一种基于性能监测数据的亚健康在线识别和诊断方法

摘要

本发明公开了一种基于性能监测数据的亚健康在线识别和诊断方法，属于故障诊断技术领域。首先建立概率神经网络状态分类的初始模型并计算门限标准差，利用当前模型对监测设备进行在线监测和诊断分类，并进一步识别和提取亚健康状态数据，并放入亚健康状态数据组中；若待识别的亚健康数据组达到存储容限或者出现已知状态，则暂停存储工作，将该组中所有元素进行K‑means聚类分析，得到分类结果并清空亚健康数据组的存储空间。然后将聚类分析后的亚健康状态数据集与之前的训练样本合并，更新到初始模型中得到新的分类模型；最后重复上述步骤识别亚健康状态，在出现故障状态时及时维修。本发明根据设备状态做出及时有效的措施，减轻故障造成的损失。

说明书

技术领域

本发明属于故障诊断技术领域，涉及一种基于性能监测数据的亚健康在线识别和诊断方法。

背景技术

传统的故障诊断方法包括正常和故障两种状态，并以此作为划分依据，构建诊断模型。然而设备在运行过程中，并不是一直高效、高准确率的工作，还存在亚健康状态；因此以正常、故障为基础的二态模型会将亚健康状态误诊为正常状态或故障状态，不能反映设备的真实状态。

目前，在工程应用中，一般通过FMECA报告得到设备故障状态的数据，从而识别出设备故障状态；但是，难以通过设备的硬件结构和工作机理得出设备的亚健康状态，只能随着时间的推移，通过监测设备运行状态和监测点数据变化情况逐步得到设备的状态数据，进而根据状态数据识别其亚健康状态。

但是这种根据设备运行的状态数据，进而识别、诊断出设备的亚健康状态的方法，目前主要采用离线方式，即通过分析设备的历史状态数据诊断出亚健康状态，因而不能实时诊断设备工作状态。

发明内容

本发明为了解决上述问题，提出了一种基于性能监测数据的亚健康在线识别和诊断方法，通过不断监测设备运行过程的状态数据，不断识别和诊断设备的亚健康状态，进而不断更新状态分类模型，从而有效的识别出设备运行过程中出现的亚健康状态。

具体步骤如下：

步骤一、针对某监测设备，建立概率神经网络状态分类的初始模型并计算门限标准差；

首先，获取该设备正常运行状态的实测数据，并通过故障注入的方式获取设备故障状态的实测数据；然后，分别选取部分正常和故障状态下的实测数据作为训练样本，建立概率神经网络状态分类的初始模型。

训练样本集合为

其中：k_i表示第i类训练样本的个数；m表示训练样本的总类数。表示第i类训练样本中第k_i个训练样本值，该值为p维。

同时，分别计算正常状态下所有数据的p维标准差以及故障状态下所有数据的p维标准差，两两对应比较各维的标准差值，选择各维的最大值作为门限标准差，门限标准差为p维。

步骤二：利用当前模型对监测设备进行在线监测和诊断分类，利用分类结果进一步识别和提取亚健康状态数据，并放入亚健康状态数据组中；

当前模型初始为初始模型；诊断分类结果为正常或故障的概率值；

步骤2.1、利用当前模型在线监测设备运行状态，实时采集p维状态数据作为一组，并计算当前p维状态数据与训练样本中每个元素之间的欧式距离。

实时采集的当前p维状态数据为：

欧式距离：E＝(d-x_ij)^T(d-x_ij)；

x_ij表示第i类训练样本中的第j个训练样本值；j＝1,2,…,k_i，i＝1,2,…,m；

步骤2.2、用欧式距离结合高斯型函数激活模式层径向基函数的神经元；

高斯型函数激活公式如下：

σ_i表示第i类训练样本的标准差中各维数对应的最大值。P_ij(d)表示第j个训练样本等价的神经元对应第i类训练样本的输出；

步骤2.3、在概率神经网络求和层求得当前p维状态数据属于已知类别的概率：

f_i,ki(d)表示当前p维状态数据d属于已知类别i的概率；

步骤2.4、判断亚健康数据组是否为空，如果是，进入步骤2.5；否则，进入步骤2.6；

亚健康数据组初始值为空。

步骤2.5、根据当前p维状态数据属于已知类别的概率值，判断是否存在概率值大于上一时刻p维状态数据属于各类概率和的平均值，如果是，进入步骤2.7；否则，进入步骤2.8；

