[发明专利]基于DTW和小样本学习的故障诊断方法及系统

权利要求书

1.一种基于DTW和小样本学习的故障诊断方法，其特征在于包括如下步骤：

S1：获取设备正常运转下的状态参数，以及故障情况下的状态参数，构建历史数据库；所述状态参数为振动信号时域波形或频域波形或反应设备运行状态的工艺参数的特征值变化波形；

S2：当发生阈值预警时，获取相应报警时间的实时状态参数波形；

S3：将该实时波形与历史数据库中的每个波形进行对比，计算实时波形和历史数据库每个波形的相似性距离并打类别标注标签；

S4：对计算出的每个相似性距离进行排序，设定阈值K，K为正整数，并将前K个最小的距离中占比最高的类别作为实时状态参数波形的诊断结果。

对于实时信号的诊断结果也有可能是其他故障类型或正常类。当实时信号的诊断结果为正常类时，则说明该条报警为误报警，应予以取消报警。

2.根据权利要求1所述的基于DTW和小样本学习的故障诊断方法，其特征在于步骤S1在历史数据库中为所述状态参数设置相应的标注标签，以区别不同状态参数的类型。

3.根据权利要求1所述的基于DTW和小样本学习的故障诊断方法，其特征在于步骤S1故障情况下的状态参数根据故障的种类分别设置多种。

4.根据权利要求1所述的基于DTW和小样本学习的故障诊断方法，其特征在于步骤S1故障情况下的状态参数至少包括不平衡、不对中、松动三种情况。

5.根据权利要求1所述的基于DTW和小样本学习的故障诊断方法，其特征在于步骤S2中，若历史数据库中的状态参数为时域波形，则实时状态参数为预警时间段内的时域波形；若历史数据库中的状态参数为频域波形，则对实时状态参数为预警时间段内的时域波形进行傅里叶变换等操作以获取频域波形；若历史数据库中的状态参数为特征值变化波形，则实时状态参数为预警时间段内的特征值变化数据。

6.根据权利要求1所述的基于DTW和小样本学习的故障诊断方法，其特征在于步骤S3相似性距离的度量方式为DTW算法，具体步骤如下：

3.1：将实时状态参数波形和历史数据库中的每个波形同时输入到DTW算法；

3.2：通过DTW算法获得两个波形序列的相似性距离；

3.3：对每个相似性距离添加历史数据库中相应波形的标注标签。

7.根据权利要求1所述的基于DTW和小样本学习的故障诊断方法，其特征在于步骤S4对相似性距离进行排序并根据设定阈值获取诊断结果的具体步骤如下：

4.1：对每个相似性距离按照值的大小进行升序排序，并选出前K个最小的相似性距离；

4.2：取出前K个最小相似性距离相应的标注标签，并统计每种标签的个数；

4.3：将量最多的标注标签作为实时信号的最终诊断结果。

8.一种基于DTW和小样本学习的故障诊断系统，其特征在于包括：

历史数据库，包括设备正常运转下的状态参数，以及故障情况下的状态参数；所述状态参数为振动信号时域波形或频域波形或反应设备运行状态的工艺参数的特征值变化波形；

实时状态参数获取单元，用于当发生阈值预警时，获取相应报警时间的实时状态参数波形；

相似性距离计算与标注单元，用于将实时状态参数获取单元获取的实时波形与历史数据库中的每个波形进行对比，计算实时波形和历史数据库每个波形的相似性距离并打类别标注标签；

相似性距离排序比较单元，用于对计算出的每个相似性距离进行排序，设定阈值K，K为正整数，并将前K个最小的距离中占比最高的类别作为实时状态参数波形的诊断结果。

9.根据权利要求8所述的基于DTW和小样本学习的故障诊断系统，其特征在于相似性距离计算与标注单元采用DTW算法计算相似性距离并进行标签标注，DTW算法的输入为实时状态参数波形和历史数据库中的每个波形，输出为两个波形序列的相似性距离，对每个相似性距离添加历史数据库中相应波形的标注标签。

10.根据权利要求8所述的基于DTW和小样本学习的故障诊断系统，其特征在于相似性距离排序比较单元中，对每个相似性距离按照值的大小进行升序排序，统计前K个最小相似性距离相应的标注标签的个数，将量最多的标注标签作为实时信号的最终诊断结果。