本發(fā)明涉及一種診斷系統(tǒng)，具體是一種基于神經(jīng)網(wǎng)絡(luò)的PWM整流器故障診斷系統(tǒng)。

背景技術(shù)：

隨著電力電子技術(shù)的迅猛發(fā)展，新型電力電子產(chǎn)品的不斷涌現(xiàn)以及對系統(tǒng)品質(zhì)、費用、有效性、可靠性、安全性的要求越來越高，電力電子電路的在線故障檢測和診斷已然成為一個急需解決的問題。而合理的電力電子電路的故障診斷方案可以快速有效地診斷故障的部位和性質(zhì)，以便做到早期預(yù)報，防止事故發(fā)生；做預(yù)知性維修，提高設(shè)備管理水平；方便檢修，提高設(shè)備利用率；盡快排出故障，恢復(fù)正常運行，以提高系統(tǒng)的可靠性。為了解決這些問題，需要進(jìn)行一系列的工作，其中最重要和最困難的就是故障的實時診斷。除此以外，故障診斷也是現(xiàn)代自動控制理論中一個非常值得研究的課題。

在過去的幾十年里，也有很多人對該領(lǐng)域進(jìn)行了研究，也產(chǎn)生了一些付諸行動的方法。通過分析這些方法可知，電力電子電路最重要的要求就是實時性。其原因在于電力電子電路故障信息僅能保存幾毫秒。在進(jìn)行故障診斷檢測時，可以采取Matlab中的Sumulink進(jìn)行仿真。由于Matlab具有超強(qiáng)的仿真能力，可以有效地仿真故障并進(jìn)行神經(jīng)網(wǎng)絡(luò)方面的判斷，故是一個能夠滿足該方面條件的仿真軟件。

故障診斷（FD）始于設(shè)備故障診斷，其全名是故障檢測與故障診斷。它包含兩方面內(nèi)容：一是對設(shè)備的狀態(tài)進(jìn)行監(jiān)測；二是在發(fā)現(xiàn)異常情況后對設(shè)備的故障進(jìn)行分析、診斷。故障診斷技術(shù)已經(jīng)有數(shù)十年的發(fā)展歷史，現(xiàn)以廣泛應(yīng)用于各個領(lǐng)域。電力電子電路故障診斷技術(shù)包含兩方面內(nèi)容：

1）故障診斷的檢測：以一定的檢測技術(shù)，獲取故障發(fā)生時的所需故障信息，供故障分析、推理用；

2）故障的診斷：依據(jù)檢測的故障信息，運用合適的故障診斷方法，對故障進(jìn)行分析、推理，找出故障發(fā)生的原因并定位故障發(fā)生部位。

電力電子電路的故障與一般電路故障有所不同，電力電子電路以輸出波形來診斷電路是否有故障以及屬于何種故障在故障診斷中將電壓采樣值作為神經(jīng)網(wǎng)絡(luò)的輸入，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，可以診斷出電路的故障信息。

長期以來，由于人們無法準(zhǔn)確掌握設(shè)備運行狀況，因而不能預(yù)知事故的發(fā)生，所以不得不采取兩種維修對策：

1)等設(shè)備壞了在進(jìn)行維修。這種方法的缺點在于經(jīng)濟(jì)損失很大。因為等設(shè)備運行到破壞為止，往往需要昂貴的維修費；嚴(yán)重的破壞需要更換機(jī)器，甚至可能造成人身傷亡。

2)定期檢修設(shè)備。該策略有一定的計劃性和預(yù)防性，但其缺點是：若無故障，則經(jīng)濟(jì)損失較大。

因此合理的維修是預(yù)知性維修。即在設(shè)備故障出現(xiàn)的早期就檢測隱患，提前預(yù)報，以便適時、合理地采取措施。所以電力電子電路故障診斷技術(shù)也應(yīng)運而生。故障診斷的關(guān)鍵在于提取故障特征，故障特征是指反映故障征兆的信號經(jīng)過加工處理后所得的、反映設(shè)備與系統(tǒng)的故障種類、部位與程度的綜合量。

目前在電力電子電路的故障診斷上，多數(shù)集中在電力系統(tǒng)中整流電路、逆變電路、無功補(bǔ)償器主電路等上面。電力電子電路的實際運行表明，大多數(shù)故障表現(xiàn)為功率開關(guān)器件的損壞，如晶閘管（T）或可關(guān)斷晶閘管（GTO）故障，其中以功率開關(guān)器件的斷路和短路最為常見。

應(yīng)用神經(jīng)網(wǎng)絡(luò)理論進(jìn)行電力電子電路的故障診斷，當(dāng)電力電子電路發(fā)生故障時，有經(jīng)驗的專家可以根據(jù)電路中某點的電壓或電流波形判斷出故障點。如果能夠用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，使故障波形與故障原因之間關(guān)系通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后保存在其結(jié)構(gòu)和權(quán)中，然后將學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)用于故障診斷，神經(jīng)網(wǎng)絡(luò)就可通過對當(dāng)前電壓或電流波形的分析，得出故障原因，從而實現(xiàn)故障的在線診斷。

