一种用于PLC电柜的快速故障检测方法及系统

技术领域

本发明属于数据处理技术领域，具体是一种用于PLC电柜的快速故障检测方法及系统。

背景技术

PLC电柜的快速故障检测方法是一种通过对电柜系统运行时产生的数据进行采集、存储和分析，从而快速识别和定位系统故障的方法，旨在减少PLC电柜故障的影响范围，降低生产中断的时间，提高设备的可靠性和稳定性。但是现有的PLC电柜的快速故障检测方法，存在故障数据维度较高，导致计算和存储的开销巨大，增加故障检测的复杂度的技术问题；存在环境变化和故障情况不同时，故障搜索速度降低，无法及时准确定位故障的技术问题；存在故障检测不准，导致故障处理的准确性和效率降低，影响生产效率和稳定性的技术问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种用于PLC电柜的快速故障检测方法及系统，针对存在故障数据维度较高，导致计算和存储的开销巨大，增加故障检测的复杂度的技术问题，采用数据降维处理，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理，降低计算和存储成本，去除冗余信息，保留代表性特征；针对存在环境变化和故障情况不同时，故障搜索速度降低，无法及时准确定位故障的技术问题，采用故障搜索定位模型，定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，提高故障定位速度；针对存在故障检测不准，导致故障处理的准确性和效率降低，影响生产效率和稳定性的技术问题，采用定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案，提高故障处理效率。

本发明采取的技术方案如下：本发明提供的一种用于PLC电柜的快速故障检测方法，该方法包括以下步骤：

步骤S1：历史故障数据采集；

步骤S2：数据降维处理，具体为将历史故障数据投影到子主空间上，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理；

步骤S3：构建故障搜索定位模型，具体为定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，迭代搜索，生成故障搜索检测方案集；

步骤S4：故障搜索检测方案评估，具体为定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案；

步骤S5：故障报警与处理。

进一步地，在步骤S1中，所述历史故障数据采集，具体为采集PLC电柜系统运行故障时产生的各种历史数据信息，包括输入输出状态、通信状态、传感器数据、控制器状态、电柜运行时间和模式切换记录，将故障原因和故障可能性作为数据标签。

进一步地，在步骤S2中，所述数据降维处理，包括以下步骤：

步骤S21：计算样本数据集的状态向量，将历史故障数据投影到子主空间上，得到样本数据集的状态向量，所用公式如下：

式中，

步骤S22：计算降维的目标函数，衡量降维后的样本数据集与历史故障数据之间的差异程度，所用公式如下：

式中，J表示降维的目标函数，M是样本数据集总数，

步骤S23：计算协方差矩阵，通过计算样本数据集的状态向量与样本数据集的均值向量之间的协方差矩阵，分析样本数据集中各个特征之间的关系，所用公式如下：

式中，S是协方差矩阵，协方差矩阵是衡量两个随机变量之间关系的矩阵，

步骤S24：进行拉格朗日乘法，优化特征向量的计算，所用公式如下：

F(u

式中，F(u

步骤S25：降维处理，通过奇异值分解状态序列得到协方差矩阵的特征值和特征向量，进行降维处理。

进一步地，在步骤S3中，所述构建故障搜索定位模型，包括以下步骤：

步骤S31：初始化，设定多个初始位置作为可能的故障发生点，即可能的故障原因；

步骤S32：定义适应度值，所述适应度值表示每个可能的故障发生点的可能性百分比，所用公式如下：

式中，A是适应度值，即故障发生点的匹配程度，Ω是每个可能的故障发生点与故障位置之间的欧式距离，距离越小，匹配程度越高，适应度值越大；

步骤S33：进行故障搜索，从初始位置开始，遍历故障搜索范围，包括以下步骤：

步骤S331：计算基于局部搜索的动态步长，所用公式如下：

式中，L是局部搜索的动态步长，V表示当前距离故障位置最近的点，

步骤S332：调整搜索角度，在下一次转头将转向一个新的角度，所用公式如下：

式中，

步骤S333：移动到下一位置，所用公式如下：

式中，Y'是下一移动位置，Y是初始位置，r

步骤S334：更新故障搜索范围，根据下一移动位置，重新计算适应度值，将搜索范围缩小到适应度值高的位置附近，得到更准确的故障位置，更新故障可能性标签；

步骤S34：设计迭代搜索，预先设有适应度阈值，当适应度值高于适应度阈值，建立故障搜索定位模型；若达到最大迭代次数，重新设定初始位置进行故障搜索；否则继续迭代搜索；

