故障的诊断方法和装置与流程

本发明涉及火电厂辅机设备
技术领域：
，具体而言，涉及一种故障的诊断方法和装置。
背景技术：
辅机设备是火电机组的重要组成部分，对辅机设备进行实时监测和故障诊断具有重要的应用价值。而磨煤机作为一种重要的辅机设备，对磨煤机进行故障诊断具有十分重要的意义。目前，支持向量机(supportvectormachine)已经成功应用于故障诊断。具体地，支持向量机是基于典型故障的模式识别和匹配过程来实现故障诊断的。然而，磨煤机在不同负荷下工作的故障类型比较复杂，并且磨煤机发生某一故障时的故障程度也是不同的。由于支持向量机包含的标准样本的个数有限，因此，当采用支持向量机对磨煤机进行故障诊断时，存在以下问题：若支持向量机采用程度严重的故障样本作为标准训练样本，则微弱和早期故障的识别能力将会降低；若采用微弱和早期故障样本作为标准训练样本，则当诊断样本为较严重的故障时，诊断效果将会降低。针对上述现有技术中采用支持向量机进行故障诊断时故障诊断效果差的问题，目前尚未提出有效的解决方案。技术实现要素：本发明实施例提供了一种故障的诊断方法和装置，以至少解决现有技术中采用支持向量机进行故障诊断时故障诊断效果差的技术问题。根据本发明实施例的一个方面，提供了一种故障的诊断方法，包括：基于设备的运行参数构建第一模型；确定第一模型中的待辨识参数；根据待辨识参数构建第二模型，其中，第二模型不包含待辨识参数；基于第二模型确定预设规则，并对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型；基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果。根据本发明实施例的另一方面，还提供了一种故障的诊断装置，包括：第一构建模块，用于基于设备的运行参数构建第一模型；确定模块，用于确定第一模型中的待辨识参数；第二构建模块，用于根据待辨识参数构建第二模型，其中，第二模型不包含待辨识参数；第三构建模块，用于基于第二模型确定预设规则，并对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型；处理模块，用于基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果。根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序执行故障的诊断方法。根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行故障的诊断方法。在本发明实施例中，采用多种数学模型相结合的方式，通过基于设备的运行参数构建第一模型，确定第一模型中的待辨识参数，并根据待辨识参数构建第二模型，然后基于第二模型确定预设规则，并对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型，最后基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果，其中，第二模型不包含待辨识参数，达到了提高对设备故障的识别精度的目的，从而实现了提高故障诊断速率的技术效果，进而解决了现有技术中采用支持向量机进行故障诊断时故障诊断效果差的技术问题。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的一种故障的诊断方法流程图；图2(a)是根据本发明实施例的一种可选的磨煤机出口温度的曲线图；图2(b)是根据本发明实施例的一种可选的进出口压差的曲线图；图2(c)是根据本发明实施例的一种可选的磨机电流的曲线图；图3是根据本发明实施例的一种可选的给煤机少煤时故障特征参数随故障程度变化的关系曲线图；图4是根据本发明实施例的一种可选的给煤机多煤时故障特征参数随故障程度变化的关系曲线图；图5是根据本发明实施例的一种可选的一次风管堵塞时故障特征参数随故障程度变化的关系曲线图；图6(a)是根据本发明实施例的一种可选的最小二乘支持向量机模型的均方误差结果图；图6(b)是根据本发明实施例的一种可选的最小二乘支持向量机的参数优化结果图；图7(a)是根据本发明实施例的一种可选的故障诊断的诊断结果图；图7(b)是根据本发明实施例的一种可选的故障诊断的诊断结果图；以及图8是根据本发明实施例的一种故障的诊断装置结构示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本发明实施例，提供了一种故障的诊断方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。