基于自适应GMM的风机双重故障诊断方法及系统与流程

本发明涉及通风空调系统的在线风机故障诊断与预警，尤其涉及一种基于自适应gmm的风机双重故障诊断方法及系统。

背景技术：

1、对于通风空调系统的在线风机故障诊断与预警，现有技术主要可分为两类：一是基于阈值或统计检验的规则方法，即先对单一或少量传感器信号（如风量、振动峰值或轴承温度）设定固定上下限，当实时测得值超出预警阈值时触发报警；二是采用降维与聚类或机器学习模型的组合，如先对高维振动与温度特征进行主成分分析或小波分解，再用k-means、dbscan或支持向量机进行工况分类与异常检测，最后根据经验规则给出故障类型。

2、以上这些方法虽然在一定程度上能发现明显的异常，但依旧存在以下不足：1）阈值与参数不自适应：固定上下限无法兼顾风量、送风温度及运行频率在日常调节或系统动态负载下的正常波动，导致误报频发；2）单一检测模型局限：单纯使用密度或重构误差方法只能捕捉整体偏移或局部突变中的一种异常类型，难以兼顾二者，漏报和误报难以同时控制；3）工况差异难以区分：静态聚类需要预设簇数或全局阈值，不具备针对不同运行档位（如高风量与低风量）的自适应能力，工况切换时常被误判为故障；4）诊断结果难以物理解释：现有方案多依赖黑箱模型输出，缺乏对故障机理与具体参数偏离的直观映射，不利于运维人员快速定位与决策。

3、因此，亟需一种兼具多工况自适应性、多异常类型兼容性及物理可解释性的在线无监督故障诊断方法。

技术实现思路

1、为了解决上述技术问题，本发明提供一种基于自适应gmm的风机双重故障诊断方法及系统，通过对风机多源传感器数据的智能分析，实现对潜在故障的早期识别与定位，提升系统可靠性并降低维护成本。

2、根据本发明的一方面，提出一种基于自适应gmm的风机双重故障诊断方法，该方法包括以下步骤：

3、采集风机的多源数据，所述多源数据至少包括反映运行状态的控制参数、反映机械状态的振动参数及反映热状态的温度参数；对所述多源数据进行预处理，生成反映连续时间段整体运行状态的窗口化特征矩阵，并对所述窗口化特征矩阵进行降维，得到低维特征矩阵；

4、基于贝叶斯信息准则，自适应确定高斯混合模型的最优簇数及对应的模型参数；利用所述高斯混合模型对所述低维特征矩阵进行动态聚类，获得具有高置信度的若干正常工况簇及初步离群样本；

5、为每个正常工况簇，基于其对应的窗口化特征矩阵，生成工程可解释的工况语义标签；

6、基于全局低似然检测和簇内偏离检测对若干正常工况簇进行异常样本检测，将检测到的异常样本和所述初步离群样本合并构成最终异常样本集合；其中，全局低似然检测基于正常工况簇样本在高斯混合模型下的对数似然经验分布确定全局异常候选样本，簇内偏离检测基于正常工况簇内样本相对其主簇的马氏距离确定局部异常候选样本；

7、计算最终异常样本集合的物理偏离向量，进而定位关键异常参数；包括：对于最终异常样本集合中的每个异常样本，在所有正常工况簇中确定与其工况语义标签相同且欧氏距离最近的正常工况簇作为正常工况参照簇，获取该正常工况参照簇在原始时窗统计向量上的中位数向量，计算该异常样本的原始时窗统计向量与所述中位数向量的差值向量作为物理偏离向量，并基于所述物理偏离向量中各特征维度的分量绝对偏离量进行排序，将排序靠前的两个或两个以上分量所对应的物理参数确定为该异常样本的关键异常参数；其中，原始时窗统计向量为窗口化特征矩阵的行向量；

8、基于预先构建的故障映射规则库，根据所述异常样本的所述工况语义标签及所述关键异常参数，映射得到具体的故障诊断结果并触发预警。

9、进一步地，所述对所述多源数据进行预处理包括：数据清洗、数据重采样、异常值检测与剔除、缺失值填补；通过时窗汇聚生成反映连续时间段整体运行状态的窗口化特征矩阵；对所述窗口化特征矩阵进行标准化操作；对标准化后的窗口化特征矩阵通过pca降维得到低维特征矩阵。

10、进一步地，所述通过时窗汇聚生成反映连续时间段整体运行状态的窗口化特征矩阵包括：以预设的窗口长度和滑动步长，对时间序列数据进行滑动窗口划分；在每个滑动窗口内，对不同类别的多源数据执行差异化的聚合计算：对控制参数计算均值与标准差，对振动参数中的振动时域特征计算均值与最大值，对振动参数中的振动频谱特征提取特定故障特征频点的最大能量值；对温度参数计算平均温度、提取最高温度；将每个滑动窗口内计算得到的所有统计量拼接，形成所述窗口化特征矩阵。

