工业过程安全生产的有效手段，提高早期故障检测精度和响应速度的新技术，已成为该领域研究的重要方向。
2、文献《fault detection and isolation for output feedback system basedon space geometry method》(hou y,huang r,cheng q,et al.,cluster computing-thejournal of networks software tools and applications,2019,22:s9313-s21)通过引入空间数据处理技术，基于空间几何法对输出反馈系统进行故障检测与隔离。通过建立基于空间几何特性的数学模型，将复杂数据转化为几何
3、文献《wind turbine fault detection based on spatial-temporal featureand neighbor operation state》(qian x,sun t,zhang y,et al.,renewable energy,2023,219)提出了基于时空特征和邻域运行状态的风电机组故障检测方法。通过结合时序分析和空间分析，改善了对故障发展趋势的预测能力。具体来说，研究通过时序数据的分析，结合风电机组邻近区域的运行状态，提出了一种新的故障检测模型，提升了故障预测的准确性和及时性。尽管取得了一定的进展，但仍然面临诸多挑战，包括如何有效整合时空特征，以及如何处理和分析大规模的工业数据。这些问题的解决将是进一步提升故障检测技术的关键。
技术实现思路
1、本专利技术的目的在于提供一种基于小波变换的时空混合模型早期故障检测方法，该方法用于高度动态和复杂系统中微小故障的实时检测和分析。
2、本专利技术的专利技术思想为：该方法首先通过小波变换wt的去噪处理，降低环境噪声影响。利用主成分分析pca建立训练数据集和测试数据集的主成分子空间，给定一个滑动窗口w，计算每个时间窗口内的时间维度和空间维度的近邻样本集，分别利用累积和算法cusum和马氏距离md计算时间维度和空间维度的统计量。本专利技术利用绝对偏差计算得到时间和空间序列的基础权重，根据权重分配得到最终的混合统计量sts，有效增强了高频时间动态和空间的关联性，提高了故障检测的精度。最后采用核密度估计kde的方法估计了混合统计量的阈值上限。将提出的时空混合模型故障检测方法应用于田纳西-伊斯曼过程te进行故障检测实验，使用具有代表性的故障检测性能指标fdr和far将sthm方法与主成分分析pca和时空近邻stn的性能进行比较，结果显示所提方法在多组类型的故障检测中具有更高的故障检测率与较低的误报率，能够更好地保障生产过程的安全性和产品的高质量。本专利技术为动态复杂系统存在的微小故障提供了一种新颖、准确和高效的检测技术方案，具有广泛的应用前景。
3、为了实现上述专利技术目的，本专利技术采用技术方案具体为：一种基于小波变换的时空混合模型早期故障检测方法，包括以下步骤：
4、步骤一，小波变换，所述小波变换通过使用mallat算法对数据信号进行多级分解，有效地分离信号的不同频率成分；首先对获取到的原始信号通过小波函数进行分解，以此获取分解后的信号频率结构；进一步，设定门限阈值，对存在噪声的高频信号进行过滤量化处理；最后，根据最低与最高频率的信号特征进行小波重构，以此完成去噪的目的。
5、通过对信号进行小波变换，获得各级的小波系数，这些系数反映了信号在不同尺度下的能量分布，小波分解的频段范围与采样频率有关，若进行n层分解，则各个频段范围为：
6、
7、上述关系式中，fs为采样频率，fmax为信号的最大采样频率，fs＝2fmax是根据奈奎斯特采样定理得到。
8、为了区分噪声和有用信号，设置软阈值函数，小波系数低于此阈值的部分被视为噪声而被滤除，高于阈值的则保留为信号的有效成分，软阈值函数为：
9、
10、通过设置阈值函数，保留信号的关键特征，避免了传统滤波技术可能导致的信号特征丢失问题。
11、通过这种综合特征提取与低通滤波的小波降噪方法，能够在不损失信号本质信息的前提下，有效清除te数据集中的噪声，从而为后续的故障检测提供更准确、更清晰的数据支持。
12、一个含噪的模型可以表示如下：
13、s(k)＝f(k)+ε*e(k) k＝1,2...,n (3)
14、其中，f(k)为我们需要的真实信号，s(k)为加入了噪声的原始信号，e(k)为噪声，ε则为噪声的变量系数。
15、步骤二，特征提取，所述特征提取包括基于pca构建主元子空间。将m维原始数据通过投影的方法，投影到k维空间。其主元就是相互正交的特征。由n个采样点和m个特征构成的数据集，将其标准化成n×m维矩阵，使用协方差公式来观察两个特征之间的相关程度。把原始的数据集投影到k个特征向量形成的空间，得到主元模型。