图1是根据本发明实施例的故障的诊断方法流程图，如图1所示，该方法包括如下步骤：步骤s102，基于设备的运行参数构建第一模型。需要说明的是，上述设备可以为但不限于磨煤机，磨煤机作为一种重要的辅机设备，对磨煤机进行故障诊断具有重要意义。磨煤机的故障状态主要由给煤机少煤、给煤机多煤、一次风管阻塞等。其中，磨煤机工作在不同负荷条件下时的故障严重程度具有很大的区别，因此，准确确定磨煤机工作在不同负荷条件下时的故障严重程度具有重要的意义。此外，还需要说明的是，在设备为磨煤机的情况下，上述第一模型为磨煤机动态数学模型，由此，对应的磨煤机的运行参数至少包括：磨煤机内原煤的质量、出口煤粉的质量流量、磨煤机内煤粉的质量以及质量流量、磨煤机进出口压差、磨煤机内存煤的质量、磨煤机进口一次风质量流量、原煤水分蒸发量、原煤含水量、磨煤机出口温度、煤粉水分含量、磨煤机入口一次风带入磨煤机的热量、原煤带入磨煤机的热量、磨煤机出口空气与煤粉混合物的热量、磨煤机电流以及煤水分蒸发吸收的热量等。其中，磨煤机的上述运行参数满足质量平衡和能量平衡，质量平衡是指进出磨煤机的原煤、空气等物质整体守恒，进入磨煤机的原煤、空气等物质的量与磨煤机的出口量和磨煤机内的参与量的总和相同；能量平衡是指进入磨煤机的物质所带能量和磨煤机做功产生的能量与离开磨煤机物质所带能量及磨煤机内残余物质所带能量的总和是相等的。步骤s104，确定第一模型中的待辨识参数。具体的，可以根据磨煤机的历史运行数据，采用击穿算法确定第一模型中的待辨识参数。其中，磨煤机的历史运行数据至少包括：磨煤机的原煤质量流量、入口一次空气质量流量、原煤含水量、入口一次风温度、磨煤机的出口温度、磨煤机电流以及磨煤机进出口压差等参数。步骤s106，根据待辨识参数构建第二模型，其中，第二模型不包含待辨识参数。需要说明的是，上述第二模型为不包含待辨识参数的磨煤机动态数学模型。步骤s108，基于第二模型确定预设规则，并对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型。需要说明的是，上述预设规则为根据第二模型，即不包含待辨识参数的磨煤机动态数学模型对磨煤机的动态生产过程进行仿真，以模拟磨煤机工作在不同负荷下发生不同程度的故障，得到故障特征参数随故障程度变化的规律，其中，预设条件为磨煤机的负荷条件，第三模型为最小二乘支持向量机模型。具体的，首先确定磨煤机发生故障的故障特征参数，然后根据不包含待辨识参数的磨煤机动态数学模型对磨煤机的动态生产过程进行仿真，以模拟磨煤机工作在不同负荷条件下发生不同程度的故障，得到故障特征参数随故障程度变化的规律。最后选取磨煤机工作在某一负荷条件下的故障样本和正常运行时的正常样本作为故障知识库来训练最小二乘支持向量机模型。步骤s110，基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果。具体的，可根据训练好的最小二乘支持向量机模型，即第三模型，并结合故障特征参数随故障程度变化的规律进行故障诊断。其中，当第三模型的故障分离度达到预设阈值时，对磨煤机故障的诊断过程结束，并得到诊断结果。基于上述步骤s102至步骤s110所限定的步骤，可以获知，通过基于设备的运行参数构建第一模型，确定第一模型中的待辨识参数，并根据待辨识参数构建第二模型，然后基于第二模型确定预设规则，并对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型，最后基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果，其中，第二模型不包含待辨识参数。