11、进一步地，所述基于贝叶斯信息准则，自适应确定高斯混合模型的最优簇数及对应的模型参数包括：设置候选簇数的取值区间，对于候选簇数的每一个值，执行多次gmm-em训练，每次训练得到一个训练结果、一个对数似然值以及每个低维特征样本的后验概率向量；取多个对数似然值中的最大值作为候选簇数的代表似合度；基于代表似合度计算贝叶斯信息准则值；选取使贝叶斯信息准则值最小的作为最优簇数；基于最优簇数确定对应的训练结果，将训练结果作为高斯混合模型参数，其中，训练结果包括个簇中每个簇对应的权重、均值和协方差；其中，一次gmm-em训练的过程包括：

12、在所述低维特征矩阵上执行k-means聚类，得到个簇中心；将个簇中心作为gmm算法的初始均值；对每个k-means簇，使用k-means簇内样本协方差初始化对应高斯簇分量的协方差；使用k-means簇内样本比例初始化对应高斯簇分量的混合权重；采用期望-最大化算法估计gmm参数，直至收敛或达到最大迭代次数；记录并输出该次训练的对数似然值，包括权重、均值、协方差的参数集合，以及每个低维特征样本的后验概率向量。

13、进一步地，所述利用所述高斯混合模型对所述低维特征矩阵进行动态聚类，获得具有高置信度的若干正常工况簇及初步离群样本包括：将基于最优簇数确定对应的训练结果中每个低维特征样本的后验概率向量中的最大后验概率与预设的高置信阈值进行比较，若最大后验概率大于等于，则该低维特征样本归入正常工况簇集合；若最大后验概率小于，则该低维特征样本归入初步离群集合。

14、进一步地，所述利用所述高斯混合模型对所述低维特征矩阵进行动态聚类，获得具有高置信度的若干正常工况簇及初步离群样本还包括：若某一低维特征样本的后验概率向量中，最大后验概率与次大后验概率之差小于预设阈值，则将最大后验概率和次大后验概率所对应的簇定义为该低维特征样本的归属候选簇；并在窗口化特征矩阵中查找该低维特征样本对应的行向量，将该行向量作为该低维特征样本的原始时窗统计向量；对于该低维特征样本的归属候选簇，在窗口化特征矩阵中确定每个归属候选簇的原始时窗统计向量的中位数向量如下：

15、；

16、其中，表示第j个归属候选簇的中位数向量，

d表示特征的维度索引，表示中位数运算符，其作用是计算给定数据集合的中位数；表示低维特征样本的原始时窗统计向量的第

d个特征分量；

17、随后，计算原始时窗统计向量与每个归属候选簇的中位数向量的欧氏距离；将最小欧氏距离所对应的归属候选簇对应的后验概率值与预设的高置信阈值进行比较，若所述后验概率值大于等于高置信阈值，则该低维特征样本归入正常工况簇集合；若所述后验概率值小于高置信阈值，则该低维特征样本归入初步离群集合。

18、进一步地，所述为每个正常工况簇，基于其对应的窗口化特征矩阵，生成工程可解释的工况语义标签包括：

19、对于每个正常工况簇，从该簇所有低维特征样本的窗口化特征矩阵中提取运行频率、阀门开度和介质温度三项的中位数作为该簇的三个代表值；将每个代表值与预设的额定值或阈值区间进行比较，分别赋予低、中、高三个等级；将三个代表值的等级组合形成“运行频率等级-阀门开度等级-介质温度等级”格式的语义标签。

20、进一步地，所述基于全局低似然检测和簇内偏离检测对若干正常工况簇进行异常样本检测包括：

21、全局低似然检测的步骤包括：计算所有正常工况簇的低维特征样本在高斯混合模型下的对数似然值；构建对数似然值的经验分布，取经验分布的预设百分位作为阈值；将对数似然值低于预设百分位阈值的低维特征样本标记为全局异常候选样本；

22、簇内偏离检测的步骤包括：对每个正常工况簇内每个低维特征样本确定其主簇索引，所述主簇索引为该低维特征样本的后验概率向量中最大后验概率所对应的簇编号；计算每个低维特征样本相对于主簇的马氏距离；对于每个正常工况簇，若某个低维特征样本相对主簇的马氏距离超过每个正常工况簇的经验阈值，则将该低维特征样本标记为局部异常候选样本；异常样本包括全局异常候选样本和局部异常候选样本。

23、进一步地，所述预先构建的故障映射规则库为一种可扩展的数据库或配置表，其每条规则至少包含：故障类型、适用的工况语义标签、需匹配的关键异常参数组合、各参数的偏离阈值区间以及规则优先级。

24、进一步地，所述映射得到具体的故障诊断结果的步骤包括：根据异常样本的工况语义标签，筛选出故障映射规则库中适用的规则子集；将所述异常样本的关键异常参数及其物理偏离向量，与规则子集中每条规则的关键异常参数组合及偏离阈值区间进行匹配；若匹配到单条规则，则直接输出对应的故障类型；若匹配到多条规则，则根据规则优先级输出优先级最高的故障类型；若无规则匹配，则输出“未识别故障类型”提示，并记录其关键异常参数及其物理偏离向量以供分析。

