高维征兆数据特征下的多故障智能诊断方法研究

Complex process has the characteristics of multifarious, and simultaneity multi-fault is familiar in the area. The faults are correlative and tightly coupled, therefore, high dimension and sparse features are hard to quantified or distinguished.Linear function relationship among the multi-fault features are not easy to be found by traditional intelligent diagnosis methods. Aiming at this problem, a research on hyperspace and physical identification of multi-fault based on high-dimensional feature data analysis will be conducted. In the research, multi-fault diagnosis will be regarded as an indeterminate causal association. Various parameters (e.g. space distance, probability, tendency, distribution, similarity between different objects, etc) will be defined as qualitative indicators. Methods such as co-clustering, nonlinear mapping, target optimization, and subspace mapping are used to make a cluster analysis on the high-dimension feature vector within an unknown scope of knowledge, combining a few technical measures (e.g. analogy, self-study, self-organization ) will be combined. Simultaneously, by using the above methods effective outliers will be found by mapping clusters, thus ensuring multi-fault diagnosis can be completely located in a class . Finally, multi-fault diagnosis methods, which are self-learning, self-adaptable, and be capable of solving uncertain problems, will be established.

复杂过程具有多样性的特点，大量的无关属性使得多故障体系非线性特征明显。不同的故障间互相关联、紧密耦合，导致故障征兆高维稀疏、不易量化、难以区分，传统的智能故障诊断方法难以发现多故障征兆间的线性函数关系。针对该问题，开展基于高维征兆数据分析的多故障体系空间和实体识别鉴定的研究。将多故障诊断视为一种不确定性因果关联表现，以征兆的空间距离、概率、趋势、分布、对象组相似度等参数作为多故障体系的数量定性指标，利用类比、学习、自组织等技术手段，使用联合聚类、非线性映射、目标优化、子空间映射等方法，将高维征兆矢量这类不确定数据在未知的知识范围内进行合理的聚类分析，实现高维征兆数据在较低维中的表征，同时使用映射聚类发现有效离群点，确保多故障诊断结果能完整的位于形成的一个类群之中，建立起具有自学习、自适应、和不确定性问题处理能力的多故障诊断方法。

复杂系统具有多数量多层级的组成单元，其规模庞大，结构和层次远较一般系统复杂，故障的出现概率和严重程度较简单系统高得多，使多重故障成为常态。本项目以复杂系统在运行过程数据为切入点，希望通过开展高维征兆数据特征下的多故障智能诊断方法的研究，发现反映系统的运行安全和可靠状况的参数，识别并诊断出其中存在的多个故障。.首先，项目对多重故障（复合故障）的故障机理、表现形式、诊断思路进行了系统性的综述，统一了“复合故障”和“多重故障”的表现和描述。将故障模式识别存在多输出可能性的求解问题定义为多重故障诊断的科学问题。按照基于解析模型、基于定性经验、数据驱动的分类方式分别对现有的典型诊断方法和相关技术进行了综述；.其次，研究了“面向多故障识别的高维征兆数据联合聚类分析方法”。以电力传输故障数据、红外光学感知故障数据、IEEE162电力总线故障数据等为对象，研究在仅有单故障样本的情况下对含有多个故障的征兆数据进行解耦、减小“维度灾难”对高维征兆数据处理的影响、采用合适的联合聚类方法，区分故障数据的特征属性，使其可以针对派生属性进行聚类分析等内容；.第三、研究了“基于子空间高维征兆数据在较低维中非线性映射的多故障区分方法”。采用信息融合的方式，利用RBM等技术，通过对指标的遴选，对其进行变换、组合，得到能够区分更多故障和状态的新的特征指标的方法，研究了故障特征“多分类”的映射、同类故障的特征提取、故障模式的综合特征组成等问题；.第四，研究了“基于类别区分的多重故障诊断模型框架”。分析了已有基于类别区分的故障诊断方法对于多重故障的缺陷。将故障模式和征兆数据的表现以及可能的耦合方式作为对象，提出了适合于多重故障诊断的类别区分概念模型，给出了相应的诊断模型框架；在此基础上，提出了一种自适应的局部簇邻接半径阈值确定方法，并在基于密度的聚类分析中验证了其有效性；.项目还研究了“软件故障诊断与测试以及在各个层级结构当中的表现”、“高维聚类分析的关联网络在多故障诊断中的应用”、“高维聚类分析的关联网络在多故障诊断中的应用”等问题。.本项目研究内容丰富了数据驱动的多重故障诊断方法理论。其中提出的基于类别区分的多重故障诊断模型框架，充分的结合类别区分的竞争机制来应对多重故障已耦合征兆对于多重故障的不确定性因果关联表现映射问题。所提出的方法具有较好的通用性和可扩展性，若继续深入，有望形成完整的方法体系。