一种海洋平台推进器故障预警方法和装置与流程
本文涉及石油钻井技术，尤指一种海洋平台推进器故障预警方法和装置。
背景技术：
半潜式钻井平台结构庞大，造价昂贵，设备复杂，作业处在高盐、高湿的复杂多变环境中，受风、海浪、海流等复杂荷载作用，作业运行环境恶劣。推进器作为半潜式钻井平台的关键设备，是保障平台正常作业的重要部分。在故障诊断、机器学习及数据挖掘领域中，为了尽可能地全面反映故障类型信息，通常会需要各类传感器收集大量的设备信息对设备的实时运行状态进行表征，然而，迄今为止大多数推进器诊断预警方法往往只依赖于振动信号的处理，而油液参数、温度等与推进器运行状态息息相关的信息却一直无法被有效利用，一旦振动信号受到意外干扰，将导致依赖于振动信号的故障预警无法正常进行，从而引起严重的后果。
多元状态估计技术(multiplestateestimationtechnology，mset)利用涵盖正常运行状态的数据进行过程相似性建模，从而实现对设备运行状态的辨识及故障预警。首先，采用多元状态估计技术需要获取能够表征推进器运行状态的相关参数，如果选取的推进器状态参数不能够最大限度的描述推进器的实时运转情况，以此为依据构建故障预警方法模型显然不存在代表性。其次，在利用mset进行故障预警时，需要选取正常工况下的历史运行数据构建过程记忆矩阵来实现对推进器运行状态的估计，如果利用简单抽样的方式从推进器的历史运行数据中进行正常样本数据的抽取，难以确保抽取的数据不会掺杂一些异常工况，从而影响到故障预警的精度。另外，筛选出正常工况下的样本数据后，如果选取的正常工况历史数据一般具有较大的重复性，会极大降低正常样本工况分布空间的大小，直接影响到模型的预测精度。最后，在进行预警判别时，专家经验通常会成为预警阈值计算的一种重要参考依据，但是过度依赖于主观成分通常会使得最终计算结果产生较大的偏差，从而导致预警错误。因此，如何能够实现一种基于多元状态估计的海洋平台推进器故障预警方法是亟待解决的问题。
技术实现要素：
本申请提供了一种海洋平台推进器故障预警方法，通过选取能够尽可能描述推进器运行状态的特征参数、筛选出正常工况下的运行状态的特征参数作为样本数据，构建过程记忆矩阵，并确定合适的预警阈值，提高海洋平台推进器故障预警的精度。
本申请提供了一种海洋平台推进器故障预警方法，方法包括：
获取海洋平台推进器多组特征参数向量集作为多组样本数据集；
利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵；
选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵；
获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量；
计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度；
根据所述距离相似度确定推进器故障预警的预警阈值；
实时获取推进器当前的特征参数，并根据所述预警阈值判断推进器是否故障；
当当前的特征参数向量和所述当前的特征参数向量相对应的估计向量之间的距离相似度小于预警阈值时，确定推进器故障；
当当前的特征参数向量和所述当前的特征参数向量的估计向量的距离相似度大于预警阈值时，确定推进器正常。
一种示例性的实施例中，所述获取海洋平台推进器多组特征参数向量集作为多组样本数据集之前，还包括：
利用预设的算法确定推进器传感器的布置方案；
采用该布置方案布置推进器传感器，并实时采集所述推进器运行状态的特征参数。
一种示例性的实施例中，所述获取海洋平台推进器多组特征参数向量集作为多组样本数据集之后，方法还包括：
对所述推进器运行状态的特征参数向量集采用预设算法进行分类，去除异常工况的特征参数向量，得到正常工况的推进器特征参数向量集。
一种示例性的实施例中，所述利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵，包括：
根据person相关算法计算样本数据中每两组特征参数向量的相关性；
根据关联性规则获得重构的样本矩阵；
所述person相关算法，包括：
其中：m表示特征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量，
一种示例性的实施例中，所述关联性规则，包括：
删除样本数据相关性表中强相关量所对应的样本数据。
一种示例性的实施例中，所述选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵，包括：
计算所述每组重构的样本矩阵中每个样本到本样本邻近样本的平均距离；
将所有样本与其邻近样本的平均距离进行加和求取平均值，其中，该平均值代表工况空间指标；
