一种数据去噪降维的一次风机故障预警方法

技术特征：
1.一种数据去噪降维的一次风机故障预警方法，其特征在于包括如下步骤：步骤一：从电厂运行历史库中，获取与一次风机运行相关的测点历史数据；步骤二：采用离散小波变换滤除步骤一测点历史数据中的高频成分；步骤三：采用主成分分析对步骤二滤波后的数据进行降维；步骤四：对步骤三降维后的数据基于k-means 构建记忆矩阵d；步骤五：利用步骤四的记忆矩阵计算偏离度阈值；步骤六：一次风机故障预警。2.根据权利要求1所述的聚类型mset一次风机故障预警方法，其特征在于上述步骤一中从电厂运行历史库中，获取与一次风机运行相关的测点历史数据，所述测点包括：机组负荷、一次风机出口风压、一次风机电流、轴承温度1、轴承温度2、轴承振动1、轴承振动2、电机非轴伸端轴承温度、电机轴伸端轴承温度、电机线圈a相温度1、电机线圈a相温度2、电机线圈b相温度1、电机线圈b相温度2、电机线圈c相温度1、电机线圈c相温度2。3.根据权利要求2所述的聚类型mset一次风机故障预警方法，其特征在于上述步骤二中采用离散小波变换滤除步骤一测点历史数据中的高频成分；具体过程为：步骤21，信号小波分解；选择小波基函数和小波分解层数，按照mallat算法计算小波系数w
l,k
，其中，l表示小波分解层数，k表示平移因子；步骤22，阈值处理；在小波域内，信号有用部分小波系数大，而噪声部分小波系数小，通过设置阈值的方式，若小波系数绝对值小于阈值，则令对应的小波系数为零，得到下式式中，θ表示阈值；阈值θ采用
‘
sqtwolog’规则计算得到，如下式式中，n表示历史数据个数；步骤23，信号重构；根据阈值出力后得到的出力小波系数通过小波逆变换实现信号重构，获得各测点历史数据滤除高频噪声后的同长度有用信号。4.根据权利要求3所述的聚类型mset一次风机故障预警方法，其特征在于上述步骤三中采用主成分分析对步骤二滤波后的数据进行降维；步骤31，将经过步骤二滤波后得到的有用信号，表示为样本矩阵x式中，n表示历史数据个数，m表示与一次风机运行相关的测点数，i为测点数据位置索引，j为测点信号索引；步骤32，样本矩阵x进行z-score标准化处理
其中为测点运行历史数据均值，s
j
为测点运行历史数据均方差；为测点运行历史数据均方差；其中n为历史数据个数；z-score标准化后的样本有用数据集合矩阵记为z；步骤33，计算样本有用数据集合矩阵z的相关系数矩阵r；根据下式计算样本有用数据集合矩阵z中任意两列序列z
c
＝[z
1c
…
z
ic
…
z
nc
]
t
与z
d
＝[z
1d
…
z
id
…
z
nd
]
t
间相关系数；式中，z
ic
、z
id
分别表示序列z
c
、z
d
中第i个位置对应的元素，中第i个位置对应的元素，中第i个位置对应的元素，为序列z
c
的平均值，为序列z
d
的平均值；由相关系数构造的相关系数矩阵r的表达式如下步骤34，根据矩阵运算，计算相关系数矩阵r的特征值λ和特征向量v；步骤35，计算各参数变量的贡献率α
j
，对特征值λ
j
从大到小进行排序,使得λ1≥λ2≥
…
≥λ
m
，则各特征值对应的各参数变量的贡献率计算公式为：步骤36，根据累积贡献率确定主元信号，主元信号是样本有用数据集合矩阵z信号的一种线性组合，主元信号中包含了样本有用数据集合矩阵z信号的大量特征，通过累积贡献率
确定需要保留的主元信号数，并通过矩阵变换将样本有用数据集合矩阵z变为压缩后的样本有用数据矩阵z'，具体步骤如下：
①
令p＝1，根据下式计算第一个主元的累积贡献率
②
令p＝p 1，根据上式计算前p个主元的累计贡献率；
③
判断η
p
≥95％是否成立，如成立，则p为保留主元数，否则，跳转到步骤
②
；
④
由前p个相关系数矩阵r的特征向量构造变换矩阵p，p＝[v1,...,v
p
]，由z'＝zp，将n
×
m的样本有用数据集合矩阵z压缩为n
×
p的样本有用数据矩阵z'。5.根据权利要求4所述的聚类型mset一次风机故障预警方法，其特征在于上述步骤四中对步骤三降维后的数据基于k-means 构建记忆矩阵d，具体过程为：步骤41，由样本有用数据矩阵z'组成初始记忆矩阵d
ini
；步骤42，确定第一个质心，从初始记忆矩阵d
ini
中随机选择一行测点样本作为第一个质心c1，计算初始记忆矩阵d
ini
中任一行t∈[1,2,
…
