鐘保強(qiáng)，鐘建栩，佘俊，譚毅愷，陳黎

（南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司信息通信分公司，廣東廣州 511400）

隨著集成信息處理技術(shù)的發(fā)展，IT 設(shè)備集成化水平越來(lái)越高，IT 設(shè)備作為信息化產(chǎn)業(yè)的智能設(shè)備，需提高IT 設(shè)備輸出工況的穩(wěn)定性，從而確保IT 設(shè)備的正常穩(wěn)定運(yùn)行，研究IT 設(shè)備的故障檢測(cè)方法[1]，對(duì)促進(jìn)IT 產(chǎn)業(yè)的穩(wěn)定性發(fā)展具有重要意義，相關(guān)的IT設(shè)備故障檢測(cè)和特征分析方法研究也受到專家的極大關(guān)注。

在對(duì)IT 設(shè)備的故障工況特征參數(shù)分析和負(fù)載參數(shù)檢測(cè)基礎(chǔ)上，構(gòu)建IT 設(shè)備故障參數(shù)分布式檢測(cè)和特征聚類分析模型，完成對(duì)IT 設(shè)備故障的分析。通過(guò)模糊信息檢測(cè)和特征優(yōu)化調(diào)度，實(shí)現(xiàn)對(duì)IT 設(shè)備故障的分析[2]。文獻(xiàn)[3]提出了基于模糊C 均值聚類的IT 設(shè)備故障分析方法。該方法結(jié)合IT 設(shè)備故障類別參數(shù)分析，采用工況參數(shù)融合檢測(cè)，實(shí)現(xiàn)IT 設(shè)備故障分析。但該IT 設(shè)備故障分析方法的特征聚類性不好，故障信息檢測(cè)識(shí)別能力不強(qiáng)。文獻(xiàn)[4]中提出基于模糊粗糙集特征匹配的IT 設(shè)備故障分析方法，結(jié)合子空間降噪，實(shí)現(xiàn)IT 設(shè)備故障檢測(cè)，但該方法的環(huán)境適應(yīng)度水平不高。

針對(duì)以上問(wèn)題，該文提出基于知識(shí)圖譜的IT 設(shè)備故障分析方法，構(gòu)建IT 設(shè)備故障特征檢測(cè)模型。最后設(shè)計(jì)仿真實(shí)驗(yàn)，測(cè)試結(jié)果表明該文方法在提高IT 設(shè)備故障分析和檢測(cè)能力方面具有優(yōu)越性。

1 IT設(shè)備故障參數(shù)采集和特征分析

1.1 IT設(shè)備故障參數(shù)采集

為實(shí)現(xiàn)基于知識(shí)圖譜的IT 設(shè)備故障分析方法，采用大數(shù)據(jù)分析方法實(shí)現(xiàn)對(duì)IT 設(shè)備故障參數(shù)的采集和大數(shù)據(jù)集成處理，提取IT 設(shè)備故障參數(shù)的聯(lián)合自相關(guān)統(tǒng)計(jì)特征分量，采用統(tǒng)計(jì)分析和故障診斷特征分析方法，分布式融合故障，結(jié)合工況狀態(tài)參數(shù)識(shí)別方法[5]，完成IT 設(shè)備故障狀態(tài)預(yù)測(cè)和分布式診斷，得到IT 設(shè)備故障參數(shù)采集模型如圖1 所示。

圖1 IT設(shè)備故障參數(shù)采集模型

根據(jù)圖1 所示的IT 設(shè)備故障參數(shù)采集模型，結(jié)合狀態(tài)參數(shù)識(shí)別的方法，得到IT 設(shè)備故障參數(shù)采集輸出的狀態(tài)特征量為s，結(jié)合時(shí)延參數(shù)估計(jì)的方法，在IT 設(shè)備故障狀態(tài)未知的情況下，采用自適應(yīng)的系統(tǒng)輸入狀態(tài)變量檢測(cè)的方法，得到IT 設(shè)備故障分類檢測(cè)的閾值判斷模型[6]，表示為：

式中，t為故障分類檢測(cè)時(shí)長(zhǎng)，t0為故障采集時(shí)長(zhǎng)，r(t)為IT 設(shè)備故障的分類檢測(cè)門限，f(·)為IT 設(shè)備故障特征提取函數(shù)。采用反饋和前饋學(xué)習(xí)律，構(gòu)建IT 設(shè)備故障類別參數(shù)識(shí)別的信息跟蹤和自適應(yīng)判決模型，表示為：

其中，λ為IT 設(shè)備故障參數(shù)檢測(cè)的門限，當(dāng)IT設(shè)備故障識(shí)別的時(shí)域波形x(t)出現(xiàn)兩次，采用迭代學(xué)習(xí)控制和多維參數(shù)識(shí)別的方法，結(jié)合時(shí)頻特征參數(shù)檢測(cè)，構(gòu)建IT 設(shè)備故障參數(shù)檢測(cè)的統(tǒng)計(jì)分析模型為y(k)，得到IT 設(shè)備故障參數(shù)檢測(cè)輸出的聯(lián)合譜密度特征分量表示為：