选择平均值最大的重构的样本矩阵作为过程记忆矩阵。
一种示例性的实施例中，所述获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量，包括：
获取推进器的多个特征参数向量，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；
将所述过程记忆矩阵与所述相似性测度向量相乘得到与每个所述特征参数向量对应的估计向量。
一种示例性的实施例中，所述计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度，包括：
采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；
其中，所述马式距离算法，包括：
式中：xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
一种示例性的实施例中，所述根据所述距离相似度确定推进器故障预警的预警阈值，包括：
计算n个距离相似度的平均值；
对所述平均值采用3σ原则计算得到推进器故障预警的预警阈值，其中，所述3σ原则公式包括：
上式中，σ为推进器故障预警的预警阈值，n为距离相似度的个数；
将所述预警阈值归一化。
为了解决上述问题，本发明还提供了一种海洋平台推进器故障预警装置，所述装置包括：存储器和处理器；其特征在于：
所述存储器，用于保存用于海洋平台推进器故障预警的程序；
所述处理器，用于读取执行所述用于海洋平台推进器故障预警的程序，执行如下操作：
获取海洋平台推进器多组特征参数向量集作为多组样本数据集；
利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵；
选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵；
获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量；
计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度；
根据所述距离相似度确定推进器故障预警的预警阈值；
实时获取当前的特征参数向量，并根据所述预警阈值判断推进器是否故障；
当当前的特征参数向量和所述当前的特征参数向量相对应的估计向量之间的距离相似度小于预警阈值时，确定推进器故障；
当当前的特征参数向量和所述当前的特征参数向量的估计向量的距离相似度大于预警阈值时，确定推进器正常。
一种示例性的实施例中，所述获取海洋平台推进器多组特征参数向量集作为多组样本数据集之前，所述处理器还执行以下操作：
利用预设的算法确定推进器传感器的布置方案；
采用该布置方案布置推进器传感器，并实时采集所述推进器运行状态的特征参数。
一种示例性的实施例中，所述获取海洋平台推进器多组特征参数向量集作为多组样本数据集之后，所述处理器还执行以下操作：
对所述推进器运行状态的特征参数向量集采用预设算法进行分类，去除异常工况的特征参数向量，得到正常工况的推进器特征参数向量集。
一种示例性的实施例中，所述利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵，包括：
根据person相关算法计算样本数据中每两组特征参数向量的相关性；
根据关联性规则获得重构的样本矩阵；
所述person相关算法，包括：
其中：m表示特征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量，
一种示例性的实施例中，所述关联性规则，包括：
删除样本数据相关性表中强相关量所对应的样本数据。
一种示例性的实施例中，所述选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵，包括：
计算所述每组重构的样本矩阵中每个样本到本样本邻近样本的平均距离；
将所有样本与其邻近样本的平均距离进行加和求取平均值，其中，该平均值代表工况空间指标；
选择平均值最大的重构的样本矩阵作为过程记忆矩阵。
一种示例性的实施例中，所述获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量，包括：
获取推进器的多个特征参数向量，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；
将所述过程记忆矩阵与所述相似性测度向量相乘得到与每个所述特征参数对应的估计向量。
一种示例性的实施例中，所述计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度，包括：
