[发明专利]基于多模态敏感特征选取融合的设备故障预警方法及系统

说明书

本发明提出一种基于多模态敏感特征选取融合的设备故障预警方法及系统，用于解决基于单模态特征的预警系统存在准确率低、适用范围窄的技术问题。其方法的步骤为：首先，提取采集的历史设备正常状态的参数运行数据的特征向量，并对特征向量进行标准化；其次，运用基于Mercer内核的核PCA获取标准化的特征数据的敏感特征，并根据敏感特征训练GMM模型；然后在线获取设备运行时的实时状态数据，并根据上述步骤选取多模态敏感特征；最后，将多模态敏感特征输入到训练好的GMM模型，依据得到的概率值是否小于预设的阈值决定是否报警。本发明通过设备多模态特征选取与融合，提升设备故障预警系统的准确率，实现了离线预警模型构建、在线实时故障预警。

技术领域

本发明涉及设备故障预警的技术领域，特别是指一种基于多模态敏感特征选取融合的设备故障预警方法及系统。

背景技术

设备维修费用占据设备产出收益的极大比例，传统设备维修方法采用定期维修和事后维修：前者会增加非必要的维修费用，后者会导致设备长时间停机并影响产品质量和交货期。基于大数据的视情维修方法能够在故障形成的初期发出预警，为提前采取维修措施提供充裕的缓冲时间，避免发生灾难性的重大事故，变被动为主动，从而降低企业设备的维护成本。

常规基于大数据的视情维修方法采用单模态数据进行特征提取、分析、识别，如振动信号、电信号、声发射信号等。然而，单一模态信号具有极大的局限性，如振动信号的信噪比低，不利于发现早期故障的弱特征；电信号仅仅在机械故障被调制到发电机的电信号上时，会产生变化，适用范围窄；声发射信号只能监测由材料内部结构变化引发内应力重布的对象。因此，针对复杂设备，以单模态数据为分析对象的状态监测方法表现出准确率低、适用范围窄的缺点。

随着故障特征提取、大数据挖掘、跨模态融合、分布式计算的发展，基于多模态敏感特征选取与融合的方法能够有效解决上述问题。通过利用多模态特征的互补性、完备性提升设备故障预警系统的准确性和适用范围，通过不同模态特征提取，敏感特征选择，跨模态特征融合，实现新的故障预警方法和系统。

发明内容

针对上述背景技术中存在的不足，本发明提出了一种基于多模态敏感特征选取融合的设备故障预警方法及系统，解决了现有基于单模态特征的预警系统存在准确率低、适用范围窄的技术问题。

本发明的技术方案是这样实现的：

一种基于多模态敏感特征选取融合的设备故障预警方法，其步骤如下：

步骤一：采集不同工况下设备正常状态的参数运行数据；

步骤二：采用特征提取方法对步骤一中的参数运行数据进行提取，得到M维特征向量；

步骤三：采用标准化预处理方法对M维特征向量进行尺度缩放，得到标准化的特征数据；

步骤四：运用基于Mercer内核的核PCA对步骤三中的标准化的特征数据进行分析，基于最大协方差理论，计算每个特征的贡献率，选取前95％贡献率的特征作为敏感特征；

步骤五：将步骤四中的敏感特征输入到GMM模型，拟合敏感特征在高维空间的概率分布，得到训练好的GMM模型；

步骤六：在线获取设备运行时的实时状态数据，并利用步骤二中的特征提取方法对实时状态数据进行特征提取，得到设备在线状态的M维特征向量；

步骤七：利用步骤三中的标准化预处理方法对设备在线状态的M维特征向量进行规整后，并利用步骤四中的基于Mercer内核的核PCA选取多模态敏感特征；

步骤八：将步骤七中的多模态敏感特征输入到步骤五中训练好的GMM模型，得到设备属于正常状态的概率值，当概率值小于预设的阈值时，设备出现故障，进行报警，否则，设备运行正常，不报警。