一种故障关联分析方法和装置
文献发布时间:2023-06-19 09:49:27
技术领域
本公开涉及但不限于计算机技术领域,特别是涉及到一种故障关联分析方法和装置。
背景技术
PHM(故障预测与健康管理)是利用各类先进传感器实时监测装备运行状态参数及特征信号,借助智能算法和模型来评估装备健康状态,预测剩余使用寿命,诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。PHM技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。借助该项技术的故障诊断能力来识别故障类型。装备使用人员与维修人员明确装备故障类型,从而采取有效的维修方式,有效降低故障风险,节约装备资源,减少因装备故障误诊带来的经济损失。
目前,PHM技术对于故障检测的数据挖掘的方法目前主要有:基于机器学习的方法,基于深度学习的方法,基于关联规则方法,基于专家系统的方法。
基于机器学习与深度学习方法的缺陷在于:在缺少足够的训练样本的情况下,容易造成学习过拟合现象,并陷入局部最优化。基于专家系统的方法的缺陷在于:过于依赖于先验的背景知识,对于未知故障项的关系判断不具有客观性。
相比于上述两种方法,基于关联规则分析的方法的优点在于:它有很强的分析能力,以及强大的推断能力,可以挖掘出事物之间潜在的关联关系。
然而,缓变信号具有变化缓慢,频率低,信号特征提取不明显等特点。特别地,对于多种类缓变信号的数据样本以目前的基于数据挖掘方法难以对其进行有效的故障关联分析。因此还需要改进现有的算法或者开发新的算法来解决这一难点问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开实施例提供了一种故障关联分析方法和装置,能够精确的检测信号状态,可以有效挖掘故障之间的关联关系。
本公开实施例提供一种故障关联分析方法,包括,
获取待检测设备的多种类型的缓变信号;
根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围,确定所述缓变信号的状态;
根据所述缓变信号的状态,确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。
一些示例性实施例中,所述各类型的缓变信号的正常阈值范围预先根据以下方式确定:
获取训练设备在稳态条件下正常工作时的多种类型的缓变信号,作为训练信号;
根据所述训练信号,确定各类型的缓变信号的正常阈值范围;
其中,所述训练设备与所述待检测设备为同一设备,或者,所述训练设备与所述待检测设备为同一型号的设备。
一些示例性实施例中,所述根据所述训练信号,确定各类型的缓变信号的正常阈值范围,包括:
对于每一种类型的缓变信号分别执行以下步骤,确定该类型缓变信号的正常阈值范围:
以所述训练信号中该类型的全部缓变信号作为训练数据,通过预设的自适应阈值算法进行训练,得到该类型缓变信号的正常阈值范围。
一些示例性实施例中,所述根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围,确定所述缓变信号的状态,包括:
对于每一个缓变信号执行以下操作确定其状态:
当该缓变信号连续G秒的信号超出该缓变信号的类型所对应的正常阈值范围,则确定该缓变信号的状态为异常;反之,则确定该缓变信号的状态为正常;所述G为大于0的整数。
一些示例性实施例中,所述根据所述缓变信号的状态,确定所述待检测设备的多种类型的缓变信号的故障关联分析结果,包括:
根据所述缓变信号的状态,进行数据量化转换,得到故障数据项集;
根据所述故障数据项集和预先设置的分析参数,利用预先设置的分析算法,确定所述缓变信号的故障关联分析结果。
一些示例性实施例中,所述预先设置的分析算法包括:FP growth算法,所述预先设置的分析参数包括:置信度和支持度。
一些示例性实施例中,所述根据所述缓变信号的状态,进行数据量化转换,得到故障数据项集,包括:
根据所述缓变信号的状态,确定缓变信号状态矩阵;其中,所述缓变信号状态矩阵的每一行对应一组缓变信号,每一列对应一种类型的缓变信号;一个缓变信号状态为正常时,在所述缓变信号状态矩阵中对应位置标示为0,一个缓变信号状态为异常时,在所述缓变信号状态矩阵中对应位置标示为1;
根据所述缓变信号状态矩阵中每一行中为1的值所对应的列数索引编号,组建每一行的故障数据项;根据各行的故障数据项得到所述故障数据项集。
一些示例性实施例中,所述缓变信号包括一次或多次采集的缓变信号,每一次采集的缓变信号对应为一组缓变信号,每一组缓变信号包括多类型的缓变信号。
本公开实施例还提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一一种故障关联分析方法。
本公开实施例还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一一种故障关联分析方法。
在阅读并理解了附图和详细描述后,可以明白其他方面。
附图说明
图1为本公开实施例中一种故障关联分析方法的流程图;
图2为本公开另一实施例中一种故障关联分析方法的流程图;
图3为本公开一实施例中故障分析结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明作进一步的详细描述。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
实施例一
本公开实施例提供一种故障关联分析方法,其流程如图1所示,包括,
步骤101,获取待检测设备的多种类型的缓变信号;
步骤102,根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围,确定所述缓变信号的状态;
步骤103,根据所述缓变信号的状态,确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。
一些示例性实施例中,所述各类型的缓变信号的正常阈值范围预先根据以下方式确定:
获取训练设备在稳态条件下正常工作时的多种类型的缓变信号,作为训练信号;
根据所述训练信号,确定各类型的缓变信号的正常阈值范围;
其中,所述训练设备与所述待检测设备为同一设备,或者,所述训练设备与所述待检测设备为同一型号的设备。
一些示例性实施例中,所述根据所述训练信号,确定各类型的缓变信号的正常阈值范围,包括:
对于每一种类型的缓变信号分别执行以下步骤,确定该类型缓变信号的正常阈值范围:
以所述训练信号中该类型的全部缓变信号作为训练数据,通过预设的自适应阈值算法进行训练,得到该类型缓变信号的正常阈值范围。
一些示例性实施例中,所述根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围,确定所述缓变信号的状态,包括:
对于每一个缓变信号执行以下操作确定其状态:
当该缓变信号连续G秒的信号超出该缓变信号的类型所对应的正常阈值范围,则确定该缓变信号的状态为异常;反之,则确定该缓变信号的状态为正常;所述G为大于0的整数。
一些示例性实施例中,所述根据所述缓变信号的状态,确定所述待检测设备的多种类型的缓变信号的故障关联分析结果,包括:
根据所述缓变信号的状态,进行数据量化转换,得到故障数据项集;
根据所述故障数据项集和预先设置的分析参数,利用预先设置的分析算法,确定所述缓变信号的故障关联分析结果。
一些示例性实施例中,所述预先设置的分析算法包括:FP growth算法,所述预先设置的分析参数包括:置信度和支持度。
一些示例性实施例中,所述预先设置的分析算法包括:Aprior算法。
一些示例性实施例中,所述根据所述缓变信号的状态,进行数据量化转换,得到故障数据项集,包括:
根据所述缓变信号的状态,确定缓变信号状态矩阵;其中,所述缓变信号状态矩阵的每一行对应一组缓变信号,每一列对应一种类型的缓变信号;一个缓变信号状态为正常时,在所述缓变信号状态矩阵中对应位置标示为0,一个缓变信号状态为异常时,在所述缓变信号状态矩阵中对应位置标示为1;