25、根据本发明的另一方面，提出一种基于自适应gmm的风机双重故障诊断系统，用于实现上述所述的基于自适应gmm的风机双重故障诊断方法，所述系统包括：数据采集与预处理模块，配置用于采集风机的多源数据，所述多源数据至少包括反映运行状态的控制参数、反映机械状态的振动参数及反映热状态的温度参数；对所述多源数据进行预处理，生成反映连续时间段整体运行状态的窗口化特征矩阵，并对所述窗口化特征矩阵进行降维，得到低维特征矩阵；

26、工况自适应聚类模块，配置用于基于贝叶斯信息准则，自适应确定高斯混合模型的最优簇数及对应的模型参数；利用所述高斯混合模型对所述低维特征矩阵进行动态聚类，获得具有高置信度的若干正常工况簇及初步离群样本；为每个正常工况簇，基于其对应的窗口化特征矩阵，生成工程可解释的工况语义标签；

27、双重路径异常检测模块，配置用于基于全局低似然检测和簇内偏离检测对若干正常工况簇进行异常样本检测，将检测到的异常样本和所述初步离群样本合并构成最终异常样本集合；其中，全局低似然检测基于正常工况簇样本在高斯混合模型下的对数似然经验分布确定全局异常候选样本，簇内偏离检测基于正常工况簇内样本相对其主簇的马氏距离确定局部异常候选样本；

28、物理偏离分析与定位模块，配置用于计算最终异常样本集合的物理偏离向量，进而定位关键异常参数；包括：对于最终异常样本集合中的每个异常样本，在所有正常工况簇中确定与其工况语义标签相同且欧氏距离最近的正常工况簇作为正常工况参照簇，获取该正常工况参照簇在原始时窗统计向量上的中位数向量，计算该异常样本的原始时窗统计向量与所述中位数向量的差值向量作为物理偏离向量，并基于所述物理偏离向量中各特征维度的分量绝对偏离量进行排序，将排序靠前的两个或两个以上分量所对应的物理参数确定为该异常样本的关键异常参数；其中，原始时窗统计向量为窗口化特征矩阵的行向量；

29、可解释故障映射与预警模块，配置用于基于预先构建的故障映射规则库，根据所述异常样本的所述工况语义标签及所述关键异常参数，映射得到具体的故障诊断结果并触发预警。

30、本发明实施例具有以下技术效果：

31、与现有技术中常用的“预设簇数+单一异常检测”方案相比，本发明提出一种基于自适应gmm的风机双重故障诊断方法及系统，采用工况自适应动态聚类和双重异常检测，使得故障诊断结果带来了显著的性能提升。主要包括：首先，通过贝叶斯信息准则（bic）自适应确定最优簇数，结合k-means聚类算法初始化高斯混合模型（gmm）参数并引入协方差正则化保证数值稳定性，能够紧贴风机真实运行数据的概率分布，将多样化的运行工况自动划分为高置信度的正常簇，使后续异常检测建立在工况精准对齐的基础上；而传统方法往往因簇数固定或参数手动调节不当，导致工况划分失真，直接影响异常识别的准确性；进一步，本发明在聚类阶段引入了模糊样本物理空间精细分配机制：对后验概率未达高置信阈值的样本，回溯其原始时窗统计量与各簇中位数向量的欧氏距离，结合簇内历史正常样本的距离分布阈值，将本应归属某一工况的边界样本精准归入正确簇中，既显著提升了正常簇的纯度，又为后续异常检测提供了更一致、更贴合物理机理的输入数据；而传统聚类仅依赖低维特征空间的统计归属，易因边界模糊导致工况划分偏差。

32、其次，本发明创新性采用全局低似然和簇内马氏偏离的双重异常检测机制：通过gmm混合模型计算样本全局对数似然值，捕获与所有正常工况分布均不相容的全局极端异常；同时对高置信归属特定工况簇的样本，计算其相对该簇均值与协方差的马氏距离，挖掘工况内参数渐变的早期异常信号。这种互补设计确保既不会遗漏整体偏移的突发故障，也能精准识别局部参数突变的潜在隐患；相较于单一模型仅能覆盖某类异常的局限，从根本上提升了诊断的召回率与精度，克服了传统单一检测算法易漏报、误报的痛点。

33、再次，本发明通过基于正常样本经验分布的工况自适应阈值（全局对数似然的预设百分位阈值、簇内马氏距离的分位数阈值）与物理偏离向量验证，能主动过滤启动、停机等已标识的正常瞬态过程，以及工况切换带来的假异常，进一步抑制误报；而现有技术中常用的全局统一阈值难以兼顾不同工况下的参数波动特性，导致对低负荷、高频调节等工况的误判率居高不下。

34、最后，本发明构建了“工况语义标签+关键物理偏离参数”的机理驱动型可解释规则库：将 “频率-阀门开度-温度” 三维工况场景与原始物理特征的量化偏离幅度、方向紧密结合，故障映射既贴合风机运行机理，又易于运维人员理解；相较于传统仅依赖单一参数阈值的规则库，本机制有效避免了脱离工况谈异常的盲目性，极大提升了诊断结果的可解释性、可维护性与工程实用价值。