一種基于設(shè)備工況的故障診斷方法及裝置制造方法
【專利摘要】本發(fā)明涉及一種基于設(shè)備工況的故障診斷方法及裝置，其中，該方法包括：對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提?。桓鶕?jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接識別；若直接識別故障，則直接對設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn)行工況識別和分類；利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過Q-矩陣獲得每種設(shè)備工況對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別；其中，所述Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
【專利說明】一種基于設(shè)備工況的故障診斷方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及設(shè)備故障診斷領(lǐng)域，特別涉及一種基于設(shè)備工況的故障診斷方法及裝 置。

【背景技術(shù)】
[0002] 設(shè)備故障診斷是一種了解掌握設(shè)備狀態(tài)、早期發(fā)現(xiàn)故障、以及能預(yù)報故障發(fā)展趨 勢的技術(shù)。隨著生產(chǎn)與科學(xué)技術(shù)的發(fā)展，設(shè)備的工作強度不斷增大，生產(chǎn)自動化程度越來越 高，同時設(shè)備更加復(fù)雜、各部分的關(guān)聯(lián)更加密切。一個微小故障就有可能導(dǎo)致整個設(shè)備乃至 整條"設(shè)備鏈"遭受災(zāi)難性的毀壞，不僅造成巨大的經(jīng)濟(jì)損失，而且會危及人身安全。因此， 設(shè)備故障診斷技術(shù)發(fā)揮日益重要的作用，它能及時診斷出設(shè)備的故障，以減少維修時間，提 高維修質(zhì)量，節(jié)約維修費用。
[0003] 當(dāng)前，國內(nèi)外診斷算法比較完備，診斷技術(shù)也比較先進(jìn)，但是依然存在大量的誤報 警的問題。主要原因在于：設(shè)備在不同的工況下表現(xiàn)出來的故障形式和特點各異，僅用一種 診斷算法不能夠準(zhǔn)確、高效地診斷出所有類型的故障。當(dāng)前設(shè)備故障診斷發(fā)展迅速，涌現(xiàn)出 許多診斷算法，但每種算法都有其適用的范圍。比如：支持向量機（SVM)在小樣本、非線性 和高維模式識別時優(yōu)勢明顯，且能得到全局最優(yōu)解，但訓(xùn)練算法速度慢、算法復(fù)雜、檢測階 段運算量大；模糊C均值聚類（FCM)計算速度快、無需先驗知識，但抗噪能力不強、不一定得 到全局最優(yōu)解；BP神經(jīng)網(wǎng)絡(luò)擁有強大的學(xué)習(xí)、并行處理和良好容錯的能力、可能得到局部 最優(yōu)解，但需求的訓(xùn)練樣本多、訓(xùn)練時間長。因此，克服傳統(tǒng)診斷方法中忽視工況變化對診 斷的影響，根據(jù)工況變化而自適應(yīng)地調(diào)整診斷方法具有重要的研究意義。