采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；
其中，所述马式距离算法，包括：
式中：xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
一种示例性的实施例中，所述根据所述距离相似度确定推进器故障预警的预警阈值，包括：
计算n个距离相似度的平均值；
对所述平均值采用3σ原则计算得到推进器故障预警的预警阈值，其中，所述3σ原则公式包括：
上式中，σ为推进器故障预警的预警阈值，n为距离相似度的个数；
将所述预警阈值归一化。
与相关技术相比，本申请包括：获取海洋平台推进器多组特征参数向量集作为多组样本数据集；利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵；选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵；获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量；计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度；根据所述距离相似度确定推进器故障预警的预警阈值；实时获取当前的特征参数向量，并根据所述预警阈值判断推进器是否故障；当当前的特征参数向量和所述当前的特征参数向量相对应的估计向量之间的距离相似度小于预警阈值时，确定推进器故障；当当前的特征参数向量和所述当前的特征参数向量的估计向量的距离相似度大于预警阈值时，确定推进器正常。通过本发明的方案，选取能够尽可能描述推进器运行状态的特征参数、筛选出正常工况下的运行状态的特征参数作为样本数据并构建过程记忆矩阵，最后确定合理的预警阈值，提高了海洋平台推进器故障预警的精度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例的海洋平台推进器故障预警方法流程图；
图2为本申请实施例的样本数据相关性表；
图3为本申请实施例的海洋平台推进器故障预警装置示意图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
实施例一
图1是本发明实施例的海洋平台推进器故障预警方法流程图。
步骤100.获取海洋平台推进器多组特征参数向量集作为多组样本数据集。
在本实施例中，可以利用推进器的传感器优化布置方案布置各传感器，采用该优化布置方案布置的传感器在线采集反映推进器实时运行状态的特征参数组合为特征参数向量，该特征参数向量可以包括轴承振动速度、加速度信号，推进器轴承、电机等部件温度值，相关润滑油油液参数值等共计m个运行状态的特征参数；将所采集得到多组特征参数向量组成特征参数向量集，把该多组特征参数向量集作为样本数据集。
可以将所采集的多组特征参数向量集采用小波包分解等降噪与信号增强处理技术对采集的特征参数进行去噪处理，剔除特征参数中的背景噪声。
一种示例性的实施例中，获取海洋平台推进器多组特征参数向量集作为多组样本数据集之前，还包括：利用预设的算法确定推进器传感器的布置方案；采用该布置方案布置推进器传感器，并实时采集推进器运行状态的特征参数。在本实施例中，该预设的算法可以包括：有效独立法、序列法、随即类算法等；采用该预设算法中的任一种算法对推进器的传感器位置进行优化处理计算，确定较为优化的推进器传感器优化布置方案。优化的推进器传感器优化布置方案是为了构建能够最大程度反映空间结构信息以及对空间结构的状态变化足够敏感的海洋平台推进器传感器布置方案，为后续正常样本空间的构建所服务。
一种示例性的实施例中，获取海洋平台推进器多组特征参数向量集作为多组样本数据集之后，对所述推进器运行状态的特征参数向量集采用预设算法进行分类，去除异常工况的特征参数向量，得到正常工况的推进器特征参数向量集。在本实施例中，通过收集多台推进器在较长时间内的多组特征参数向量集作为多组样本数据集后，可包括但不仅限于采用聚类算法、高斯分布算法等方法对样本数据集进行分类，去除样本数据集中可能存在的异常工况数据，确保正常样本工况空间的纯度。该预设算法包括但不仅限于采用聚类算法、高斯分布算法等方法。采用该预设算法对样本数据集进行分类可以根据特征参数值判断设备的状态，去除异常数据，使样本数据集中只存在设备处于正常运行状态的特征参数的相关数据。
步骤101.利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵。
在本实施例中，可以利用person相关系数对每组样本数据进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵，从而构建正常样本工况空间指标。