,n]组成的测点样本z
t
＝[z
′
t1
,
…
,z
′
tp
]到c1的距离，记为d(z
t
,c1)，令质心计算器s＝1；步骤43，确定第二个质心，将初始记忆矩阵d
ini
中任一行t∈[1,2,
…
,n]组成的测点样本z
t
为第二个质心的概率记为p
t,2
，根据下式计算p
t,2
后，按照所得概率分布从初始记忆矩阵d
ini
中随机选择一行测点样本第二个质心c2,令质心计算器s＝2；步骤44，确定第s个质心；令质心计算器s＝s 1,计算初始记忆矩阵d
ini
中任一行t∈[1,2,
…
,n]组成的测点样本z
t
至任一质心c
ss
，ss∈[1,2,
…
,s-1]的距离，并将样本分配给距离最近的质心c
ss
；样本分配完成后，将质心c
ss
所包含的样本集合记为c
ss
；将初始记忆矩阵d
ini
中任一行t∈[1,2,
…
,n]组成的测点样本z
t
为第s个质心的概率记为p
t,s
，根据下式计算p
t,s
后，按照所得概率分布从初始记忆矩阵d
ini
中随机选择一行测点样本第s个质心c
s
；式中，{h；z
h
∈c
ss
}表示任意属于集合c
ss
的样本，h为集合c
ss
的样本索引；步骤45，重复步骤44，直到s＝nd，nd为记忆矩阵d保留的样本数；步骤46，计算初始记忆矩阵d
ini
中剩余行至任一质心c
ds
，ds∈[1,2,
…
,n
d
]的距离，并将其分配至距离最短的质心；用c'
ds
表示第ds个质心所含样本集合，计算c'
ds
各列均值，并将其赋值给c
ds
；
步骤47，重复步骤46，直到质心分配不变，或达到最大迭代次数，由各个质心组成记忆矩阵dd＝[c1,c2,
…
,c
nd-1
,c
nd
]
t
。6.根据权利要求5所述的聚类型mset一次风机故障预警方法，其特征在于上述步骤五中利用步骤四的记忆矩阵计算偏离度阈值；具体过程为：从初始记忆矩阵d
ini
中选取nl个样本组成训练矩阵l，根据下式计算训练样本估计矩阵l
est
；式中，表示矩阵间欧式距离计算符；计算训练样本估计矩阵l
est
与训练矩阵l间的偏离度ε
l
，称为训练偏离度式中，nl为训练矩阵的样本数；w
pi
为第pi维主元的权重系数；l
pi
、l
est,pi
分别表示l、l
est
的第pi维元素的对应值；用tt表示训练偏离度的滑动窗口索引，根据滑动窗口宽度w
s
，则tt窗口的训练偏离度均值为序列ε
l
从tt至w
s
tt元素的平均值，如下式将训练偏离度均值序列记为从中选出其最大值根据下式计算偏离度阈值e
an
其中δ为故障预警系数，δ≥0.9。7.根据权利要求6所述的聚类型mset一次风机故障预警方法，其特征在于上述步骤六中的一次风机故障预警，具体过程为：一次风机测量数据经离散小波变换、主成分分析处理后，形成观测矩阵，记为x
obs
；根据下式计算一次风机运行状态估计矩阵x
est
；式中，表示矩阵间欧式距离计算符；计算状态估计矩阵与观测矩阵x
obs
间的偏离度ε
x
，称为观测偏离度式中，ll为观测矩阵中的样本数；w
pi
为第pi维主元的权重系数；x
obs,pi
、x
est,pi
为x
obs
、x
est
的第pi维元素的对应值；用dd表示观测偏离度的滑动窗口索引，根据滑动窗口宽度w
s
，则dd窗口的观测偏离度均
值为观测偏离度ε
x
从dd至w
s
dd元素的平均值，如下式将观测偏离度均值序列记为从中选出其最大值根据与偏离度阈值e
an
间关系确定是否发出预警；若则发出故障预警。

技术总结
一种数据去噪降维的一次风机故障预警方法，涉及风机故障预警的技术领域。包括如下步骤：从电厂运行历史库中，获取与一次风机运行相关的测点历史数据；采用离散小波变换滤除步骤一测点历史数据中的高频成分；采用主成分分析对步骤二滤波后的数据进行降维；对步骤三降维后的数据基于K-means 构建记忆矩阵D；利用步骤四的记忆矩阵计算偏离度阈值；根据偏离度是否超过阈值判断实现一次风机故障预警。本发明利用测量数据间的关联性，降低了模型的复杂度和计算量，从而提高了模型运算效率，有效解决了干扰信号对故障预警准确性的影响。决了干扰信号对故障预警准确性的影响。决了干扰信号对故障预警准确性的影响。


技术研发人员：李荣 周理 葛晓霞 杨勇
受保护的技术使用者：南京工程学院
技术研发日：2022.08.25
技术公布日：2023/3/10