容易注意到的是，由于第二模型中不包含待辨识参数，因此，在根据第二模型进行计算时，可以快速得到处理结果。此外，根据第二模型可以得到故障特征参数随故障程度变化的预设规则，可提高对设备故障的识别精度，而根据故障样本和正常样本可对最小二乘支持向量机模型进行简化处理，可以有效提高故障诊断的速率，进而提高了对设备故障的识别效果。由上述内容可知，本申请所提供的实施例可以达到提高对设备故障的识别精度的目的，从而实现了提高故障诊断速率的技术效果，进而解决了现有技术中采用支持向量机进行故障诊断时故障诊断效果差的技术问题。在一种可选的实施例中，基于设备的运行参数构建第一模型，即构建磨煤机动态数学模型可基于以下假设：(1)原煤的研磨过程被简化且不考虑煤粉的分离过程；(2)在磨煤机中研磨和煤粉传送为两个独立的阶段；(3)磨煤机内部仅存在原煤和煤粉两种状态的煤。具体的，基于设备的运行参数构建第一模型包括如下步骤：步骤s1，基于磨煤机内部的质量平衡，确定磨煤机内部原煤质量和煤粉质量的微分方程；步骤s2，基于磨煤机内部的水分质量平衡，确定煤粉水分含量的微分方程；步骤s3，基于磨煤机内部的能量平衡，确定磨煤机出口温度的微分方程。进一步地，磨煤机内部原煤质量微分方程如下：在上式中，mc为磨煤机内原煤的质量，单位为千克；qm，c为出口煤粉的质量流量，单位为千克每小时；k1为待辨识参数，无量纲，为更新后的磨煤机内原煤的质量。磨煤机内部煤粉质量的微分方程如下：mpf＝k1mc-qm，pf在上式中，mpf为磨煤机内原煤的质量，单位为千克；qm，pf为磨煤机内原煤的质量流量，单位为千克每小时。需要说明的是，出口煤粉的质量流量与煤粉的质量和磨煤机进出口压差成正比，而磨煤机进出口压差正比于磨煤机内存煤质量和进口一次风质量流量，由此，可确定下式：qm，pf＝k2δpampf在上式中，δpa为磨煤机进出口压差，单位为千帕；k2为待辨识参数，无量纲。其中，在上式中，mcoal为磨煤机内存煤的质量，单位为千克；qm，air为磨煤机进口一次风质量流量，单位为千克每小时；k16和k17为待辨识参数，无量纲。其中，mcoal＝mc+mpf进一步地，基于磨煤机内部的水分质量平衡，建立如下煤粉水分含量的微分方程：在上式中，为原煤水分蒸发量，单位为千克；θcm为原煤含水量，单位为千克；γres为煤粉水分含量，单位为千克；为更新后的煤粉水分含量，单位为千克。具体的，原煤水分蒸发量与原煤含水量和磨煤机出口温度成正比，且原煤含水率保持不变，因此，原煤水分蒸发量可由下式表示：在上式中，tout为磨煤机出口温度，单位为摄氏度；k3和k4为待辨识参数，无量纲。进一步地，基于磨煤机内部的能量平衡，建立如下磨煤机出口温度的微分方程：在上式中，qair为磨煤机入口一次风带入磨煤机的热量，单位为焦耳；qcoal为原煤带入磨煤机的热量，单位为焦耳；qp为磨煤机研磨煤粉产生的热量，单位为焦耳；qpf为磨煤机出口空气与煤粉混合物的热量，单位为焦耳；qwater为煤水分蒸发吸收的热量，单位为焦耳；为更新后的磨煤机出口温度。由上述可知，磨煤机出口温度的变化是传热的结果。热的一次空气进入磨煤机以及研磨产生的热量使磨煤机出口温度升高。进入磨煤机的煤和水分以及离开磨煤机的一次风和煤粉会吸收热量，使出口温度降低。其中，原煤带入磨煤机的热量qcoal＝k7qm，c入口一次风带入磨煤机的热量qair＝(k5tin+k6)qm，air磨煤机研磨产生的热量qp＝k10i磨煤机出口空气与煤粉混合物的热量热力学过程中的延时为k12tout需要说明的是，在建立磨煤机能量模型的过程中忽略了磨煤机向环境中所散发的热量。由此，磨煤机的出口温度的微分方程可由下式表示：其中，k5、k6、k7、k8、k9、k10、k11和k12为待辨识参数，无量纲；i表示磨煤机电流，其中，i＝k13mpf+k14mc+k15在上式中，k13、k14和k15为待辨识参数，无量纲。需要说明的是，上述磨煤机动态数学模型的输入参数为磨煤机原煤质量流量qm，c、入口一次空气质量流量qm，air、原煤含水量θcm和入口一次风温度tin；磨煤机动态数学模型的输出参数为磨煤机出口温度tout、磨煤机电流i以及进出口压差δpa。而磨煤机动态数学模型的待辨识参数为ki(i＝1，2，...，17)。