步骤S35：生成故障搜索检测方案集，故障搜索定位模型迭代过程中，得到不同的故障搜索检测方案，即故障搜索检测方案集。

进一步地，在步骤S4中，所述故障搜索检测方案评估，包括以下步骤：

步骤S41：定义属性集，定义故障搜索检测方案集对应的属性集，根据属性集，对故障搜索检测方案中的每个方案进行评估；

步骤S42：数据标准化，对每个属性对应的数据进行标准化，得到归一化矩阵，所用公式如下：

式中，z

步骤S43：计算加权归一化决策矩阵，关注关键属性对解的影响，所用公式如下：

X

式中，X

步骤S44：计算每个方案到正理想解和负理想解的距离，评估各个故障搜索检测方案的优劣，所用公式如下：

式中，

步骤S45：选出最优故障搜索检测方案，计算故障搜索检测方案与正理想解的相对接近度，所用公式如下：

式中，C

进一步地，在步骤S5中，所述故障报警与处理，具体为采用最优故障搜索检测方案进行故障搜索定位，一旦PLC电柜故障位置被确定，系统自动发出警报通知操作人员，并提供相应的故障处理建议。

本发明提供的一种用于PLC电柜的快速故障检测系统，包括历史故障数据采集模块、数据降维处理模块、构建故障搜索定位模型模块、故障搜索检测方案评估模块和故障报警与处理模块；

所述历史故障数据采集模块，具体为采集PLC电柜系统运行故障时产生的各种历史数据信息；

所述数据降维处理模块，具体为将历史故障数据投影到子主空间上，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理；

所述构建故障搜索定位模型模块，具体为定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，迭代搜索，生成故障搜索检测方案集；

所述故障搜索检测方案评估模块，具体为定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案；

所述故障报警与处理模块，具体为采用最优故障搜索检测方案进行故障搜索定位，一旦PLC电柜故障位置被确定，系统自动发出警报通知操作人员，并提供相应的故障处理建议。

采用上述方案本发明取得的有益成果如下：

(1)针对存在故障数据维度较高，导致计算和存储的开销巨大，增加故障检测的复杂度的技术问题，采用数据降维处理，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理，降低计算和存储成本，去除冗余信息，保留代表性特征；

(2)针对存在环境变化和故障情况不同时，故障搜索速度降低，无法及时准确定位故障的技术问题，采用故障搜索定位模型，定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，提高故障定位速度；

(3)针对存在故障检测不准，导致故障处理的准确性和效率降低，影响生产效率和稳定性的技术问题，采用定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案，提高故障处理效率。

附图说明

图1为本发明提供的一种用于PLC电柜的快速故障检测方法的流程示意图；

图2为本发明提供的一种用于PLC电柜的快速故障检测系统的示意图；

图3为步骤S2的流程示意图；

图4为步骤S3的流程示意图；

图5为步骤S4的流程示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的一种用于PLC电柜的快速故障检测方法，该方法包括以下步骤：

步骤S1：历史故障数据采集；

步骤S2：数据降维处理，具体为将历史故障数据投影到子主空间上，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理；

步骤S3：构建故障搜索定位模型，具体为定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，迭代搜索，生成故障搜索检测方案集；

步骤S4：故障搜索检测方案评估，具体为定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案；

步骤S5：故障报警与处理。

实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，所述历史故障数据采集，具体为采集PLC电柜系统运行故障时产生的各种历史数据信息，包括输入输出状态、通信状态、传感器数据、控制器状态、电柜运行时间和模式切换记录，将故障原因和故障可能性作为数据标签。

实施例三，参阅图1和图3，该实施例基于上述实施例，在步骤S2中，所述数据降维处理，包括以下步骤：

步骤S21：计算样本数据集的状态向量，将历史故障数据投影到子主空间上，得到样本数据集的状态向量，所用公式如下：

式中，

步骤S22：计算降维的目标函数，衡量降维后的样本数据集与历史故障数据之间的差异程度，所用公式如下：

式中，J表示降维的目标函数，M是样本数据集总数，

步骤S23：计算协方差矩阵，通过计算样本数据集的状态向量与样本数据集的均值向量之间的协方差矩阵，分析样本数据集中各个特征之间的关系，所用公式如下：

式中，S是协方差矩阵，协方差矩阵是衡量两个随机变量之间关系的矩阵，

步骤S24：进行拉格朗日乘法，优化特征向量的计算，所用公式如下：

F(u

式中，F(u

步骤S25：降维处理，通过奇异值分解状态序列得到协方差矩阵的特征值和特征向量，进行降维处理。

通过执行上述操作，采用数据降维处理，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理，降低计算和存储成本，去除冗余信息，保留代表性特征，解决了故障数据维度较高，导致计算和存储的开销巨大，增加故障检测的复杂度的技术问题。