步骤2.6、根据当前p维状态数据属于已知类别的概率值，判断是否存在概率值大于上一时刻能正确识别状态的p维状态数据的概率均值；如果是，进入步骤2.7；否则，进入步骤2.8。

步骤2.7、当前p维状态数据能被正确识别，概率值最大的那一类即为当前p维状态数据的识别结果状态。

步骤2.8、当前p维状态数据为待识别的亚健康数据，放入待识别的亚健康数据组中。

步骤三、判断待识别的亚健康数据组是否达到存储容限或者是否出现已知状态；如果是，则进入步骤四；否则，返回步骤二，利用当前模型继续实时采集p维状态数据进行分析。

初始时已知状态包括正常状态和故障状态，所以检测到故障状态就停止；

模型更新后，已知状态包括正常状态、亚健康状态以及故障状态，检测到其中任意一种状态都应停止。

待识别的亚健康状态数据组：

式中，n表示提取出的亚健康数据数，sh_n表示第n组亚健康状态数据；

步骤四、暂停亚健康数据组的存储工作，将该组中所有元素进行K-means聚类分析，得到分类结果并清空亚健康数据组的存储空间。

具体步骤如下：

步骤4.1、初始化聚类簇数class_k＝1，将亚健康数据组中的所有元素归为一类，计算类内标准差；

步骤4.2、判断每个类内标准差是否均小于等于门限标准差，如果是，则该类得到的亚健康状态数据属于一类，对该类数据集做标签并结束。否则，进入步骤4.3；

步骤4.3、类内标准差大于门限标准差，则得到的亚健康状态数据不属于一类；

步骤4.4、将聚类簇数class_k自增1，采用K-means方法将亚健康数据组中的元素聚成的类别加一，分别计算各类别的类内标准差；

步骤4.5、返回步骤4.2，直至所有类别的类内标准差均小于等于门限标准差，得到簇划分结果；

簇划分结果为：C＝{C₁,C₂,…,C_k}；

步骤4.6、根据簇划分结果将亚健康数据集进行划分；

其中：t_i'表示第i'类亚健康数据的个数；class_k表示亚健康数据集的总类数。

步骤五、将聚类分析后的亚健康状态数据集与之前的训练样本合并，更新到初始模型中得到新的分类模型；

新分类模型的训练样本数据为：x'＝x∪sh；

然后，利用新的训练数据重新创建概率神经网络分类模型，从而实现模型的更新。

步骤六、返回步骤二不断迭代更新完善分类模型，通过监测设备的运行状态数据，在线识别出亚健康状态，并当监测设备出现故障状态时及时维修。

本发明的优点在于：

1)、一种基于性能监测数据的亚健康在线识别和诊断方法，弥补了传统故障诊断方法易误诊的不足，能够反映出设备的真实状态。

2)、一种基于性能监测数据的亚健康在线识别和诊断方法，能够通过监测设备运行时的状态数据，在线识别出设备出现的亚健康状态，从而可以根据设备状态做出及时有效的措施，减轻故障所造成的损失。

3)、一种基于性能监测数据的亚健康在线识别和诊断方法，为设备亚健康状态的在线诊断、识别提供了一套规范化、可行的新方法。

附图说明

图1为本发明一种基于性能监测数据的亚健康在线识别和诊断方法流程图；

图2为本发明建立的概率神经网络状态分类的模型结构图；

图3为本发明识别和提取亚健康状态数据并存储的方法流程图；

图4为本发明对亚健康数据进行K-means聚类分析的方法流程图；

图5为本发明实施例中提取的初始训练样本分布图；

图6为本发明实施例中设备监测数据集及未被正确识别的亚健康状态数据集分布图；

图7为本发明实施例中待识别的亚健康状态数据聚类结果；

图8为本发明实施例中电路板状态数据集；

图9为本发明实施例中训练数据分布图(截止到出现故障状态)。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明首先采用概率神经网络建立状态分类模型，进行在线监测和诊断分类，并识别和提取亚健康状态数据；然后，基于K-means聚类的方法，进行亚健康状态数据的聚类分析；最后，更新状态分类模型的训练数据，从而得到新的分类模型。迭代执行，不断完善分类模型，若设备出现故障状态，则在进行故障维修后继续执行，从而识别出设备运行过程中出现的所有亚健康状态。