此外，还需要说明的是，在构建磨煤机动态数学模型之后，即在构建第一模型之后，可根据待辨识参数构建第二模型，具体步骤如下：步骤s1060，获取设备的历史运行数据；步骤s1062，基于历史运行数据，根据遗传算法确定第一模型中的待辨识参数；步骤s1064，根据第一模型中的待辨识参数得到第二模型。在一种可选的实施例中，以上述设备为磨煤机进行说明。根据磨煤机的历史运行数据，采用遗传算法辨识动态数学模型中的待辨识参数，得到不包含待辨识参数的磨煤机动态数学模型。具体的，选用某火电厂机组磨煤机4天内运行的200组历史运行数据，采用遗传算法辨识上述动态数学模型中的待辨识参数。其中，磨煤机的工作条件为：原煤水分含量θcm＝0.15，原煤的质量流量qm，c＝50.035t/h，入口一次风质量流量为qm，air＝18.3232t/h，入口空气温度为tin＝232.12℃。其中，遗传算法的归一化误差为：在上式中，以及是t时刻磨煤机的实际输出，tout(t)、i(t)以及δpa(t)是t时刻动态数学模型的输出，itr以及是每个输出变量的上界，以及是t时刻磨煤机的实际输出，in(t)以及是t时刻动态数学模型的输出。其中，遗传算法的适应度函数为：在上式中，n为测量数据点的个数；w1、w2和w3为权重系数。经过辨识，待辨识参数的辨识结果如表1所示。并且，在待辨识参数的辨识结果如表1所示时，磨煤机出口温度、进出口压差和磨机电流的模型输出结果如图2(a)、图2(b)和图2(c)所示。从图2(a)、图2(b)和图2(c)中可以看出，代表模型输出的曲线与代表实际输出的曲线基本重合，模型输出与实际数据差异很小，该不包含待辨识参数的磨煤机动态数学模型的准确性较高。表1待辨识参数辨识结果待辨识参数辨识结果待辨识参数辨识结果k10.9844k70.083k130.0948k20.0605k80.00432k130.1818k30.0473k90.0283k1477.1848k40.6413k100.0669k150.9521k50.00006k100.0929k170.0053k60.8739k12-0.0194在一种可选的实施例中，基于第二模型确定预设规则包括如下步骤：步骤s1080a，基于第二模型确定设备的故障参数；步骤s1082a，获取与故障参数相对应的故障等级；步骤s1084a，基于故障参数以及故障等级确定预设规则。需要说明的是，磨煤机的故障状态主要有以下三种：给煤机少煤、给煤机多煤、一次风管阻塞。磨煤机发生故障的故障特征参数有四个，分别为磨煤机出口温度tout，磨机电流i、进出口压差δpa和一次风煤比r。具体的，通过从10％到50％减少原煤入口质量流量，来模拟不同程度的给煤机少煤；通过从10％到50％增加原煤入口质量流量，来模拟不同程度的给煤机多煤；通过从2.73％到54.6％减少入口一次风流量，来模拟不同程度的一次风管堵塞，得到故障特征参数随故障程度变化的关系曲线图,如图3、4、5所示。其中，图3为采用不包含待辨识参数的磨煤机动态数学模型对磨煤机的动态生产过程进行模拟时，不同程度的给煤机少煤时故障特征参数随故障程度变化的关系曲线图；图4为采用不包含待辨识参数的磨煤机动态数学模型对磨煤机的动态生产过程进行模拟时，不同程度的给煤机多煤时故障特征参数随故障程度变化的关系曲线图；图5为采用不包含待辨识参数的磨煤机动态数学模型对磨煤机动态身缠过程进行模拟时，不同程度的一次风管堵塞时故障特征参数随故障程度变化的关系曲线图。需要说明的是，在模拟磨煤机工作在不同负荷下发生不同程度的故障时，上述动态数学模型的其它输入参数保持不变，磨煤机的工作负荷分别选定为70％额定负载和100％额定负载。从图3、4、5中可以看出，随着故障程度的增加，四个故障特征参数近似呈单调线性变化。此外，还需要说明的是，通过采用动态数学模型来模拟磨煤机工作在不同负荷下发生不同程度的故障，得到故障特征参数随故障程度变化的规律，建立了缩放理论的基础。这样，可以基于故障特征参数随故障程度变化的规律来判断故障的故障程度，即判断故障的故障等级。在一种可选的实施例中，对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型，具体包括如下步骤：步骤s1080b，构建支持向量机模型；步骤s1082b，获取设备在故障样本以及正常样本；步骤s1084b，基于故障样本以及正常样本对支持向量机模型进行训练，得到第三模型。