[发明专利]一种基于KDE-FA的冷水机组故障特征刻画方法

权利要求书

1.一种基于KDE-FA的冷水机组故障特征刻画方法，其特征在于，包括下述步骤：

步骤1：选用移动平均滤波器法对冷水机组原始故障数据进行平滑处理，然后选用计算几何加权运行平均值和几何加权运行方差的方法对平滑数据进行稳态筛选；

步骤2：采用KDE方法对稳态筛选后的故障数据进行故障特征选择；

步骤3：采用FA方法对KDE方法选择出的冷水机组故障特征进行特征降维，完成故障特征刻画工作；

步骤4：构建KDE-BN模型、FA-BN模型及KDE-FA-BN模型，进行FD故障检测，对冷水机组的故障特征刻画的结果进行评价；

步骤5：构建KDE-SVDD模型、FA-SVDD模型及KDE-FA-SVDD模型，进行FD故障检测，对冷水机组的故障特征刻画的结果进行评价；

步骤6：分别将构建的KDE-BN模型、FA-BN模型及KDE-FA-BN模型与传统BN模型的检测性能进行比较，若正常状态被误判为故障状态的概率越低，则判定该FD方法效果越好；

步骤7：分别将构建的KDE-SVDD模型、FA-SVDD模型及KDE-FA-SVDD模型与传统SVDD模型的检测性能进行比较，若正常状态被误判为故障状态的概率越低，则判定该FD方法效果越好。

2.根据权利要求1所述的一种基于KDE-FA的冷水机组故障特征刻画方法，其特征在于，所述步骤2中，采用KDE方法对冷水机组故障的稳态数据进行特征选择：

对于某一故障，设X₁，X₁，......X_n是取自故障总体X的样本，在任意点x处的总体密度函数f(x)的KDE采用下式计算：

其中，K()称为某一故障的核函数，h称为某一故障窗宽或带宽，n为故障数据的样本容量；

核函数选择Gaussian核函数，故障的最优带宽h_o采用下式计算：

其中，S为故障数据的样本标准差。

3.根据权利要求1所述的一种基于KDE-FA的冷水机组故障特征刻画方法，其特征在于，所述步骤3中，采用FA方法对KDE选择出的故障特征进行特征降维时，包括因子描述、因子提取、因子旋转和因子得分环节。

4.根据权利要求3所述的一种基于KDE-FA的冷水机组故障特征刻画方法，其特征在于，所述步骤3中，采用FA方法对KDE选择出的故障特征进行特征降维时，具体通过四个环节实现：

3a)在因子描述环节，进行Bartlett球形检验和KMO统计量检验；当Bartlett球形检验结果中的卡方统计量足够大、显著性值小于0.05、KMO统计量检验结果中的KMO大于0.5三个条件满足其一，则认为故障特征之间的冗余性较强，此时应采用FA方法进行特征降维；

3b)在因子提取环节，采用方差贡献率法和碎石图法确定公共因子的提取个数；因子提取后输出的公共因子能够反映全部数据信息的95％时，选取此时对应的故障特征的公共因子个数；碎石图中以曲线由陡峭变平缓的转折点为判断点，选取陡峭曲线对应的故障特征的公共因子个数；

3c)在因子旋转环节，当故障特征原始变量和提取出的公共因子之间的关系不确定时，采用正交旋转法对因子载荷矩阵进行旋转，使故障特征原始变量和公共因子两者之间的关系明确；对公共因子命名；

3d)在因子得分环节，确定每一样本在公共因子上的数值，将其作为新的变量运用于下一步模型构建；选择回归法确定正常状态和各故障状态在因子变量的数值因子变量的数值采用下式计算：

其中，A为因子载荷矩阵，∑为标准化故障特征原始变量的协方差矩阵，X为故障特征原始变量矩阵。