[发明专利]基于DTW和小样本学习的故障诊断方法及系统

说明书

本发明公开了一种基于DTW和小样本学习的故障诊断方法及系统。由设备正常运转下和故障情况下的状态参数，构建历史数据库；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；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标注标签；对计算出的每个相似性距离进行排序，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。该方法不要求诊断序列长度，可以充分利用相同或不同类样本对，从只有单个或少量样本中识别出待测样本，从而提高故障诊断的性能。不仅可以对预警时的状态参数波形进行诊断，同时也可对该预警的真实性进行判断。

技术领域

本发明属于智能故障诊断技术领域，具体涉及缺少充足训练样本的情况下对少量数据进行有效且精准的智能故障诊断技术。

背景技术

近年来，基于深度学习的智能故障诊断技术由于避免了依赖耗时且不可靠的人工分析，提高了故障诊断的效率。然而，这些技术方案需要大量的训练样本，但在实际生产环境中，不同工况下，同一故障的信号也会有很大的区别。这使得故障诊断面临一个极大的挑战：对于各种故障，难以获得充足的样本去训练一个鲁棒性强的分类器。

同时对于工程实践来说，获取足够训练样本也意味着较高的时间和技术成本。

因此在缺少充足训练样本的情况下，如何获得高效率和高精准度的故障诊断成为目前亟需解决的技术问题。

发明内容

本发明要解决的技术问题是：解决缺少充足训练样本的情况下，无法对少量数据进行有效且精准的智能故障诊断的缺陷，提供一种基于DTW和小样本学习的故障诊断方法及系统，可以在缺少充足训练样本的情况下进行高效且高精准度的故障诊断。

进一步的，本发明该方法不仅能够衡量给定两个序列的相似程度，且还能对两个序列的延展或压缩有一定的适应性，同时也不要求两序列长度相同。可以充分利用相同或不同类样本对，从只有单个或少量样本中识别出待测样本，从而提高故障诊断的性能。

进一步的，不仅可以对预警时的状态参数波形进行诊断，同时也可对该预警的真实性进行判断。

进一步的，本发明随着后续机理模型的诊断和人工诊断结果的反馈，历史数据库可以被不断地扩充从而提高精准度和效率，也具有扩展适应性。

通过对比实时数据和不同故障类型数据之间的差异，获得高效率和高精准度的故障诊断模型。

为解决上述技术问题，本发明采用如下技术方案：

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。

上述技术方案中，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。

上述技术方案中，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。

上述技术方案中，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。