[发明专利]一种基于滑动窗口多尺度主元分析的机组故障检测方法

摘要

本发明公开了一种基于滑动窗口多尺度主元分析的机组故障检测方法，包括以下步骤：首先利用正常运行工况历史数据建立机组故障检测模型，该模型包括滑动窗口算法、小波包分析和主元分析。然后，将由历史数据训练完全的模型用于在线故障检测，当被监测数据的某些尺度检测到异常后，将这些尺度的数据重构得到对应监测数据的重构数据。最后，将正常运行工况进行相同尺度的重构并建立滑动窗口主元模型，将监测数据的重构数据运用建立的滑动窗口主元模型进行检测，确定是否故障，并在判断无故障时进行相应模型和数据集更新。采用本方法使故障检测更加准确和高效。

主权项

1.一种基于滑动窗口多尺度主元分析的机组故障检测方法，其特征在于包括以下步骤：步骤一、在计算机中输入正常运行状态下的历史数据组成历史数据矩阵，历史数据矩阵每行代表一个数据样本，每列代表一个数据变量；步骤二、设定初始窗长度和终止窗长度，根据初始窗长度从历史数据矩阵中获得初始窗口内的初始数据组成初始数据矩阵，初始数据矩阵每行代表一个数据样本，每列代表一个数据变量；步骤三、第一步，对初始数据矩阵内的各列数据进行小波包分解，获得不同变量每个尺度上的小波包系数，将每个变量相同尺度上的小波包系数按列组合在一起形成小波包系数矩阵，计算每个尺度小波包系数矩阵的均值和标准差；第二步，将初始数据矩阵获得的每个尺度小波包系数矩阵处理为具有零均值和单位方差的标准化小波包系数矩阵，并计算每个标准化小波包系数矩阵的协方差矩阵；步骤四、将每个标准化小波包系数矩阵进行主元分析，获得每个标准化小波包系数矩阵对应的主元模型，以及每个主元模型所对应的主元子空间、残差子空间和主元个数，同时计算出每个标准化小波包系数矩阵对应的统计量阈值Q_α；步骤五、第一步，移动数据窗口，使新的数据窗口内加入新的正常运行状态下的历史数据；第二步，对新窗口内数据按照步骤三第一步进行小波包分解获得每个尺度矩阵的小波包系数矩阵；第三步，采用滑动窗口算法，通过步骤三中每个小波包系数矩阵的均值、标准差和协方差矩阵递归计算出新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵，并利用每个小波包矩阵新的协方差矩阵建立新窗口内数据的新的主元模型，利用新的主元模型更新步骤三中的每个小波包系数矩阵对应的统计量阈值Q_α；步骤六、重复步骤五，直至历史数据矩阵中的最后一个数据样本进入滑动窗口内，并得到最终窗口内数据矩阵每个小波包系数矩阵的主元模型，以及与最终窗口内主元模型对应的均值、标准差、协方差矩阵和统计量阈值Q_α1；步骤七、获取在线实时监测数据，并将该数据按照步骤三进行小波包分解得到在线监测数据的每个尺度的小波包系数；步骤八、将实时监测数据的每个尺度小波包系数输入与步骤六中建立的最终窗口内相对应的每个小波包系数矩阵的主元模型，计算出监测数据每个尺度的SPE(x)值；如果所有尺度的SPE(x)均不大于Q_α1，表明该过程为正常状态，将该监测数据放入滑动窗口重复步骤五，计算新窗口中的每个小波包系数矩阵对应的新的均值、标准差和协方差矩阵；否则，将SPE(x)值大于Q_α1的尺度的小波包系数挑选出来并进行小波包重构得到重构数据；步骤九、根据步骤八挑选出来的尺度，将正常运行状态的历史数据按照相同尺度进行小波包重构得到正常状态数据的重构数据，利用正常状态数据的重构数据构建滑动窗口主元模型，并得到该模型对应的新的统计量阈值Q_α2；然后将步骤八中的重构数据输入该滑动窗口主元模型，若此时步骤八中重构数据通过滑动窗口主元模型计算得到的新的SPE(x)值大于滑动窗口主元模型对应的Q_α2，则此过程为故障状态，否则，该过程为正常状态；步骤十、丢弃旧过程数据，输入新的机组监视数据重复步骤七‑步骤十。