一种示例性的实施例中，利用相关算法对每组样本数据进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵，包括：根据person相关算法计算样本数据中每两组特征参数向量的相关性；根据关联性规则获得重构的样本矩阵；其中，所述person相关算法，包括：
其中：m表示特征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量，
一种示例性的实施例中，所述关联性规则，包括：删除样本数据相关性表中强相关量所对应的样本数据。
在本实施例中，利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵的实现过程可以包括：
第一步、将获取的n组运行状态的特征参数向量作为样本数据，将样本数据定义为t，t为m×n的矩阵，m为特征参数的个数。
第二步、利用person相关系数计算样本矩阵t中随机两组特征参数向量之间的相关性。
假设这两组状态参数向量分别为x和y，其相关性计算：
式中：m表示特征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量；
根据上述公式计算样本数据t中每两组特征参数向量的相关性，形成一个(n-1)×(n-1)的相关性矩阵：
1.2式中：ni-nj表示样本数据t中第i行和第j行特征参数向量之间的相关性。
第三步、去除样本数据t中强相关的状态参数向量，按照相关性矩阵形成样本数据相关性表，如图2所示，其中：1)ni表示样本数据中的第i行；2)ni-nj表示样本数据t中第i行和第j行特征参数向量之间的相关性。可以根据对正常样本工况空间构造的实际需求，定义±(0.8-1.0)为强相关，±(0.5-0.8)为中等相关，±(0.2-0.5)为弱相关，±(0-0.2)为不相关，并进一步对样本数据相关性表进行处理，处理的过程包括：
(1)不考虑对角线；
(2)参考相关性规则删除样本数据相关性表中强相关量对应的行和列，不可重复删除，其中，相关性规则是指“定义±(0.8-1.0)为强相关，±(0.5-0.8)为中等相关，±(0.2-0.5)为弱相关，±(0-0.2)为不相关”；
(3)分别统计中等相关量、弱相关量和不相关量对应的行和列，不可重复统计。通过上述处理获得每组重构的样本矩阵。
步骤102.选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵。
在本实施例中，重构样本矩阵即删除强相关量后的样本矩阵，该重构样本矩阵包含有中等相关量、弱相关量和不相关量。选择多个重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵。
一种示例性的实施例中，选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵，包括：计算所述每组重构的样本矩阵中每个样本到本样本邻近样本的平均距离；将所有样本与其邻近样本的平均距离进行加和求取平均值，其中，该平均值代表工况空间指标；选择平均值最大的重构的样本矩阵作为过程记忆矩阵。
在本实施例中，假设重构后样本矩阵定义为tref，该样本矩阵的大小定义为m×h，h为重构后的样本个数，m代表该样本矩阵的特征参数的个数。按照步骤101根据预定的关联性规则获得每组重构的样本矩阵，计算重构后的样本矩阵中任意一个样本到其邻近样本的平均距离，如果某一样本无中等相关样本，则计算该样本到其弱相关量的平均距离，以此类推。计算任意一个样本到其邻近样本的平均距离可以采用以下公式：
式1.3中：
计算出重构样本矩阵tref中所有样本与其邻近样本的平均距离后加和求均值：
式中：h为重构后的样本个数。
步骤103.获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量。
在本实施例中，获取推进器的多个特征参数向量，根据步骤102所确定的过程记忆矩阵确定每个特征参数向量相对应的估计向量。获取推进器的多个特征参数向量可以是历史数据的特征参数向量也可以是实时采集的当前监测的特征参数向量。
一种示例性的实施例中，获取推进器的多个特征参数向量，根据过程记忆矩阵确定每个特征参数向量相对应的估计向量，包括：获取推进器的多个特征参数向量，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；将所述过程记忆矩阵与所述相似性测度向量相乘得到与每个所述特征参数向量对应的估计向量。