【發(fā)明內(nèi)容】

[0004] 為解決上述技術(shù)問題，本發(fā)明提出一種基于設(shè)備工況的故障診斷方法及裝置，設(shè) 備在不同的工況下表現(xiàn)出來的故障形式和特點各異，針對不同的工況下的故障應(yīng)該選用不 同的診斷算法進(jìn)行診斷，達(dá)到提高診斷準(zhǔn)確率的目的。
[0005] 為實現(xiàn)上述目的，本發(fā)明提供了一種基于設(shè)備工況的故障診斷方法，該方法包 括：
[0006] 對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提??；
[0007] 根據(jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接識別；若直接識別故障，則直 接對設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn)行工況識別和分類；
[0008] 利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過Q-矩陣獲得每種設(shè)備工況對應(yīng) 的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別；其中，所述Q-矩陣表 示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
[0009] 優(yōu)選地，所述Q-矩陣的建立方法包括：
[0010] 已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提取；
[0011] 將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣本的工況類型；
[0012] 利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本的工況類型進(jìn)行診 斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計得出數(shù)據(jù)樣本各種 工況對應(yīng)每種算法的診斷精度；
[0013] 選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不同的工況類型對應(yīng) 最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0014] 優(yōu)選地，所述算法庫中的算法包括：支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚 類算法。
[0015] 對應(yīng)地，為實現(xiàn)上述目的，本發(fā)明還提供了一種基于設(shè)備工況的故障診斷裝置，該 裝置包括：
[0016] 未知樣本特征提取單元，用于對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提??；
[0017] 第一故障診斷單元，用于根據(jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接識 另IJ ;若直接識別故障，則直接對設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn)行 工況分類；
[0018] 第二故障診斷單元，用于利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過Q-矩陣 獲得每種設(shè)備工況對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識 另IJ ;其中，所述Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
[0019] 優(yōu)選地，所述第二故障診斷單元包括：
[0020] 已知樣本特征提取模塊，用于已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??；
[0021] 已知樣本工況識別模塊，用于將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已 知樣本的工況類型；
[0022] 診斷精度獲取模塊，用于利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知 樣本的工況類型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況 統(tǒng)計得出數(shù)據(jù)樣本各種工況對應(yīng)每種算法的診斷精度；
[0023] Q-矩陣建立模塊，用于選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建 立不同的工況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0024] 優(yōu)選地，所述診斷精度獲取模塊使用的算法庫內(nèi)的算法包括：支持向量機算法、BP 神經(jīng)網(wǎng)絡(luò)和模糊C均值聚類算法。
[0025] 優(yōu)選地，所述第二故障診斷單元還包括診斷模塊；
[0026] 所述診斷模塊，用于利用所述Q-矩陣建立模塊建立的Q-矩陣獲得每種設(shè)備工況 對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別。
[0027] 為實現(xiàn)上述目的，基于上述技術(shù)方案，本發(fā)明提供了一種Q-矩陣建立方法，所述 Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系；包括：
[0028] 已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??；
[0029] 將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣本的工況類型；
[0030] 利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本的工況類型進(jìn)行診 斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計得出數(shù)據(jù)樣本各種 工況對應(yīng)每種算法的診斷精度；
[0031] 選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不同的工況類型對應(yīng) 最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0032] 優(yōu)選地，所述算法庫中的算法包括：支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚 類算法。
[0033] 對應(yīng)地，為實現(xiàn)上述目的，本發(fā)明還提供了一種Q-矩陣建立裝置，所述Q-矩陣表 示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系；該裝置包括：
[0034] 已知樣本特征提取單元，用于已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??；
[0035] 已知樣本工況識別單元，用于將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已 知樣本的工況類型；
[0036] 診斷精度獲取單元，用于利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知 樣本的工況類型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況 統(tǒng)計得出數(shù)據(jù)樣本各種工況對應(yīng)每種算法的診斷精度；
[0037] Q-矩陣建立單元，用于選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建 立不同的工況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0038] 上述技術(shù)方案具有如下有益效果：本技術(shù)方案提取不同工況下已知樣本的特征， 構(gòu)建算法庫，分別對診斷算法庫中的算法進(jìn)行訓(xùn)練，獲得不同工況下的各算法的診斷識別 準(zhǔn)確率，選出識別準(zhǔn)確率最高的算法作為不同工況下對應(yīng)的診斷算法，構(gòu)建Q-矩陣。利用 Q-矩陣識別未知樣本工況，在不同工況下，故障診斷選用準(zhǔn)確率高的診斷算法進(jìn)行診斷，有 效提高設(shè)備故障診斷準(zhǔn)確率，在設(shè)備故障診斷領(lǐng)域有重要意義。

【專利附圖】

【附圖說明】
[0039] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據(jù)這些附圖獲得其他的附圖。
[0040] 圖1為本發(fā)明技術(shù)方案的工作原理示意圖；
[0041] 圖2為本發(fā)明提出的一種基于設(shè)備工況的故障診斷方法流程圖；
[0042] 圖3為本發(fā)明提出的一種基于設(shè)備工況的故障診斷裝置框圖；
[0043] 圖4為本發(fā)明提出的一種Q-矩陣建立方法流程圖；
[0044] 圖5為本發(fā)明提出的一種Q-矩陣建立裝置框圖；
[0045] 圖6為本實施例一的故障模式數(shù)據(jù)仿真結(jié)果示意圖；
[0046] 圖7為本實施例一的Q-矩陣示意圖；
[0047] 圖8為本實施例一的利用圖7獲得的診斷結(jié)果示意圖；
[0048] 圖9為本實施例二的實驗方案示意圖；
[0049] 圖10為本實施例二的Q-矩陣示意圖；
[0050] 圖11為本實施例二的利用圖10獲得的診斷結(jié)果示意圖。