需要说明的是，上述支持向量机模型可以为最小二乘支持向量机模型。其中，最小二乘支持向量机模型的基本原理如下：首先，选中一组训练样本：{(xi，yi)|i＝1，2，...，n}其中，xi∈rm是输入向量，yi∈r为输出向量，故障征兆参数向量样本通过非线性映射从原来的空间映射到一个高维(k维，k大于n)空间，其中，在这个空间中，构建最优的线性回归函数如下：在上式中，x为输入的故障征兆参数向量样本，f(x)为输入的故障征兆参数向量样本对应的输出，ω为权重系数向量，b∈rn为偏差。基于结构风险最小化准则，最小二乘支持向量机模型的回归问题可以转化为最小化约束条件为：其中，γ为惩罚因子，γ＞0；ei为模型回归值与实际值之间的误差。另外，通过构造拉格朗日函数，根据kkt(karush-kuhn-tucker)条件，可得出如下公式：通过消除ei和γ，可以得到如下方程：在上式中，y2[y1，y2，…，yn]t，α＝[α1，α2，…，αn]t，i为n×n维的单位矩阵，γ为惩罚因子参数。通过上式可求解α和b，由此可达到最小二乘支持向量机模型的输出为：在上式中，x为输入的故障征兆参数向量样本；y为输入的故障征兆参数样本对应的输出，αi是第i个输入的故障征兆参数向量样本映射到输出的权重，b是n维偏差；需要说明的是，可采用高斯核函数作为最小二乘支持向量机模型的核函数：在上式中，x＝[x1,x2,x3,x4]t为4维输入向量，σ为核函数的方差。基于上述原理，可通过如下方法构建最小二乘支持向量机模型，具体步骤如下：步骤s11，分析不同工作状态下磨煤机的故障状态，得到磨煤机在正常状态下和故障状态下的故障特征参数向量样本，根据上述故障特征参数向量样本，得到上述故障特征参数向量样本对应的故障征兆参数向量样本。具体的，可通过如下公式得到故障特征参数对应的故障征兆参数向量，进而得到故障征兆参数向量样本：在上式中，x为故障特征参数，x0为故障特征参数的正常运行值，a为故障特征参数的最大变化宽度。其中，a＝x0，即取正常状态下的故障特征参数值作为相应的故障特征参数的最大变化宽度。在一种可选的实施例中，选取磨煤机工作在70％额定负荷下的3种典型故障样本和正常样本作为故障知识库来训练最小二乘支持向量机模型。其中，3种典型故障分别为30％给煤机少煤、30％给煤机多煤、27.3％一次风管阻塞。需要说明的是，上述30％及27.3％表示故障的严重程度。此外，磨煤机在不同状态下的故障特征参数及相应的故障征兆参数的数值如表2所示：表2步骤s12，通过非线性映射将故障征兆参数向量样本从原来的空间映射到k维空间，在上述k维空间中，上述最小二乘支持向量机模型的输出为：其中，x为输入的故障征兆参数向量样本；y为输入的故障征兆参数样本对应的输出，αi是第i个输入的故障征兆参数向量样本映射到输出的权重，b是n维偏差。步骤s13，采用如下方程求解α和b；式中，y＝[y1,y2,…yn]t，α＝[α1,α2,…αn]t，i是n*n维单位矩阵，γ为惩罚因子参数。进一步地，在本实施例中，将上述3种典型故障样本和正常样本的故障征兆参数向量输入到上述最小支持二乘向量机模型后，最小二乘支持向量机模型的输出结果如表3所示。表3运行状态输出结果正常100030％给煤机少煤010030％给煤机多煤001027.3％一次风管堵塞f30001由表3可知，当最小二乘支持向量机的输入向量为4维故障征兆参数向量时，最小二乘支持向量的输出结果为四位数。需要说明的是，可采用粒子群优化算法pso(particleswarmoptimization)来优化最小二乘支持向量机模型中的惩罚因子参数γ以及核函数的方差σ。另外，在上述粒子群优化算法中，粒子群的规模可以为20×2。具体地，优化过程中，粒子的速度和位置更新公式如下：v(t+1)＝ωv(t)+c1r1(pbest(t)-x(t))+c2r2(gbest(t)-x(t))x(t+1)＝x(t)+v(t+1)其中，ω是惯性系数，c1和c2是学习因子；r1和r2是0到1之间的随机数，pbest是每个粒子的最优解，即个体最佳位置，gbest是全局最优位置，即整个粒子群的当前最优解。