一种示例性的实施例中，计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度，包括：采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；其中，所述马式距离算法，包括：
式1.6中：xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
在本实施例中，选择平均值最大的重构的样本矩阵作为过程记忆矩阵，该过程记忆矩阵定义为d，
过程记忆矩阵d：
对于推进器当前监测的特征参数向量或者历史的特征参数向量定义为xmon，与xmon相对应的估计向量定义为xest；计算与xmon相对应的估计向量可以通过过程记忆矩阵d计算获得：
xest＝d·w＝d·[w1,w2,…wh]t
＝w1x(t1)+w2x(t2)+…whx(th)(1.8)
式1.8中：w代表推进器当前监测的特征参数向量或者历史的特征参数向量与过程记忆矩阵中状态的一种相似性测度，该相似性测度可以通过以下公式计算得到：
w＝(dt·d)-1·(dt·xmon)(1.9)
为了避免dt·d不可逆的情况，可应用非线性运算符
该公式1.10中的非线性运算符可以选择马氏距离进行运算，其中，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；
式中：m为特征变量数；h为样本容量；xi＝[x1(ti),x2(ti)…xm(ti)]，其中,xj(ti)(j＝1,2,3…m)为所述特征向量与所述过程记忆矩阵任一样本对应特征参数的差值；
在计算得到推进器当前监测的特征参数向量或者历史的特征参数向量与过程记忆矩阵中状态的一种相似性测度w后，计算推进器当前监测的特征参数向量或者历史的特征参数向量相应的估计向量：
步骤104.计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度。
在本实施例中，可以采用马式距离计算方法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度。
一种示例性的实施例中，计算每个特征参数向量与相对应的所述估计向量之间的距离相似度，包括：采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；其中，所述马式距离算法，包括：
式1.6中，xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
步骤105.根据所述距离相似度确定推进器故障预警的预警阈值。
在本实施例中，根据上述步骤104所确定的距离相似度确定推进器故障预警的预警阈值。
一种示例性的实施例中，根据所述距离相似度确定推进器故障预警的预警阈值，包括：计算n个距离相似度的平均值；对所述平均值采用3σ原则计算得到推进器故障预警的预警阈值，其中，所述3σ原则公式包括：
上式中，σ为推进器故障预警的预警阈值，n为距离相似度的个数；
在本实施例中，可以选取某段时间内的推进器运行数据作为输入，经过上述过程记忆矩阵确定每个所述特征参数相对应的估计向量，确定估计向量后，确定n个距离相似度序列为：
md(xmon,xest)＝[md1,md2,…mdn](1.14)
计算该n个连续的距离相似度的平均值：
为了消除因估计、测量或计算等干扰造成的误差，在设置预警阈值时引入3σ原则：
引入3σ原则后，计算预警阈值并将其规定至[0,1]：
式中：p为预警阈值，k为预警阈值系数，根据现场运行经验确定，一般不大于1。
步骤106.实时获取当前的特征参数向量，并根据所述预警阈值判断推进器是否故障。
在本实施例中，实时监测推进器当前的特征参数向量，并根据所述预警阈值判断推进器是否故障。当当前的特征参数向量和所述当前的特征参数向量相对应的估计向量之间的距离相似度小于预警阈值时，确定推进器故障；当当前的特征参数向量和所述当前的特征参数向量的估计向量的距离相似度大于预警阈值时，确定推进器正常。
实施例二
为了解决上述问题，如图3所示，本发明还提供了一种海洋平台推进器故障预警装置，所述装置包括：存储器和处理器；其特征在于：
所述存储器，用于保存用于海洋平台推进器故障预警的程序；
所述处理器，用于读取执行所述用于海洋平台推进器故障预警的程序，执行如下操作：
获取海洋平台推进器多组特征参数向量集作为多组样本数据集；
利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵；
选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵；
获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量；
