(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211166632.6 (22)申请日 2022.09.23 (71)申请人 河南科技大 学 地址 471000 河南省洛阳市涧西区西苑路 48号 (72)发明人 王占伟　李修真　周西文　谈莹莹　 王林　马爱华　周赛　袁俊飞　 任秀宏　王雨　梁博阳　 (74)专利代理 机构 洛阳公信知识产权事务所 (普通合伙) 41120 专利代理师 常晓虎 (51)Int.Cl. G01M 99/00(2011.01) G06F 17/18(2006.01) G06N 5/02(2006.01)G06N 20/00(2019.01) (54)发明名称 残差-知识-数据联合驱动的故障复合诊断 方法及系统 (57)摘要 残差‑知识‑数据联合驱动的故障复合诊断 方法及系统， 所述方法中， 第一步， 构建概率图模 型， 包括确定概率图模型的结构和参数， 第二步， 在线应用概率图模型， 对在 线实时监测数据经过 计算， 将获得的残差节点中特征的残差数据、 数 据节点中特征的直接监测数据、 以及知识节点中 特征的状态， 一并输入到概率图模型中， 得到诊 断层节点各状态的后验概率， 将诊断层中有着最 大后验概率的那个状态输出为故障诊断结果； 所 述系统包括存储器和处理器， 处理器执行计算机 程序， 实现上述方法。 本发明将残差驱动、 知识驱 动和数据驱动三类方法的优势整合在同一个诊 断体系中， 实现了彼此优势互补， 获得了更优的 诊断性能。 权利要求书4页 说明书14页 附图3页 CN 115508119 A 2022.12.23 CN 115508119 A 1.残差‑知识‑数据联合驱动的故障复合诊断方法， 用于冷水机组的故障诊断， 其特征 在于， 包括如下步骤： （1） 获取冷水机组在正常和故障运行工况下的数据， 将正常和故障数据中的异常和非 稳态数据进行稳态过滤， 获得冷水机组在正常和故障运行工况下 的稳态数据， 选择用于确 定冷水机组运行工况的指示特 征； （2） 确定概率图模型的结构； 所述概率 图模型的结构包括三层， 自上而下， 分别是诊断 层、 故障层和征兆层， 其中诊断层是一个离散型节 点D， 有着n+1个状态， 分别代表 n种已知故 障状态和1种新故障状态； 所述故障层包括 n个故障节点， 每个故障节点表示某个具体的已 知故障Fi， 设有“True”和“False”两种状态， 分别表示已知故障 Fi发生和不发生； 所述征兆层 中， 每个已知故障 Fi均连接着三类节点， 分别是1个残差节点 R、 1个数据节点 X和若干个知识 节点K， 残差节点 R和数据节点 X为由表征冷水机组健康状态的 m个特征组成的 m维连续型节 点， 其数据服从 m维高斯分布， 每个知识节 点K都代表着一个特征， 设有分别表 示该特征实测 值相对于 冷水机组正常运行时的该特征基准值 “显著升高 ”、“基本不变 ”和“显著下降 ”的三 种状态； 知识 节点K的具体种类由故障与特 征之间的关联规则确定； （3） 确定概率 图模型的参数； 所述概率 图模型的参数包括诊断层节点 D的n+1个状态的 先验概率、 故障层中已知故障 Fi两个状态的条件概率、 征兆层中残差节点 R和数据节点 X的 条件概率分布、 以及征兆层中知识节点 K的条件概率； 所述诊断层节 点D的n+1个状态的先验 概率由专家经验或统计机组历史发生故障的频率获得； 所述故障层中已知故障 Fi两个状态 的条件概 率依据如下3条规则进行 赋值： 规则1： ； 规则2： ； 规则3： ； 其中NF表示新 故障。 2.所述征兆层中残差节点 R的条件概率分布由已知故 障Fi为“True”状态时各特征的残 差数据通过极大似然估计得到； 所述征兆层中数据节点 X的条件概率分布由已知故障 Fi为 “True”状态时各特征的直接监测稳态数据通过极大似然估计得到； 所述征兆层中知识节 点 K在三个状态下的条件概 率由专家经验或获取的故障运行工况 下历史数据统计获得； （4） 选择用于确定知识节点 K中特征基准值的基准值模型， 将组成知识节点 K的特征作 为模型的输出， 冷水机组运行工况 的指示特征作为模型 的输入， 使用获取 的冷水机组正常 工况下的稳态数据， 对基准 值模型进行训练， 获得构建好的基准 值模型； （5） 选择特征变化显著性判断方法， 对知识节点 K中特征相对于基准值变化是否显著进 行判断， 确定特 征变化显著性判断方法的判断阈值； （6） 获取冷水机组运行时的实时数据， 经过稳态过滤和特征选择后， 得到征兆层中残差 节点R中特征的残差数据、 数据节点 X中特征的直接监测数据、 以及知识节点 K中特征的状 态， 一并作为证据， 输入构建好的概率图模型中， 进而计算诊断层节点 D各个状态的后验概 率， 依此判断冷水机组发生了什么故障。 