根据所述缓变信号状态矩阵中每一行中为1的值所对应的列数索引编号,组建每一行的故障数据项;根据各行的故障数据项得到所述故障数据项集。
一些示例性实施例中,所述缓变信号包括一次或多次采集的缓变信号,每一次采集的缓变信号对应为一组缓变信号,每一组缓变信号包括多类型的缓变信号。
一些示例性实施例中,一次采集的信号也称为一个发次的信号或一个发次的数据。
实施例二
本公开实施例提供一种故障关联分析方法。本实施例中采用该方法对发动机的多种类型的缓变信号进行采集并分析确定其相关故障之间的关联。
本公开实施例提供的一种故障关联分析方法,如图2所示,包括,
步骤200,获取训练数据,所述训练数据包括多种类型的缓变信号;
步骤201,正常信号阈值范围训练;
步骤210,获取待检测缓变信号数据;
步骤220,状态判断;
步骤230,数据量化转换;
步骤240,确定故障关联分析结果。
其中,步骤200,获取训练数据,包括:采集在工况稳态条件下处于正常工作状态的一确定型号的同一个发动机的至少一个发次的多种类型的缓变信号作为训练数据,其中,所述训练数据所属发次的各类型的缓变信号均为正常状态。
一些示例性实施例中,步骤201,正常信号阈值范围训练,包括:根据所述训练数据,采用自适应阈值算法,确定各类型的缓变信号的正常阈值范围。
一些示例性实施例中,所述步骤201,包括:
对于每一类型的缓变信号,分别执行以下处理,确定该类型缓变信号的正常阈值范围:
1、首先,将输入的数据(该类型的缓变信号,即,所述训练数据)分割为2个数据向量x、x1,带宽系数n,其中,数据向量x为长度为N的向量,截取输入数据的前N个点的数据组成,x1由截取后剩余点的数据组成;N表示截取长度,为大于1的整数;以向量x的第一个值来初始化该向量的均值
2、下一步,此时的上下边界值分别为m
3、下一步,执行下面的循环过程,
其中,
4、下一步,令结束上一步循环时的最终上边界值为Threshold_final_up,最终下边界值为Threshold_final_down。即:
Threshold_final_up=M(i,1),
Threshold_final_down=M(i,2);
5、下一步,执行下面的循环过程,
其中,find()为搜寻函数,find(x1
可以看到,对于训练数据中的每一种缓变信号根据上述步骤1-5,最终自适应地生成了该类型缓变信号的上下界阈值——Threshold_final_up,Threshold_final_down,即确定了该类型缓变信号的正常信号的阈值范围。
可以看到,当所获取的训练数据包括L种类型的缓变信号时,则对于每一种类型的缓变信号分别执行上述步骤1-5,确定各自的正常信号阈值。其中,训练参数N,n可以相同或不同。
一些示例性实施例中,步骤210,获取待检测缓变信号数据,包括:采集在工况稳态条件下同种型号的同一个发动机或同种型号的不同发动机的不同发次的多种类型的缓变信号作为待检测缓变信号数据;其中,所述同种型号是指与步骤200中的发动机型号相同;待分析/待检测信号数据包括状态正常和状态异常的缓变信号数据。
一些示例性实施例中,步骤200获取的缓变信号为同一个发次的缓变信号或多个相同发次的缓变信号。
一些示例性实施例中,步骤210获取的缓变信号为同一个发次的缓变信号或多个相同发次的缓变信号。
一个发次是指一次采集,一个发次的缓变信号包括多种类型的缓变信号,表示同一次采集能够采集到多种类型的缓变信号。
一些示例性实施例中,步骤200和步骤210获取的每一个发次的缓变信号中所包括的缓变信号的类型,根据分析需求确定,可以是一个发次所包括的全部类型,也可以是部分类型。
一些示例性实施例中,步骤220状态判断,包括:根据步骤201所确定的各类型缓变信号的正常阈值范围,确定步骤210所获取的待检测缓变信号的状态;即,根据各类型缓变信号的正常阈值范围,分别确定步骤210所获取的各发次各类型的待检测缓变信号的状态,所述状态包括:正常和异常。
