[发明专利]故障特征信息提取与早期故障预警的方法及系统

说明书

本发明公开了故障特征信息提取与早期故障预警的方法及系统，包括：获得系统状态的数据，对系统状态的数据进行预处理，提取出特征信息，获取标准化变量，建立标准化变量的协方差矩阵；结合PCA主成分分析方法对协方差矩阵进行降维，选取贡献率最大的主成分；实时监测和采集所述贡献率最大的主成分的数据，作为时间序列数据，通过拟合建模，得到时间序列模型和预测误差数据；对预测误差数据进行判断，发出预警信号。本发明通过PCA主成分分析方法对数据进行降维，提取贡献率高的主成分，通过主成分的时间序列数据得到预测误差数据，对预测误差数据进行判断，对故障及时预测诊断，很大程度上降低诊断难度以及人工检查成本。

技术领域

本发明涉及故障分析预警技术领域，更具体地说涉及故障特征信息提取与早期故障预警的方法及系统。

背景技术

随着注塑工业技术的高速发展，如何保证工业机器安全、稳定的运行已是一个重要的课题，而在注塑工业机器的实时监测及故障预警是保证注塑生产安全、可靠运行以及减少残次品的关键。

传统的注塑工业故障诊断方法大多是由人工诊断，诊断费事、费力，准确度及可靠性都很低，同时一般都是在人工检查发现了残次品时才会对注塑机器进行人工诊断，不能及时发现故障，故障诊断的准确率不高，更不能预先发现，从根源上减少残次品的产生。同时判断注塑机器的故障的检测因素很多，无法确定最相关的检测因素，故障针对准确率不高。

发明内容

本发明提供故障特征信息提取与早期故障预警的方法及系统，可以计算出与故障相关的主成分，同时发出预警。

本发明解决其技术问题的解决方案是：

故障特征信息提取与早期故障预警的方法，包括以下步骤：

步骤一：获得系统状态的数据，对所述系统状态的数据进行预处理；

步骤二：对于预处理后的系统状态的数据进行特征提取，提取出特征信息；

步骤三：采用均值标准差标准化方法处理特征信息，获取标准化变量，建立标准化变量的协方差矩阵；

步骤四：结合PCA主成分分析方法对协方差矩阵进行降维，删去无关主成分，选取对故障贡献率最大的前n个主成分P^Tx，其中P为特征值对应的特征向量，x＝(x_i)表示第i个特征，选取贡献率最大的主成分；

步骤五：实时监测和采集所述贡献率最大的主成分的数据，作为时间序列数据，对时间序列数据进行处理和拟合建模，得到时间序列模型；

步骤六：通过时间序列模块预测出预测值数据，得到预测误差数据；

步骤七：当所述预测误差数据中的众数大于预设的变化水平阈值时，发出预警信号。

作为上述技术方案的进一步改进，所述对时间序列数据进行处理和拟合建模的过程包括：

从时间序列数据分割出监测期之前的历史时序数据和监测期区间的监测时序数据，对历史时序数据进行数据拟合建模，得到时间序列模型。

作为上述技术方案的进一步改进，所述时间序列模型为ARMA模型。

作为上述技术方案的进一步改进，所述得到预测误差数据的过程包括：

根据监测时序数据和预测值数据之间的差值得到预测误差数据。

作为上述技术方案的进一步改进，所述对所述系统状态的数据进行预处理的过程包括：

对所述系统状态的数据进行小波滤波，剔除异常值、以及填充缺失值。

作为上述技术方案的进一步改进，对于预处理后的系统状态的数据进行提取的特征包括：所述系统状态包括熔体温度、注射速度、注射温度、保压压力和保压时长。