基于粒子群优化的最小二乘支持向量机模型的优化结果如图6(a)和图6(b)所示。其中：图6(a)是基于粒子群优化的最小二乘支持向量机模型的均方误差结果图，图6(b)基于参数粒子群优化的最小二乘支持向量机的参数优化结果图。从图中可以看出，经过pso优化后，最小二乘支持向量机模型的训练误差很低。在一种可选的实施例中，基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果包括如下步骤：步骤s1100，获取设备发生故障时的故障特征参数；步骤s1102，基于故障特征参数得到故障征兆参数向量；步骤s1104，将故障征兆参数向量作为第三模型的输入参数，得到故障分离度；步骤s1106，在故障分离度大于预设阈值的情况下，根据预设规则确定设备的故障为第一等级故障；步骤s1108，在故障分离度小于等于预设阈值的情况下，根据预设规则确定设备的故障为第二等级故障。需要说明的是，第一等级故障与第二等级故障为两种轻重程度不同的等级故障。在一种可选的实施例中，使用训练好的最小二乘支持向量机模型并结合上述故障特征参数随故障程度变化的规律进行故障诊断，当最小二乘支持向量机的故障分离度达到预设阈值时，诊断结束，输出诊断结果。在一种可选的实施例中，基于故障特征参数得到故障征兆参数向量包括如下步骤：步骤s1102a，根据故障特征参数确定故障特征向量；步骤s1102b，根据故障特征向量得到与故障特征向量相对应的故障征兆参数向量。具体的，从现场实时数据库或dcs(distributedcontrolsystem，即分布式控制系统)中获取四个故障特征参数：磨煤机出口温度，磨机电流、进出口压差、和一次风煤比，根据如下公式计算故障特征参数相应的故障征兆参数：根据上述故障征兆参数，构建故障征兆参数向量μ。在一种可选的实施例中，将故障征兆参数向量作为第三模型的输入参数，得到故障分离度包括：步骤s11040，获取故障特征向量对应的故障类型；步骤s11042，在故障征兆参数向量与标准故障征兆参数向量相匹配的情况下，将故障特征向量对应的故障类型匹配为标准故障类型；步骤s11044，比对故障征兆参数向量与标准故障类型中的故障征兆参数向量，得到比对结果；步骤s11046，根据比对结果更新故障征兆参数向量；步骤s11048，将更新后的故障征兆参数向量作为第三模型的输入参数，得到故障分离度。需要说明的是，在得到故障征兆参数向量之后，需要对上述四个故障特征参数的故障类型进行判断。具体的，如果四个故障征兆参数向量与标准故障样本的故障征兆参数向量的正负符号均相同，则匹配为相应的故障类型。例如，四个故障正征兆参数的正负符号与故障程度为30％给煤机少煤的标准故障样本的故障征兆参数向量的正负符号均相同，即所判定的故障类型相同，则将其匹配为给煤机少煤的故障类型。其中，根据比对结果更新故障征兆参数向量包括：步骤s11046a，对故障特征参数的缩放因子进行初始化，得到第一缩放因子；步骤s11046b，根据比对结果更新第一缩放因子；步骤s11046c，根据第一缩放因子更新故障征兆参数向量。具体的，从四个故障征兆参数向量中任选一个，将该故障征兆参数与与其匹配的标准故障样本中对应的故障征兆参数向量进行比较，若该故障征兆参数向量比上述标准故障样本中对应的故障征兆参数向量的绝对值大，则故障的缩放因子z朝减小的方向进行搜索，δz＝-0.001，反之，z则朝增大的方向进行搜索，δz＝0.001。将缩放因子更新为z＝z+δz，同时更新故障征兆参数向量为μ＝z·μ。利用训练好的最小二乘支持向量机模型进行故障诊断，更新后的故障征兆向量作为最小支持向量机模型的输入，如果最小二乘支持向量机的故障分离度达到预设阈值，则得出故障的诊断结果；如果最小二乘支持向量机模型的故障分离度小于预设阈值，则继续更新缩放因子。其中，故障分离度为最小二乘支持向量机模型输出的数中的最大值和最小值的差值，故障分离度的预设阈值一般为0.79至0.9。需要说明的是，由于有四个故障特征参数，对应的故障征兆参数向量也有四个，因此，最小二乘支持向量机的输出为四位数。相应地，故障分离度指的是最小二乘支持向量机模型输出的四位数中的最大值和最小值的差值。