【具體實施方式】
[0051] 下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于 本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護(hù)的范圍。
[0052] 如圖1所示，本技術(shù)方案的工作原理是：首先，選擇支持向量機（SVM)、BP神經(jīng)網(wǎng)絡(luò) 和模糊C均值聚類（FCM)算法組建算法庫。然后利用已知樣本的診斷數(shù)據(jù)和行為參數(shù)對算 法庫進(jìn)行訓(xùn)練，構(gòu)建Q-矩陣。該Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān) 系。再對未知樣本進(jìn)行工況識別，并對未知樣本的診斷數(shù)據(jù)進(jìn)行特征提取，利用未知樣本的 工況分類結(jié)果和診斷數(shù)據(jù)的特征，通過Q-矩陣獲得每種設(shè)備工況對應(yīng)的最優(yōu)診斷算法，最 終完成設(shè)備的故障診斷識別。其中，Q-矩陣也亦可以稱為工況算法優(yōu)選原則。
[0053] 基于上述工作原理，本發(fā)明提出的一種基于設(shè)備工況的故障診斷方法，如圖2所 示。該方法包括：
[0054] 步驟201):對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提??；
[0055] 步驟202):根據(jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接識別；若直接識別 故障，則直接對設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn)行工況分類；
[0056] 步驟203):利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過Q-矩陣獲得每種設(shè) 備工況對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別；其中，所述 Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
[0057] 優(yōu)選地，所述Q-矩陣的建立方法包括：
[0058] 已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??；
[0059] 將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣本的工況類型；
[0060] 利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本的工況類型進(jìn)行診 斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計得出數(shù)據(jù)樣本各種 工況對應(yīng)每種算法的診斷精度；
[0061] 選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不同的工況類型對應(yīng) 最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0062] 優(yōu)選地，所述算法庫中的算法包括：支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚 類算法。
[0063] 如圖3所示，為本發(fā)明提出的一種基于設(shè)備工況的故障診斷裝置框圖。該裝置包 括：
[0064] 未知樣本特征提取單元301，用于對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提?。?[0065] 第一故障診斷單元302,用于根據(jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接 識別；若直接識別故障，則直接對設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn) 行工況分類；
[0066] 第二故障診斷單元303,用于利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過 Q-矩陣獲得每種設(shè)備工況對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診 斷識別；其中，所述Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
[0067] 優(yōu)選地，所述第二故障診斷單元303包括：
[0068] 已知樣本特征提取模塊，用于已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??； [0069] 已知樣本工況識別模塊，用于將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已 知樣本的工況類型；
[0070] 診斷精度獲取模塊，用于利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知 樣本的工況類型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況 統(tǒng)計得出數(shù)據(jù)樣本各種工況對應(yīng)每種算法的診斷精度；
[0071] Q-矩陣建立模塊，用于選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建 立不同的工況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0072] 優(yōu)選地，所述診斷精度獲取模塊使用的算法庫內(nèi)的算法包括：支持向量機算法、BP 神經(jīng)網(wǎng)絡(luò)和模糊C均值聚類算法。
[0073] 優(yōu)選地，所述第二故障診斷單元303還包括診斷模塊；
[0074] 所述診斷模塊，用于利用所述Q-矩陣建立模塊建立的Q-矩陣獲得每種設(shè)備工況 對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別。
[0075] 如圖4所示，為本發(fā)明提出的一種Q-矩陣建立方法流程圖。所述Q-矩陣表示不 同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系；包括：
[0076] 步驟401):已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提?。?br> [0077] 步驟402):將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣本的工況類 型；
[0078] 步驟403):利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本的工況類 型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計得出數(shù)據(jù) 樣本各種工況對應(yīng)每種算法的診斷精度；
[0079] 步驟404):選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不同的工 況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0080] 優(yōu)選地，所述算法庫中的算法包括：支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚 類算法。
[0081] 如圖5所示，為本發(fā)明提出的一種Q-矩陣建立裝置框圖。所述Q-矩陣表示不同 的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系；該裝置包括：
[0082] 已知樣本特征提取單元501，用于已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提 ??；
[0083] 已知樣本工況識別單元502,用于將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述 已知樣本的工況類型；
[0084] 診斷精度獲取單元503，用于利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已 知樣本的工況類型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情 況統(tǒng)計得出數(shù)據(jù)樣本各種工況對應(yīng)每種算法的診斷精度；
[0085] Q-矩陣建立單元504,用于選出診斷精度最高的算法作為該工況的最優(yōu)診斷算 法，建立不同的工況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
[0086] 如圖6所示，為本實施例的故障模式數(shù)據(jù)仿真結(jié)果示意圖。構(gòu)建5個多元正態(tài)分 布，以此作為仿真數(shù)據(jù)的工況。對工況數(shù)據(jù)進(jìn)行一定規(guī)則的變換，使得每種工況下獲得4種 故障類型數(shù)據(jù)。每種故障類型數(shù)據(jù)樣本分為1〇〇個。具體的構(gòu)造規(guī)則如下：
[0087] 多元正態(tài)分布定義如式⑴：設(shè)隨機向量X = (Xp x2,…，xp) ' , - 00 <Xi〈+ °°，若 其的密度函數(shù)為：
[0088]