计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度；
根据所述距离相似度确定推进器故障预警的预警阈值；
实时获取当前的特征参数向量，并根据所述预警阈值判断推进器是否故障；
当当前的特征参数向量和所述当前的特征参数向量相对应的估计向量之间的距离相似度小于预警阈值时，确定推进器故障；
当当前的特征参数向量和所述当前的特征参数向量的估计向量的距离相似度大于预警阈值时，确定推进器正常。
一种示例性的实施例中，所述获取海洋平台推进器多组特征参数向量集作为多组样本数据集之前，所述处理器还执行以下操作：
利用预设的算法确定推进器传感器的布置方案；
采用该布置方案布置推进器传感器，并实时采集所述推进器运行状态的特征参数。
一种示例性的实施例中，所述获取海洋平台推进器多组特征参数向量集作为多组样本数据集之后，所述处理器还执行以下操作：
对所述推进器运行状态的特征参数向量集采用预设算法进行分类，去除异常工况的特征参数向量，得到正常工况的推进器特征参数向量集。
一种示例性的实施例中，所述利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵，包括：
根据person相关算法计算样本数据中每两组特征参数向量的相关性；
根据关联性规则获得重构的样本矩阵；
所述person相关算法，包括：
其中：m表示特征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量，
一种示例性的实施例中，所述关联性规则，包括：
删除样本数据相关性表中强相关量所对应的样本数据。
一种示例性的实施例中，所述选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵，包括：
计算所述每组重构的样本矩阵中每个样本到本样本邻近样本的平均距离；
将所有样本与其邻近样本的平均距离进行加和求取平均值，其中，该平均值代表工况空间指标；
选择平均值最大的重构的样本矩阵作为过程记忆矩阵。
一种示例性的实施例中，所述获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量，包括：
获取推进器的多个特征参数向量，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；
将所述过程记忆矩阵与所述相似性测度向量相乘得到与每个所述特征参数向量对应的估计向量。
一种示例性的实施例中，所述计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度，包括：
采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；
其中，所述马式距离算法，包括：
式中：xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
一种示例性的实施例中，所述根据所述距离相似度确定推进器故障预警的预警阈值，包括：
计算n个距离相似度的平均值；
对所述平均值采用3σ原则计算得到推进器故障预警的预警阈值，其中，所述3σ原则公式包括：
上式中，σ为推进器故障预警的预警阈值，n为距离相似度的个数；
将所述预警阈值归一化。
一种示例性的实施例
步骤1.利用预设的算法确定推进器传感器的布置方案。
在本实施例中，该预设的算法可以包括：有效独立法、序列法、随即类算法等；采用该预设算法中的任一种算法对推进器的传感器位置进行优化处理计算，确定较为优化的推进器传感器优化布置方案。优化的推进器传感器优化布置方案是为了构建能够最大程度反映空间结构信息以及对空间结构的状态变化足够敏感的海洋平台推进器传感器布置方案，为后续正常样本空间的构建所服务。
步骤2.采用该布置方案布置推进器传感器，获取海洋平台推进器多组特征参数向量集作为多组样本数据集。
在本实施例中，特征参数向量可以包括轴承振动速度、加速度信号，推进器轴承、电机等部件温度值，相关润滑油油液参数值等共计m个运行状态的特征参数；将所采集得到多组特征参数向量集作为样本数据集。
可以将所采集的特征参数向量集采用小波包分解等降噪与信号增强处理技术对采集的特征参数进行去噪处理，剔除特征参数中的背景噪声。
步骤3.对推进器运行状态的特征参数向量集采用预设算法进行分类，去除异常工况的特征参数向量，得到正常工况的推进器特征参数向量集。
在本实施例中，通过收集多台推进器在较长时间内的多组特征参数向量集作为多组样本数据集后，可包括但不仅限于采用聚类算法、高斯分布算法等方法对样本数据集进行分类，去除样本数据集中可能存在的异常工况数据，确保正常样本工况空间的纯度。该预设算法包括但不仅限于采用聚类算法、高斯分布算法等方法。采用该预设算法对样本数据集进行分类可以根据特征参数值判断设备的状态，去除异常数据，使样本数据集中只存在设备处于正常运行状态的特征参数的相关数据。