其中，p(t)為多維參數(shù)識(shí)別模型，通過(guò)關(guān)聯(lián)維分析，設(shè)置IT 設(shè)備故障檢測(cè)的自適應(yīng)學(xué)習(xí)控制模型，用χ*表示IT 設(shè)備故障參數(shù)的自相關(guān)分布系數(shù)，利用相似度融合的方法，建立IT 設(shè)備故障信號(hào)殘差統(tǒng)計(jì)特征量，得到IT 設(shè)備故障融合的差異度函數(shù)為：

其中，α為相似度融合參數(shù)。根據(jù)上述分析，結(jié)合穩(wěn)態(tài)工況特征分析方法，構(gòu)建IT 設(shè)備的故障參數(shù)采集和預(yù)測(cè)模型，根據(jù)時(shí)域波形控制的方法，提高IT設(shè)備故障檢測(cè)的穩(wěn)定性[7]。

1.2 IT設(shè)備故障參數(shù)特征分析

采用大數(shù)據(jù)分析方法實(shí)現(xiàn)對(duì)IT 設(shè)備故障參數(shù)采集和大數(shù)據(jù)集成處理[8]，提取IT 設(shè)備故障參數(shù)的聯(lián)合自相關(guān)統(tǒng)計(jì)特征分量，IT 設(shè)備故障參數(shù)的聯(lián)合時(shí)域?yàn)椋?/p>

式中，s(v)為IT 設(shè)備故障信息的特征指向函數(shù)，u(t)為IT 設(shè)備故障分布的狀態(tài)幅值，ω為IT 設(shè)備故障聯(lián)合參數(shù)識(shí)別的學(xué)習(xí)函數(shù)，采用復(fù)合能量函數(shù)檢測(cè)和周期性學(xué)習(xí)的方法，得到IT 設(shè)備故障參數(shù)檢測(cè)輸出結(jié)果為：

基于機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)控制的方法[9]，得到IT設(shè)備故障特征聚類中心函數(shù)為：

基于以上步驟，不斷修正跟蹤誤差和參數(shù)學(xué)習(xí)，建立IT 設(shè)備故障檢測(cè)的聯(lián)合平均統(tǒng)計(jì)分析函數(shù)，得到故障聚類的自相關(guān)學(xué)習(xí)目標(biāo)函數(shù)為：

式中，m為柔性鉸鏈的變形誤差，R為IT 設(shè)備時(shí)域波形x(t) 出現(xiàn)兩次的故障數(shù)據(jù)樣本的測(cè)度距離，根據(jù)微分幾何關(guān)系得到故障檢測(cè)輸出的歐氏距離為：

基于末端點(diǎn)的坐標(biāo)參數(shù)估計(jì)，結(jié)合知識(shí)圖譜學(xué)習(xí)[10]，得到IT 設(shè)備故障檢測(cè)的輸出知識(shí)圖譜類別函數(shù)為：

基于知識(shí)圖譜的參數(shù)融合和譜分解方法，得到IT 設(shè)備故障檢測(cè)的誤差收斂函數(shù)為：

采用非線性方程組檢測(cè)和均衡測(cè)量的方法，構(gòu)建IT 設(shè)備故障檢測(cè)的信息聚類模型，得到輸出均值為：

其中，C為IT 設(shè)備故障特征篩選和自適應(yīng)控制的聯(lián)合模糊度分辨系數(shù)，N為IT 設(shè)備故障特征總數(shù)。

2 IT設(shè)備故障分析

2.1 IT設(shè)備故障特征知識(shí)圖譜優(yōu)化提取

采用知識(shí)圖譜檢測(cè)方法，得到IT 設(shè)備故障的適應(yīng)度評(píng)估模型為aj，當(dāng)1 ≤j≤z-1 時(shí)，IT 設(shè)備故障參數(shù)識(shí)別的相似度檢測(cè)模型滿足下式：

建立IT 設(shè)備故障樣本分布的聯(lián)合特征分析模型為ρ，分析IT 設(shè)備故障的知識(shí)圖譜的差異度信息，結(jié)合沖激響應(yīng)檢測(cè)，得到故障檢測(cè)的量化參數(shù)為δ。

當(dāng)j≤k≤m時(shí)，根據(jù)中心移動(dòng)至最終位置點(diǎn)的剛度分布，得到IT 設(shè)備故障檢測(cè)的圖譜密度的條件為b=0，根據(jù)測(cè)量精度估計(jì)，得到IT 設(shè)備故障檢測(cè)的圖譜融合聚類決策式滿足：