在一种可选的实施例中，确定故障分离度达到预设阈值时缩放因子z的值，当上述缩放因子z的值大于1时，输出上述实时故障特征参数向量的故障程度比标准故障样本的故障程度轻的诊断结果；当上述缩放因子z的值小于1时，输出上述实时故障特征参数向量故障程度比标准故障样本的故障程度重的诊断结果。具体地，例如，在本实施例中，当故障分离度大于预设阈值，确定此时的缩放因子z＝0.725，由于z大于其初始值1。因此，此时，判断该组故障特征参数的故障为给煤机少煤，故障程度比30％给煤机少煤的故障程度严重。在一种优选的实施例中，从现场实时数据库获取到4个故障特征参数，首先，通过公式如下公式计算出故障特征参数对应的故障征兆参数：根据上述故障征兆参数构建故障征兆参数向量，将该故障征兆参数向量作为最小二乘支持向量机模型的输入向量，此时，初始化缩放因子z＝1，判断该故障征兆参数向量的故障征兆与30％给煤机少煤的标准故障样本的故障征兆参数向量的正负符号均相同，此时，将上述故障特征参数的故障类型确定为给煤机少煤。在确定了故障类型后，进而可确定故障程度，此时，从4个故障征兆参数向量中任选一个故障征兆参数向量，将选择的故障征兆参数向量与30％给煤机少煤的标准故障样本中相应的故障征兆参数向量进行比较，例如，在本例中，选择的故障征兆参数向量为出口温度，则此时，就将出口温度与30％给煤机少煤的标准故障样本中的出口温度进行比较，通过比较，确定缩放因子的变换量δz。然后根据缩放因子的变换量对缩放因子以及故障征兆参数向量进行更新，并利用训练好的最小二乘支持向量机模型，并根据故障分离度以及缩放因子来确定诊断诊断结果。其中，图7(a)和图7(b)示出了根据本申请所提供的故障的诊断方法进行故障诊断的诊断结果图。其中，横坐标为缩放因子的搜索次数，左右纵坐标分别为缩放因子和故障分离度。其中，图7(a)和图7(b)的现场实时数据取自磨煤机工作在460-mw负荷下的数据。从图7(a)可以看出，经过1224次缩放因子搜索，最小二乘支持向量机模型的故障分离结果(fsd)达到0.8826，此时的缩放因子z为2.555，高于1，表明此时的故障程度比典型标准故障样本(30％给煤机少煤)较轻；并且，通过将2.555与1比较，可初步确定故障严重程度为12％。从图7(b)可以看出，经过33次缩放因子搜索，最小二乘支持向量机模型的故障分离结果达到0.8998，此时的缩放因子z等于0.84，表明实际故障程度比标准故障样本(30％给煤机少煤)严重，并且，通过将0.84与1比较，可以初步确定故障程度为36％。实施例2根据本发明实施例，还提供了一种故障的诊断装置实施例，其中，图8是根据本发明实施例的故障的诊断装置结构示意图，如图8所示，该装置包括：第一构建模块801、确定模块803、第二构建模块805、第三构建模块807以及处理模块809。其中，第一构建模块801，用于基于设备的运行参数构建第一模型；确定模块803，用于确定第一模型中的待辨识参数；第二构建模块805，用于根据待辨识参数构建第二模型，其中，第二模型不包含待辨识参数；第三构建模块807，用于基于第二模型确定预设规则，并对设备在预设条件下的故障样本以及设备正常运行时的正常样本进行训练，得到第三模型；处理模块809，用于基于第三模型以及预设规则对设备的故障进行诊断，得到诊断结果。需要说明的是，上述第一构建模块801、确定模块803、第二构建模块805、第三构建模块807以及处理模块809对应于实施例1中的步骤s102至步骤s102，五个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，第二构建模块包括：第一获取模块、第一确定模块以及第一处理模块。其中，第一获取模块，用于获取设备的历史运行数据；第一确定模块，用于基于历史运行数据，根据遗传算法确定第一模型中的待辨识参数；第一处理模块，用于根据第一模型中的待辨识参数得到第二模型。需要说明的是，上述第一获取模块、第一确定模块以及第一处理模块对应于实施例1中的步骤s1060至步骤s1064，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，第三构建模块包括：第二确定模块、第二获取模块以及第三确定模块。