步骤4.利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵。
步骤41.根据person相关算法计算样本数据中每两组特征参数向量的相关性。
在本步骤中，所述person相关算法，包括：
其中：m表示特征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量，
步骤42.根据关联性规则获得重构的样本矩阵。
所述关联性规则，包括：删除样本数据相关性表中强相关量所对应的样本数据。
在本实施例中，利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵的实现过程可以包括：
第一步、将获取的n组运行状态的特征参数向量作为样本数据，将样本数据定义为t，t为m×n的矩阵，m为特征参数的个数。
第二步、利用person相关系数计算样本矩阵t中随机两组特征参数向量之间的相关性。
假设这两组状态参数向量分别为x和y，其相关性计算：
式中：m表示状态表征参数的个数；xi和yi分别表示特征参数向量x，y中第i个参数量；
根据上述公式计算样本数据t中每两组特征参数向量的相关性，形成一个(n-1)×(n-1)的相关性矩阵：
1.2式中：ni-nj表示样本数据t中第i行和第j行特征参数向量之间的相关性。
第三步、去除样本数据t中强相关的状态参数向量，按照相关性矩阵形成样本数据相关性表，如图2所示。可以根据对正常样本工况空间构造的实际需求，定义±(0.8-1.0)为强相关，±(0.5-0.8)为中等相关，±(0.2-0.5)为弱相关，±(0-0.2)为不相关，并进一步对样本数据相关性表进行处理，处理的过程包括：
(1)不考虑对角线；
(2)参考相关性规则删除样本数据相关性表中强相关量对应的行和列，不可重复删除，其中，相关性规则是指“定义±(0.8-1.0)为强相关，±(0.5-0.8)为中等相关，±(0.2-0.5)为弱相关，±(0-0.2)为不相关”；
(3)分别统计中等相关量、弱相关量和不相关量对应的行和列，不可重复统计。通过上述处理过程获得每组重构的样本矩阵。
步骤5.选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵。
步骤51.计算所述每组重构的样本矩阵中每个样本到本样本邻近样本的平均距离；
步骤52.将所有样本与其邻近样本的平均距离进行加和求取平均值，其中，该平均值代表工况空间指标；
步骤53.选择平均值最大的重构的样本矩阵作为过程记忆矩阵。
在本实施例中，重构样本矩阵即删除强相关量后的样本矩阵，该重构样本矩阵包含有中等相关量、弱相关量和不相关量。选择多个重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵。
在本实施例中，假设重构后样本矩阵定义为tref，该样本矩阵的大小定义为m×h，h为重构后的样本个数，m代表该样本矩阵的特征参数的个数。根据预定的关联性规则获得每组重构的样本矩阵，计算重构后的样本矩阵中任意一个样本到其邻近样本的平均距离，如果某一样本无中等相关样本，则计算该样本到其弱相关量的平均距离，以此类推。计算任意一个样本到其邻近样本的平均距离可以采用以下公式：
式1.3中：
计算出重构样本矩阵tref中所有样本与其邻近样本的平均距离后加和求均值：
式中：h为重构后的样本个数。
步骤6.获取推进器的多个特征参数向量，根据所述过程记忆矩阵确定每个所述特征参数向量相对应的估计向量。
步骤61.获取推进器的多个特征参数向量，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；
步骤62.将所述过程记忆矩阵与所述相似性测度向量相乘得到与每个所述特征参数向量对应的估计向量。
在本实施例中，计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度，包括：采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；其中，所述马式距离算法，包括：
式1.6中：xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
在本实施例中，选择平均值最大的重构的样本矩阵作为过程记忆矩阵，该过程记忆矩阵定义为d，
过程记忆矩阵d：
对于推进器当前监测的特征参数向量或者历史的特征参数向量定义为xmon，与xmon相对应的估计向量定义为xest；计算与xmon相对应的估计向量可以通过过程记忆矩阵d计算获得：