3.根据权利要求1所述的残差 ‑知识‑数据联合驱动的故障复合诊断方法， 其特征在于：权　利　要　求　书 1/4 页 2 CN 115508119 A 2所述步骤 （2） 中， 对于某个已知故障 Fi， 知识节点 K的具体种类由故障与特征之间的关联规 则确定， 具体方法为： 首先需要基于热力学原理， 对故障与特征之 间的热力学变化规律进 行 分析， 由此确定已知故障 Fi与特征之间的关联规则； 然后将所有与已知故障 Fi存在强热力学 关系的特征确定为已知故障 Fi连接的知识节点， 所述强热力学关系为故障引起特征的变化 幅度超过 预先设定的阈值。 4.根据权利要求1所述的残差 ‑知识‑数据联合驱动的故障复合诊断方法， 其特征在于： 所述步骤 （3） 在确定已知故障 Fi为“True”状态下特征的残差数据时， 包括如下步骤： （a） 选择用于确定特征基准值的基准值模型， 将组成残差节点 R的特征作为模型的输 出， 冷水机组运行工况的指示特 征作为模型的输入； （b） 使用获取的冷水机组在正常运行工况下的稳态数据， 对基准值模型进行训练， 得到 训练好的特 征基准值模型； （c） 使用获取的冷水机组在故障运行工况下的稳态数据， 输入训练好的特征基准值模 型中， 对于各特征， 将模型输出的基准值和实际实测值进行比较， 获得二者的残差数据， 即 为特征的残差数据。 5.根据权利要求1所述的残差 ‑知识‑数据联合驱动的故障复合诊断方法， 其特征在于： 所述步骤 （6） 中， 获得征兆层中残差节点 R中特征的残差数据的方法为： 将获取的冷水机组 运行实时数据输入到训练好的特征基准值模型中， 对于各特征， 将模型输出 的基准值和实 际实测值进 行比较， 获得二者的残差数据； 数据 节点X中特征的直接监测数据为获取的冷水 机组运行的实时数据； 获得知识节点 K中特征的状态的方法为： 将获取的冷水机组运行实时 数据输入到训练好的特征基准值模型中， 得到模型输出的基准值， 对于各特征， 基于特征变 化显著性判断方法及确定的判断阈值， 根据特征基准值模型输出 的基准值和实际实测值， 得到特征相 对于基准值 “显著升高 ”、“基本不变 ”和“显著下降 ”的判断结果， 进而形成知识 节点K中特征的状态。 6.残差‑知识‑数据联合驱动的故障复合诊断系统， 包括存储器和 处理器， 所述存储器 上存储有用于在处理器上执行的计算机程序； 其特征在于， 所述处理器执行计算机程序时， 实现如下步骤： （1） 获取冷水机组在正常和故障运行工况下的数据， 将正常和故障数据中的异常和非 稳态数据进行稳态过滤， 获得冷水机组在正常和故障运行工况下 的稳态数据， 选择用于确 定冷水机组运行工况的指示特 征； （2） 确定概率图模型的结构； 所述概率 图模型的结构包括三层， 自上而下， 分别是诊断 层、 故障层和征兆层， 其中诊断层是一个离散型节 点D， 有着n+1个状态， 分别代表 n种已知故 障状态和1种新故障状态； 所述故障层包括 n个故障节点， 每个故障节点表示某个具体的已 知故障Fi， 设有“True”和“False”两种状态， 分别表示已知故障 Fi发生和不发生； 所述征兆层 中， 每个已知故障 Fi均连接着三类节点， 分别是1个残差节点 R、 1个数据节点 X和若干个知识 节点K， 残差节点 R和数据节点 X为由表征冷水机组健康状态的 m个特征组成的 m维连续型节 点， 其数据服从 m维高斯分布， 每个知识节 点K都代表着一个特征， 设有分别表 示该特征实测 值相对于 冷水机组正常运行时的该特征基准值 “显著升高 ”、“基本不变 ”和“显著下降 ”的三 种状态； 知识 节点K的具体种类由故障与特 征之间的关联规则确定； （3） 确定概率 图模型的参数； 所述概率 图模型的参数包括诊断层节点 D的n+1个状态的权　利　要　求　书 2/4 页 3 CN 115508119 A 3