实施例四，参阅图1和图4，该实施例基于上述实施例，在步骤S3中，所述构建故障搜索定位模型，包括以下步骤：

步骤S31：初始化，设定多个初始位置作为可能的故障发生点，即可能的故障原因；

步骤S32：定义适应度值，所述适应度值表示每个可能的故障发生点的可能性百分比，所用公式如下：

式中，A是适应度值，即故障发生点的匹配程度，Ω是每个可能的故障发生点与故障位置之间的欧式距离，距离越小，匹配程度越高，适应度值越大；

步骤S33：进行故障搜索，从初始位置开始，遍历故障搜索范围，包括以下步骤：

步骤S331：计算基于局部搜索的动态步长，所用公式如下：

式中，L是局部搜索的动态步长，V表示当前距离故障位置最近的点，

步骤S332：调整搜索角度，在下一次转头将转向一个新的角度，所用公式如下：

式中，

步骤S333：移动到下一位置，所用公式如下：

式中，Y'是下一移动位置，Y是初始位置，r

步骤S334：更新故障搜索范围，根据下一移动位置，重新计算适应度值，将搜索范围缩小到适应度值高的位置附近，得到更准确的故障位置，更新故障可能性标签；

步骤S34：设计迭代搜索，预先设有适应度阈值，当适应度值高于适应度阈值，建立故障搜索定位模型；若达到最大迭代次数，重新设定初始位置进行故障搜索；否则继续迭代搜索；

步骤S35：生成故障搜索检测方案集，故障搜索定位模型迭代过程中，得到不同的故障搜索检测方案，即故障搜索检测方案集。

通过执行上述操作，采用故障搜索定位模型，定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，提高故障定位速度，解决了环境变化和故障情况不同时，故障搜索速度降低，无法及时准确定位故障的技术问题。

实施例五，参阅图1和图5，该实施例基于上述实施例，在步骤S4中，所述故障搜索检测方案评估，包括以下步骤：

步骤S41：定义属性集，定义故障搜索检测方案集对应的属性集，根据属性集，对故障搜索检测方案中的每个方案进行评估；

步骤S42：数据标准化，对每个属性对应的数据进行标准化，得到归一化矩阵，所用公式如下：

式中，z

步骤S43：计算加权归一化决策矩阵，关注关键属性对解的影响，所用公式如下：

X

式中，X

步骤S44：计算每个方案到正理想解和负理想解的距离，评估各个故障搜索检测方案的优劣，所用公式如下：

式中，

步骤S45：选出最优故障搜索检测方案，计算故障搜索检测方案与正理想解的相对接近度，所用公式如下：

式中，C

通过执行上述操作，采用定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案，解决了故障检测不准，导致故障处理的准确性和效率降低，影响生产效率和稳定性的技术问题。

实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，所述故障报警与处理，具体为采用最优故障搜索检测方案进行故障搜索定位，一旦PLC电柜故障位置被确定，系统自动发出警报通知操作人员，并提供相应的故障处理建议。

实施例七，参阅图2，该实施例基于上述实施例，本发明提供的一种用于PLC电柜的快速故障检测系统，包括历史故障数据采集模块、数据降维处理模块、构建故障搜索定位模型模块、故障搜索检测方案评估模块和故障报警与处理模块；

所述历史故障数据采集模块，具体为采集PLC电柜系统运行故障时产生的各种历史数据信息；

所述数据降维处理模块，具体为将历史故障数据投影到子主空间上，计算样本数据集的状态向量和降维的目标函数，并计算协方差矩阵，进行拉格朗日乘法，实现降维处理；

所述构建故障搜索定位模型模块，具体为定义适应度值，从初始位置进行故障搜索，计算基于局部搜索的动态步长并调整搜索角度，更新故障搜索范围，迭代搜索，生成故障搜索检测方案集；

所述故障搜索检测方案评估模块，具体为定义属性集，并对属性数据进行标准化，计算加权归一化决策矩阵，计算故障搜索检测方案与正理想解的相对接近度，选出最优故障搜索检测方案；

所述故障报警与处理模块，具体为采用最优故障搜索检测方案进行故障搜索定位，一旦PLC电柜故障位置被确定，系统自动发出警报通知操作人员，并提供相应的故障处理建议。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。