如图1所示，具体步骤如下：

步骤一、针对某监测设备，建立概率神经网络状态分类的初始模型并计算门限标准差；

首先，获取该设备正常运行状态的实测数据，并通过故障注入的方式获取设备故障状态的实测数据；然后，分别选取部分正常和故障状态下的实测数据作为训练样本，建立概率神经网络状态分类的初始模型，如图2所示。

训练样本集合为

其中：k_i表示第i类训练样本的个数；m表示训练样本的总类数。表示第i类训练样本中第k_i个训练样本值，该值为p维。

同时，分别计算正常状态下所有数据的p维标准差以及故障状态下所有数据的p维标准差，两两对应比较各维的标准差值，选择各维的最大值作为门限标准差，门限标准差为p维。

步骤二：利用当前模型对监测设备进行在线监测和诊断分类，利用分类结果进一步识别和提取亚健康状态数据，并放入亚健康状态数据组中；

当前模型初始为初始模型；诊断分类结果为正常或故障的概率值；

如图3所示，具体步骤如下：

步骤2.1、利用当前模型在线监测设备运行状态，实时采集p维状态数据作为一组，并计算当前p维状态数据与训练样本中每个元素之间的欧式距离。

实时采集的当前p维状态数据为：

欧式距离：E＝(d-x_ij)^T(d-x_ij)；

x_ij表示第i类训练样本中的第j个训练样本值；j＝1,2,…,k_i，i＝1,2,…,m；

步骤2.2、用欧式距离结合高斯型函数激活模式层径向基函数的神经元；

高斯型函数激活公式如下：

σ_i表示第i类训练样本的标准差中各维数对应的最大值。P_ij(d)表示第j个训练样本等价的神经元对应第i类训练样本的输出；

步骤2.3、在概率神经网络求和层求得当前p维状态数据属于已知类别的概率：

f_i,ki(d)表示当前p维状态数据d属于已知类别i的概率；

步骤2.4、判断亚健康数据组是否为空，如果是，进入步骤2.5；否则，进入步骤2.6；

亚健康数据组初始值为空。

步骤2.5、根据当前p维状态数据属于已知类别的概率值，判断是否存在概率值大于上一时刻p维状态数据属于各类概率和的平均值，如果是，进入步骤2.7；否则，进入步骤2.8；

步骤2.6、根据当前p维状态数据属于已知类别的概率值，判断是否存在概率值大于上一时刻能正确识别状态的p维状态数据的概率均值；如果是，进入步骤2.7；否则，进入步骤2.8。