一些示例性实施例中,步骤220状态判断,包括:对于缓变信号,当连续G秒所采集的信号数据超出该类型的正常阈值范围,则确定该缓变信号为异常,否则为正常,G为大于0的整数。
一些示例性实施例中,步骤230,数据量化转换,包括:根据全部缓变信号的状态确定信号状态矩阵T;根据所述信号状态矩阵T,确定故障数据项集B。
一些示例性实施例中,步骤230,数据量化转换,包括:根据全部缓变信号的状态确定信号状态矩阵T,即根据多发次的多种缓变信号的信号状态确定信号状态矩阵T,例如,其中确定为正常状态的标记为0,异常的标记为1,确定信号状态矩阵T;找到矩阵中每一行为1的值所对应的列数索引编号,并将其组建成故障数据项集B。
一些示例性实施例中,步骤240,确定故障关联分析结果,包括:根据所述故障数据项集B,采用预先设置好置信度以及支持度的FP growth算法确定所述故障关联分析结果。一些示例性实施例中,也可以采用Aprior算法确定所述故障关联分析结果。
一些示例性实施例中,采用FP growth算法确定所述故障关联分析结果,包括:
首先,扫描故障数据项集B得到所有频繁项集的记数,删除低于置信度以及支持度小于预置的项,将频繁项放入表头,并按支持度进行降序排列,剔除非频繁项。
下一步,读取排列后的数据项集,插入FP树,插入时按照排序后的顺序先后。排序靠前的节点为祖节点,排序靠后的为子孙节点。如果共有祖先则祖节点加1,插入后,如果有新节点,则表头对应的节点出现。直到所有的数据都插入到FP树中,FP建立完成。
下一步,从项目表头的底部依次向上找到项头表对应的条件模式基,从条件模式基递归挖掘。如果不限制频繁集的项数,则返回上一步所有的频繁项集,否则返回满足项数需求的频繁项集合,最终由此得到故障项的关联项集。
实验1
本实验中,设备为型号为X的发动机A,在该发动机工况稳态下正常工作时,采集至少一个发次的缓变信号,包括8种类型,分别为:燃气发生器室压力1,2,主燃气喷嘴入口压力,额定工况路燃气喷嘴压力1,2,氧涡轮入口压力1,2,氧涡轮出口压力,在下表1,2中用序号(1-8)代替。
选用一个各类缓变信号均为正常的发次的缓变信号作为训练信号,进行自适应阈值算法的训练,分别确定8种缓变信号的正常阈值范围;
其中,进行自适应阈值算法的训练时,所述N=500,n=750,根据上述步骤201所述过程进行正常信号阈值范围训练,分别确定8种缓变信号的正常阈值范围。
当发动机A出现运行故障,需要进行故障分析,则执行以下步骤:
a、采集该发动机A稳态运行时的所述8个类型的9个发次的缓变信号数据;所述9个发次的缓变信号包括正常和异常状态的信号;
b、针对每一个发次中各个类型的缓变信号,当连续G(20)秒所采集的信号数据超出该类型的正常阈值范围时,确定该发次中该类型的缓变信号异常,其中,G=20。本实验中,9个发次的8个类型的缓变信号状态确定结果如下表1所示:
表1-待检测设备的缓变信号状态表(0:正常,1:异常)
c、根据上述表1的状态检测结果,确定对应的缓变信号状态矩阵T;
d、根据上述表1的检测结果或状态矩阵T进行数据量化转换,找到矩阵中每一行为1的值所对应的列数索引编号,并将其组建成故障数据项集B,如下表2所示:
表2-故障数据项集B
e、根据所述故障数据项集B,通过FP growth算法,可得到故障项之间的关联关系如图3所示。其中,图3中每个节点中冒号前的数字代表故障项(即,异常状态的缓变信号类型),后边的数字代表发生的频次,这里的n代表的元节点,这里无实际意义。在本例中得到故障项关联关系为:2→1→5,2→1→3→5,2→1→4,2→4,2→3,1→2。其中,预先设置的置信度为0.6,支持度为0.3。
例如,故障项关联关系为:2→1→5,表示同一发次的第二类信号发生故障可能会引发第一类信号故障,二者之间具有相关联系;第一类信号发生故障后,第五类信号也可能会引发故障。