【權(quán)利要求】
1. 一種基于設(shè)備工況的故障診斷方法，其特征在于，該方法包括： 對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提取； 根據(jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接識別；若直接識別故障，則直接對 設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn)行工況分類； 利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過Q-矩陣獲得每種設(shè)備工況對應(yīng)的最 優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別；其中，所述Q-矩陣表示不 同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
2. 如權(quán)利要求1所述的方法，其特征在于，所述Q-矩陣的建立方法包括： 已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??； 將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣本的工況類型； 利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本的工況類型進(jìn)行診斷，得 到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計得出數(shù)據(jù)樣本各種工況對 應(yīng)每種算法的診斷精度； 選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不同的工況類型對應(yīng)最優(yōu) 診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
3. 如權(quán)利要求2所述的方法，其特征在于，所述算法庫中的算法包括：支持向量機算 法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚類算法。
4. 一種基于設(shè)備工況的故障診斷裝置，其特征在于，該裝置包括： 未知樣本特征提取單元，用于對設(shè)備的未知樣本的診斷數(shù)據(jù)進(jìn)行特征提?。? 第一故障診斷單元，用于根據(jù)所述診斷數(shù)據(jù)的特征判斷設(shè)備的故障是否直接識別；若 直接識別故障，則直接對設(shè)備進(jìn)行故障診斷識別；否則，則根據(jù)設(shè)備的行為參數(shù)進(jìn)行工況分 類； 第二故障診斷單元，用于利用工況分類結(jié)果和所述診斷數(shù)據(jù)的特征，通過Q-矩陣獲得 每個設(shè)備工況對應(yīng)的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別；其 中，所述Q-矩陣表示不同的工況類型與最優(yōu)診斷算法之間對應(yīng)關(guān)系。
5. 如權(quán)利要求4所述的裝置，其特征在于，所述第二故障診斷單元包括： 已知樣本特征提取模塊，用于已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??； 已知樣本工況識別模塊，用于將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣 本的工況類型； 診斷精度獲取模塊，用于利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本 的工況類型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計 得出數(shù)據(jù)樣本各種工況對應(yīng)每種算法的診斷精度； Q-矩陣建立模塊，用于選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不 同的工況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
6. 如權(quán)利要求5所述的裝置，其特征在于，所述診斷精度獲取模塊使用的算法庫內(nèi)的 算法包括：支持向量機算法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚類算法。
7. 如權(quán)利要求5所述的裝置，其特征在于，所述第二故障診斷單元還包括診斷模塊； 所述診斷模塊，用于利用所述Q-矩陣建立模塊建立的Q-矩陣獲得每個設(shè)備工況對應(yīng) 的最優(yōu)診斷算法，根據(jù)所述最優(yōu)診斷算法對設(shè)備進(jìn)行故障診斷識別。
8. -種Q-矩陣建立方法，其特征在于，所述Q-矩陣表示不同的工況類型與最優(yōu)診斷算 法之間對應(yīng)關(guān)系；包括： 已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提取； 將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣本的工況類型； 利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本的工況類型進(jìn)行診斷，得 到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計得出數(shù)據(jù)樣本各種工況對 應(yīng)每種算法的診斷精度； 選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不同的工況類型對應(yīng)最優(yōu) 診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
9. 如權(quán)利要求8所述的方法，其特征在于，所述算法庫中的算法包括：支持向量機算 法、BP神經(jīng)網(wǎng)絡(luò)和模糊C均值聚類算法。
10. -種Q-矩陣建立裝置，其特征在于，所述Q-矩陣表示不同的工況類型與最優(yōu)診斷 算法之間對應(yīng)關(guān)系；該裝置包括： 已知樣本特征提取單元，用于已知樣本中的診斷數(shù)據(jù)和行為參數(shù)進(jìn)行特征提??； 已知樣本工況識別單元，用于將所述行為參數(shù)的特征進(jìn)行工況識別，獲得所述已知樣 本的工況類型； 診斷精度獲取單元，用于利用所述診斷數(shù)據(jù)的特征，算法庫中的所有算法對已知樣本 的工況類型進(jìn)行診斷，得到每種算法同各種工況類型對應(yīng)的診斷情況，利用診斷情況統(tǒng)計 得出數(shù)據(jù)樣本各種工況對應(yīng)每種算法的診斷精度； Q-矩陣建立單元，用于選出診斷精度最高的算法作為該工況的最優(yōu)診斷算法，建立不 同的工況類型對應(yīng)最優(yōu)診斷算法的關(guān)系矩陣；所述關(guān)系矩陣為Q-矩陣。
【文檔編號】G06F19/00GK104156627SQ201410437487
【公開日】2014年11月19日 申請日期:2014年8月29日 優(yōu)先權(quán)日:2014年8月29日
【發(fā)明者】梁偉, 張來斌, 盧文青, 李威君, 盧琳琳, 仇經(jīng)緯, 康健 申請人:中國石油大學(xué)(北京)