步骤2.7、当前p维状态数据能被正确识别，概率值最大的那一类即为当前p维状态数据的识别结果状态。

步骤2.8、当前p维状态数据为待识别的亚健康数据，放入待识别的亚健康数据组中。

步骤三、判断待识别的亚健康数据组是否达到存储容限或者是否出现已知状态；如果是，则进入步骤四；否则，返回步骤二，利用当前模型继续实时采集p维状态数据进行分析。

初始时已知状态包括正常状态和故障状态，所以检测到故障状态就停止；

模型更新后，已知状态包括正常状态、亚健康状态以及故障状态，检测到其中任意一种状态都应停止。

待识别的亚健康状态数据组：

式中，n表示提取出的亚健康数据数，sh_n表示第n组亚健康状态数据；

步骤四、暂停亚健康数据组的存储工作，将该组中所有元素进行K-means聚类分析，得到分类结果并清空亚健康数据组的存储空间。

如图4所示，具体步骤如下：

步骤4.1、初始化聚类簇数class_k＝1，将亚健康数据组中的所有元素归为一类，计算类内标准差；

步骤4.2、判断每个类内标准差是否均小于等于门限标准差，如果是，则该类得到的亚健康状态数据属于一类，对该类数据集做标签并结束。否则，进入步骤4.3；

步骤4.3、类内标准差大于门限标准差，则得到的亚健康状态数据不属于一类；

步骤4.4、将聚类簇数class_k自增1，采用K-means方法将亚健康数据组中的元素聚成的类别加一，分别计算各类别的类内标准差；

步骤4.5、返回步骤4.2，直至所有类别的类内标准差均小于等于门限标准差，得到簇划分结果；

簇划分结果为：C＝{C₁,C₂,…,C_k}；

步骤4.6、根据簇划分结果将亚健康数据集进行划分；

其中：t_i'表示第i'类亚健康数据的个数；class_k表示亚健康数据集的总类数。

步骤五、将聚类分析后的亚健康状态数据集与之前的训练样本合并，更新到初始模型中得到新的分类模型；

新分类模型的训练样本数据为：x'＝x∪sh；

然后，利用新的训练数据重新创建概率神经网络分类模型，从而实现模型的更新。

步骤六、返回步骤二不断迭代更新完善分类模型，通过监测设备的运行状态数据，在线识别出亚健康状态，并当监测设备出现故障状态时及时维修。

实施例：

本实施例选用直流电源转换电路，包括三个部分：分别为18V电源供电电路，18V到12V电源转换电路以及12V到5V电源转换电路。

该直流电源转换电路共设置了3个监测点，分别为18V电源输出电压VOUT，12V电源输出电压S+12V，5V电源输出电压S+5V。分别对这3个监测点的电压输出进行监测，并用数据卡采集电压数据，以便于进行该电路的健康状态评价。

VOUT，S+12V，S+5V这3个监测点电压均反映了电路的关键性功能，并且这3个监测点的电压输出是相互独立的，所以选用这3个监测点的电压监测值评价该直流电源转换电路的健康状态；记VOUT，S+12V，S+5V监测点分别为T₁，T₂，T₃。

本实施例选取正常和故障状态数据各1200组，以此作为训练样本构建初始模型。初始训练数据(正常状态标签为1，故障状态标签为9)分布情况，如图5所示：

分别确定正常和故障状态实测数据的标准差，并将标准差值中各维数的较大值作为设备状态数据的门限标准差；标准差计算公式为：

正常状态标准差：0.0150，0.0137，0.0074

故障状态标准差：0.0095，0.0050，0.0026

门限标准差为：0.0150，0.0137，0.0074

利用当前模型对监测设备进行在线监测和诊断分类，结果表明：监测设备运行状态，在第2007组数据时，该数据属于正常和故障的概率均小于上一组数据的概率均值，表明此时电路板开始出现未知状态。本案例所选用的电路板的存储容限为2000组数据，即自出现未知状态开始累计2000组状态数据(即第2007至4006组数据)，提取出待识别的亚健康数据集，进行聚类分析。设备监测数据集及未被正确识别的亚健康状态数据集分布情况，如附图6所示。

提取出的2000组待识别的亚健康数据，其标准差为：0.0085，0.0092，0.0211

由于该标准差大于门限标准差，则表明提取出数据不属于一类，进行K-means聚类分析。

如图7所示，K-means聚类结果：

聚类簇数：class_k＝2；

均值向量：u₁＝|17.9950,11.6779,4.5838|，u₂＝|17.9913,11.6708,4.4727|

类内标准差：s₁＝|0.0086,0.0091,0.0042|，s₂＝|0.0054,0.0104,0.0047|

亚健康数据集：{[3x1928double],[3x72double]}

将亚健康状态更新到分类模型中，得到新的分类模型，新训练数据如表1所示：

表1

在线监测电源板，不断更新完善分类模型，直到电源板出现故障状态暂停工作，进行故障维修。整个过程共采集数据10615组，数据曲线图如图8所示。

通过上述步骤，可以有效的提取、识别电路板除正常和故障状态以外的3类亚健康状态，从而实现了亚健康的在线识别与诊断。

通过上述过程获得的训练样本集，数据分布情况如图9所示：

{[3x1200double]，[3x1200double],[3x1928double],[3x72double],[3x2000double]}

识别出的亚健康数据集：

{[3x1928double],[3x72double],[3x2000double]}

电路板状态如表2所示：

表2