分析第ε個(gè)IT 設(shè)備故障樣本的知識(shí)圖譜分布特征量φ(ε)為：

在收斂控制下，得到IT 設(shè)備知識(shí)圖譜檢測(cè)的自適應(yīng)跟蹤模板函數(shù)如下：

利用上述步驟，構(gòu)建了IT 設(shè)備故障檢測(cè)的知識(shí)圖譜特征提取模型，根據(jù)特征提取結(jié)果實(shí)現(xiàn)IT 設(shè)備的故障分析[11]。

2.2 IT設(shè)備故障檢測(cè)結(jié)果

采用多尺度分解方法，分解IT 設(shè)備故障的知識(shí)圖譜特征，通過(guò)閾值判斷實(shí)現(xiàn)對(duì)IT 設(shè)備故障檢測(cè)過(guò)程中的譜分析[12]，IT 設(shè)備故障的知識(shí)圖譜分布空間分布函數(shù)為：

其中，σ為多尺度分解系數(shù)。設(shè)分布在第g個(gè)IT 設(shè)備故障屬性類別的知識(shí)圖譜特征為I，其中IT 設(shè)備故障的知識(shí)圖譜的關(guān)聯(lián)映射為X={X1,X2,…,Xn}，(h1,h2)為IT 設(shè)備故障圖譜特征定位點(diǎn)，結(jié)合知識(shí)圖譜的差異性分布，得到故障知識(shí)圖譜的定位結(jié)果為：

式中，υ1、υ2分別為IT 設(shè)備故障的知識(shí)圖譜的兩個(gè)不同時(shí)刻加速收斂因子，η1、η2分別為IT 設(shè)備故障樣本信息的兩個(gè)不同時(shí)刻的特征加權(quán)系數(shù)，采用機(jī)器學(xué)習(xí)，得到IT 設(shè)備故障特征的融合聚類模型：

式中引入的ξ、ξ*分別為IT 設(shè)備故障特征聚類系數(shù)與特征聚類系數(shù)的倒數(shù)，得到IT 設(shè)備故障知識(shí)圖譜的檢測(cè)輸出為：

其中，K(x,xi)表示IT 設(shè)備故障檢測(cè)的模糊隸屬度函數(shù)，且滿足：

3 仿真測(cè)試與結(jié)果分析

為驗(yàn)證該文方法在實(shí)現(xiàn)IT 設(shè)備故障檢測(cè)和診斷分析的應(yīng)用性能，設(shè)計(jì)仿真測(cè)試實(shí)驗(yàn)。IT 設(shè)備故障信息采集的傳感節(jié)點(diǎn)數(shù)為120，故障樣本檢測(cè)的訓(xùn)練節(jié)點(diǎn)數(shù)為24，特征采樣的頻率為15.9 kHz，IT 設(shè)備故障檢測(cè)的環(huán)境干擾強(qiáng)度為-15 dB，根據(jù)上述參數(shù)設(shè)定，得到IT 設(shè)備故障信息采集樣本輸出如圖2所示。

圖2 IT 設(shè)備故障信息采集樣本輸出

以圖2 采集的IT 設(shè)備故障信息為研究對(duì)象，檢測(cè)IT 設(shè)備故障知識(shí)圖譜，得到檢測(cè)到的IT 設(shè)備故障知識(shí)圖譜信息如圖3 所示。

圖3 IT設(shè)備故障知識(shí)圖譜檢測(cè)結(jié)果

分析圖3 得知，該文方法能有效實(shí)現(xiàn)對(duì)IT 設(shè)備故障知識(shí)圖譜的重構(gòu)，提高故障圖譜檢測(cè)的準(zhǔn)確性，測(cè)試IT 設(shè)備故障檢測(cè)的精度，得到對(duì)比結(jié)果如圖4所示。

分析圖4 得知，該文IT 設(shè)備故障檢測(cè)分析方法的精度較高、誤差較小，故障識(shí)別和診斷的能力得到提升。

圖4 故障檢測(cè)精度測(cè)試

4 結(jié)束語(yǔ)

文中提出了基于知識(shí)圖譜的IT 設(shè)備故障分析方法，結(jié)合故障融合參數(shù)分析方法，根據(jù)時(shí)域波形控制，提高了IT 設(shè)備故障檢測(cè)的穩(wěn)定性。通過(guò)閾值判斷實(shí)現(xiàn)了對(duì)IT 設(shè)備故障檢測(cè)過(guò)程中的譜分析，根據(jù)譜聚類結(jié)果，實(shí)現(xiàn)了對(duì)IT 設(shè)備故障的特征類別辨識(shí)和分類檢測(cè)識(shí)別。通過(guò)仿真結(jié)果可知，該文方法進(jìn)行IT 設(shè)備故障檢測(cè)的精度較高，故障圖譜識(shí)別能力較好。