可以看到,本实验中,当发动机A出现故障,需要进行故障分析时,利用该发动机或相同型号的发动机在正常工作时的稳态数据(8个类型的缓变信号)自适应训练并确定该发动机或该型号的发动机的确定的各类型缓变信号的正常阈值范围,对发动机A在故障时的运行数据(缓变信号)进行检测及分析,确定故障信号之间的关联关系。
实施例三
本公开实施例还提供一种故障关联分析装置30,包括:
获取模块301,设置为获取待检测设备的多种类型的缓变信号;
状态确定模块302,设置为根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围,确定所述缓变信号的状态;
分析模块303,设置为根据所述缓变信号的状态,确定所述待检测设备的多种类型的缓变信号的故障关联分析结果。
一些示例性实施例中,所述装置还包括阈值训练模块304,
所述阈值训练模块304,设置为根据以下方式预先确定各类型的缓变信号的正常阈值范围:
获取训练设备在稳态条件下正常工作时的多种类型的缓变信号,作为训练信号;
根据所述训练信号,确定各类型的缓变信号的正常阈值范围;
其中,所述训练设备与所述待检测设备为同一设备,或者,所述训练设备与所述待检测设备为同一型号的设备。
一些示例性实施例中,所述阈值训练模块304根据所述训练信号,确定各类型的缓变信号的正常阈值范围,包括:
对于每一种类型的缓变信号分别执行以下步骤,确定该类型缓变信号的正常阈值范围:
以所述训练信号中该类型的全部缓变信号作为训练数据,通过预设的自适应阈值算法进行训练,得到该类型缓变信号的正常阈值范围。
一些示例性实施例中,所述状态确定模块302根据所述缓变信号和预先确定的各类型的缓变信号的正常阈值范围,确定所述缓变信号的状态,包括:
对于每一个缓变信号执行以下操作确定其状态:
当该缓变信号连续G秒的信号超出该缓变信号的类型所对应的正常阈值范围,则确定该缓变信号的状态为异常;反之,则确定该缓变信号的状态为正常;所述G为大于0的整数。
一些示例性实施例中,所述状态确定模块302根据所述缓变信号的状态,确定所述待检测设备的多种类型的缓变信号的故障关联分析结果,包括:
根据所述缓变信号的状态,进行数据量化转换,得到故障数据项集;
根据所述故障数据项集和预先设置的分析参数,利用预先设置的分析算法,确定所述缓变信号的故障关联分析结果。
一些示例性实施例中,所述预先设置的分析算法包括:FP growth算法,所述预先设置的分析参数包括:置信度和支持度。
一些示例性实施例中,所述预先设置的分析算法包括:Aprior算法。
一些示例性实施例中,所述状态确定模块302根据所述缓变信号的状态,进行数据量化转换,得到故障数据项集,包括:
根据所述缓变信号的状态,确定缓变信号状态矩阵;其中,所述缓变信号状态矩阵的每一行对应一组缓变信号,每一列对应一种类型的缓变信号;一个缓变信号状态为正常时,在所述缓变信号状态矩阵中对应位置标示为0,一个缓变信号状态为异常时,在所述缓变信号状态矩阵中对应位置标示为1;
根据所述缓变信号状态矩阵中每一行中为1的值所对应的列数索引编号,组建每一行的故障数据项;根据各行的故障数据项得到所述故障数据项集。
一些示例性实施例中,所述缓变信号包括一次或多次采集的缓变信号,每一次采集的缓变信号对应为一组缓变信号,每一组缓变信号包括多类型的缓变信号。
本公开实施例还提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一一种故障关联分析方法。
本公开实施例还提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一一种故障关联分析方法。
可以看到,本公开实施例所提供的基于自适应阈值判断的缓变信号故障关联分析方案,相比现阶段用于故障项检测与分析的方法,对于检测缓变信号的状态快速并而又准确的,能够挖掘出多种类型的缓变信号的故障之间的关系,具有很强的分析能力,以及推断能力。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
- 一种铁路事故故障关联和事故故障原因分析方法及系统
- 一种基于时序数据的故障关联分析方法和装置