其中，第二确定模块，用于基于第二模型确定设备的故障参数；第二获取模块，用于获取与故障参数相对应的故障等级；第三确定模块，用于基于故障参数以及故障等级确定预设规则。需要说明的是，上述第二确定模块、第二获取模块以及第三确定模块对应于实施例1中的步骤s1080a至步骤s1084a，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，第三构建模块包括：第四构建模块、第三获取模块以及第二处理模块。其中，第四构建模块，用于构建支持向量机模型；第三获取模块，用于获取设备在故障样本以及正常样本；第二处理模块，用于基于故障样本以及正常样本对支持向量机模型进行训练，得到第三模型。需要说明的是，上述第四构建模块、第三获取模块以及第二处理模块对应于实施例1中的步骤s1080b至步骤s1084b，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，处理模块包括：第四获取模块、第三处理模块、第四处理模块、第四确定模块以及第五确定模块。其中，第四获取模块，用于获取设备发生故障时的故障特征参数；第三处理模块，用于基于故障特征参数得到故障征兆参数向量；第四处理模块，用于将故障征兆参数向量作为第三模型的输入参数，得到故障分离度；第四确定模块，用于在故障分离度大于预设阈值的情况下，根据预设规则确定设备的故障为第一等级故障；第五确定模块，用于在故障分离度小于等于预设阈值的情况下，根据预设规则确定设备的故障为第二等级故障。需要说明的是，上述第四获取模块、第三处理模块、第四处理模块、第四确定模块以及第五确定模块对应于实施例1中的步骤s1100至步骤s1108，五个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，第三处理模块包括：第六确定模块以及第五处理模块。其中，第六确定模块，用于根据故障特征参数确定故障特征向量；第五处理模块，用于根据故障特征向量得到与故障特征向量相对应的故障征兆参数向量。需要说明的是，上述第六确定模块以及第五处理模块对应于实施例1中的步骤s1102a至步骤s1102b，两个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，第四处理模块包括：第五获取模块、匹配模块、第六处理模块、第一更新模块以及第七处理模块。其中，第五获取模块，用于获取故障特征向量对应的故障类型；匹配模块，用于在故障征兆参数向量与标准故障征兆参数向量相匹配的情况下，将故障特征向量对应的故障类型匹配为标准故障类型；第六处理模块，用于比对故障征兆参数向量与标准故障类型中的故障征兆参数向量，得到比对结果；第一更新模块，用于根据比对结果更新故障征兆参数向量；第七处理模块，用于将更新后的故障征兆参数向量作为第三模型的输入参数，得到故障分离度。需要说明的是，上述第五获取模块、匹配模块、第六处理模块、第一更新模块以及第七处理模块对应于实施例1中的步骤s11040至步骤s11048，五个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。在一种可选的实施例中，更新模块包括：第八处理模块、第二更新模块以及第三更新模块。其中，第八处理模块，用于对故障特征参数的缩放因子进行初始化，得到第一缩放因子；第二更新模块，用于根据比对结果更新第一缩放因子；第三更新模块，用根据第一缩放因子更新故障征兆参数向量。需要说明的是，上述第八处理模块、第二更新模块以及第三更新模块对应于实施例1中的步骤s11046a至步骤s11046c，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。实施例3根据本发明实施例的另一方面，还提供了一种存储介质，该存储介质包括存储的程序，其中，程序执行实施例1中的故障的诊断方法。实施例4根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的故障的诊断方法。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12