xest＝d·w＝d·[w1,w2,…wh]t
＝w1x(t1)+w2x(t2)+…whx(th)(1.8)
式1.8中：w代表推进器当前监测的特征参数向量或者历史的特征参数向量与过程记忆矩阵中状态的一种相似性测度，该相似性测度可以通过以下公式计算得到：
w＝(dt·d)-1·(dt·xmon)(1.9)
为了避免dt·d不可逆的情况，可应用非线性运算符
该公式1.10中的非线性运算符可以选择马氏距离进行运算，其中，利用马氏距离算法确定所述多个特征向量与过程记忆矩阵之间的相似性测度向量；
式中：m为特征变量数；h为样本容量；xi＝[x1(ti),x2(ti)…xm(ti)]，其中,xj(ti)(j＝1,2,3…m)为所述特征向量与所述过程记忆矩阵任一样本对应特征参数的差值；
在计算得到推进器当前监测的特征参数向量或者历史的特征参数向量与过程记忆矩阵中状态的一种相似性测度w后，计算推进器当前监测的特征参数向量或者历史的特征参数向量相应的估计向量：
步骤7.计算所述每个特征参数向量与相对应的所述估计向量之间的距离相似度，具体的实现过程包括：
采用马式距离算法计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；
其中，所述马式距离算法，包括：
式中：xmon，xest分别为所述特征参数向量和相对应的所述估计向量；s为协方差矩阵，
步骤8.根据所述距离相似度确定推进器故障预警的预警阈值。
步骤81.计算n个距离相似度的平均值；
步骤82.对所述平均值采用3σ原则计算得到推进器故障预警的预警阈值，其中，所述3σ原则公式包括：
上式中，σ为推进器故障预警的预警阈值，n为距离相似度的个数；
步骤83.将所述预警阈值归一化。
在本实施例中，可以选取某段时间内的推进器运行数据作为输入，经过上述过程记忆矩阵确定每个所述特征参数相对应的估计向量，确定估计向量后，确定n个距离相似度序列为：
md(xmon,xest)＝[md1,md2,…mdn](1.14)
计算该n个连续的距离相似度的平均值：
为了消除因估计、测量或计算等干扰造成的误差，在设置预警阈值时引入3σ原则：
引入3σ原则后，计算预警阈值并将其规定至[0,1]：
式中：p为预警阈值，k为预警阈值系数，根据现场运行经验确定，一般不大于1。
步骤9.实时获取推进器当前的特征参数，并根据所述预警阈值判断推进器是否故障。
当当前的特征参数向量和所述当前的特征参数向量相对应的估计向量之间的距离相似度小于预警阈值时，确定推进器故障；
当当前的特征参数向量和所述当前的特征参数向量的估计向量的距离相似度大于预警阈值时，确定推进器正常。
本实施例中，获取海洋平台推进器多组特征参数向量集作为多组样本数据集；利用相关算法对每组样本数据集进行关联性划分，根据预定的关联性规则获得每组重构的样本矩阵；选择重构的样本矩阵中工况空间指标最大值所对应的样本矩阵作为过程记忆矩阵；获取推进器的多个特征参数向量，根据过程记忆矩阵确定每个所述特征参数向量相对应的估计向量；计算每个特征参数向量与相对应的所述估计向量之间的距离相似度；根据距离相似度确定推进器故障预警的预警阈值；实时获取推进器当前的特征参数，并根据预警阈值判断推进器故障状态。因此，该实施例实现了以下技术效果：
1.优化了推进器传感器的布置使采集到运行状态的特征参数能够最大限度的表征推进器的运行状态，优化的传感器布置能够最大程度反映空间结构信息以及对空间结构的状态变化足够敏感的推进器传感器布置方案，提高数据采集的有效性。
2.降低了样本数据中异常工况数据的含量。异常工况数据含量的降低得益于：利用包括但不仅限于聚类算法、高斯分布算法对推进器的历史运行数据进行筛选，提升正常样本工况空间的纯度，从而确保在此基础上构建的方法模型具有良好的性能，提高推进器故障预警的精准度。
3.降低了正常工况样本空间中工况的重复率。工况重复率的降低得益于：通过person相关系数对样本数据相关性进行分类，去除强相关量，从而降低样本空间中的数据冗余度，进一步构建正常样本工况空间指标对样本空间的合理程度进行判断，确保样本空间具有大范围的工况覆盖度。
4.优化了过程记忆矩阵d的构建方式。过程记忆矩阵d的优化得益于：采用不受量纲影响且能兼顾各种特性之间联系的马氏距离进行运算，使计算结果更加贴合实际。
5.消除了设置预警阈值时因估计、测量或计算等干扰造成的误差，误差的消除得益于：引入了3σ原则消除以上误差，从而确保预警阈值具有较好的预警效果，达到降低误警率的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
- 还没有人留言评论。精彩留言会获得点赞！