16、对于m个特征为了得到每两个特征之间的相关程度便构造出m×m维协方差矩阵。
17、
18、对cmm进行求解特征值λm和特征向量pm，特征值λm可以得出对应的特征向量pm的重要性程度，按照特征值λm的数值的高低排列，得到对应的特征向量pm生成负载矩阵pm。cmm按数值的高低排列的特征值λm，它所对应的特征向量pm，是pca选取m×m维的主元的重要依据。因为cmm是一个对称矩阵，所以cmm的各个特征向量是相互正交的，这样pca的各个主成分之间是不会存在联系的。假设我们要将m维的向量维降成k维，只需要取pm的前k列构成矩阵。降维之后的n×k维矩阵t，即把原始的数据集投影到k个特征向量形成的空间，得到主元模型：
19、x＝tpt+e (6)
20、其中，tpt为主元子空间，e为残差空间。
21、步骤三，故障检测模型，所述故障检测模型包括时本文档来自技高网...
【技术保护点】
1.一种基于小波变换的时空混合模型早期故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤1)中，所述的小波变换使用Mallat算法对数据信号进行分解，分离信号的不同频率成分。
3.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤2)中，所述的主成分分析PCA包括使用累积方差贡献率CPV选择主成分的数量，以确保所保留的成分包含的信息量进行故障检测。
4.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤4)中，所述的累积和算法CUSUM用于检测和放大时间序列数据中的细微变化，马氏距离用于衡量样本集中每个样本点与中心之间的相对距离。
5.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤5)中，所述的绝对偏差的计算基于时间维度统计量和空间维度统计量的标准偏差。
6.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述
7.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：包括一个用户接口，该接口显示实时数据处理结果，故障警报和统计量分析，允许用户自定义阈值设置和报警参数。
8.根据权利要求2所述基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述的小波变换参数根据工业过程的运行条件和历史性能数据自动优化，包括小波类型、分解级数和阈值选择。
9.根据权利要求8所述基于小波变换的时空混合模型早期故障检测方法，其特征在于：该方法连续接收实时工业过程数据，实时应用小波变换进行数据去噪，并立即计算时间和空间统计量，以实时监控工业系统的状态并快速响应潜在故障。
10.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：包括一个或多个处理器和存储器，其中存储器中存储的指令使得处理器执行一个数据异常检测算法，该算法基于实时计算的混合统计量与历史统计模型对比，以识别数据中的异常模式，预防潜在的故障发生。
...【技术特征摘要】
1.一种基于小波变换的时空混合模型早期故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤1)中，所述的小波变换使用mallat算法对数据信号进行分解，分离信号的不同频率成分。
3.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤2)中，所述的主成分分析pca包括使用累积方差贡献率cpv选择主成分的数量，以确保所保留的成分包含的信息量进行故障检测。
4.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤4)中，所述的累积和算法cusum用于检测和放大时间序列数据中的细微变化，马氏距离用于衡量样本集中每个样本点与中心之间的相对距离。
5.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所述步骤5)中，所述的绝对偏差的计算基于时间维度统计量和空间维度统计量的标准偏差。
6.根据权利要求1所述的基于小波变换的时空混合模型早期故障检测方法，其特征在于：所...
【专利技术属性】
技术研发人员：秦秋月，邢景揚，李芳芳，马潇雨，卢一凡，王渠成，孙兴建，茅靖峰，
申请(专利权)人：南通大学，
类型：发明
国别省市：
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。