神經(jīng)網(wǎng)絡(luò)理論是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來的，是對人腦功能的某些特性模擬和抽象。自上世紀(jì)四十年代心理學(xué)家W.Mcculloch和數(shù)理邏輯學(xué)家W.Pitts提出神經(jīng)網(wǎng)絡(luò)（Neural Network,簡稱NN）第一個數(shù)學(xué)模型-MP模型以來，開始興起了神經(jīng)網(wǎng)絡(luò)的研究，同時產(chǎn)生了人工智能。1958年，Rosenblatt在MP模型的基礎(chǔ)上提出了感知器模型，后來出現(xiàn)的很多神經(jīng)網(wǎng)絡(luò)模型都是感知器模型的變形。經(jīng)歷過70年代的蕭條期之后，Hopfiled等學(xué)者于80年代提出了新的計算方法，使得神經(jīng)網(wǎng)絡(luò)的研究又得到了重視。90年代產(chǎn)生了大量關(guān)于神經(jīng)網(wǎng)絡(luò)的論文,新的理論和應(yīng)用層出不窮，從而有力的推動了神經(jīng)網(wǎng)絡(luò)的研究。

人工神經(jīng)網(wǎng)絡(luò)是一種抽象的數(shù)學(xué)模型。它是由大量簡單的處理單元以某種拓?fù)浞绞竭B接而成的非線性動力學(xué)系統(tǒng)。信息處理由神經(jīng)元之間的大規(guī)模連接權(quán)值與作用函數(shù)的并聯(lián)運算實現(xiàn)。通過調(diào)整各單元之間的權(quán)值實現(xiàn)網(wǎng)絡(luò)訓(xùn)練，從而避免建立復(fù)雜的數(shù)學(xué)模型。作為一個非線性動力學(xué)系統(tǒng)，人工神經(jīng)網(wǎng)絡(luò)除了具有非線性動力學(xué)系統(tǒng)的一切特征外，又有許多自身的特點：1）信息傳遞的并行性：在人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，信息的存儲與處理是合二為一的，即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上，并進(jìn)行大規(guī)模分部處理；2)容錯性：任何局部的損壞不會影響整體效果，還能有效地支持不確定或不完全知識的處理；3）自學(xué)習(xí)自組織性：神經(jīng)網(wǎng)絡(luò)能很好的進(jìn)行知識的獲取，它可通過內(nèi)部的自組織能力，從外界環(huán)境中獲取信息，使自己更為有效的適應(yīng)環(huán)境以完成指定的各種計算與推理工作，具有創(chuàng)新特點，這不同于AI的專家系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是一種并行信息處理結(jié)構(gòu)，網(wǎng)絡(luò)的特性網(wǎng)絡(luò)節(jié)點和連接方式所確定，他具有高度的并行處理、自組織、自學(xué)習(xí)能力，在狀態(tài)識別與故障診斷領(lǐng)域具有廣泛的應(yīng)用范圍。

人工神經(jīng)網(wǎng)絡(luò)模型多種多樣，他們是從不同角度對生物神經(jīng)系統(tǒng)不同層次的描述和模擬。有代表性的網(wǎng)絡(luò)模型有感知器、多層映射BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和Hopfiled模型等。利用這些網(wǎng)絡(luò)模型可實現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、模式分類、優(yōu)化計算等功能。因此，神經(jīng)網(wǎng)絡(luò)在人工智能、自動控制、機(jī)器人和系統(tǒng)故障診斷得到了廣泛應(yīng)用。

基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法克服傳統(tǒng)故障診斷方法難以建立精確數(shù)學(xué)模型且對于新問題新情況不能適應(yīng)的不足，在故障診斷中的應(yīng)用越來越多，國內(nèi)外均有許多這方面的研究。

傳統(tǒng)的PWM整流器故障診斷方法大多只針對單一種類整流器，設(shè)計復(fù)雜通用性差，而且測試過程繁瑣，不利于測試系統(tǒng)的集成化的缺點。而整流器電流信號分析法僅對特定的一個或兩個故障頻率進(jìn)行分析，判斷整流器是否有某個故障，檢測單一，有較大的局限性。且整流器電流信號分析法需要采集頻率，步驟繁瑣，其檢測系統(tǒng)在系統(tǒng)受到干擾時，極易受到外界變化的影響，在擾動過大時，干擾信號會覆蓋故障信號，導(dǎo)致錯報和漏報可能性很高，診斷可靠性不能得到保證，檢測性能較差。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種使用物聯(lián)網(wǎng)作為通訊控制的環(huán)境監(jiān)測儀，以解決上述背景技術(shù)中提出的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于神經(jīng)網(wǎng)絡(luò)的PWM整流器故障診斷系統(tǒng)，其特征在于，包括如下步驟：一) 收集整流器運行參數(shù)的歷史數(shù)據(jù)，包括整流器正常運行數(shù)據(jù)與整流器故障數(shù)據(jù)；二) 整理所述步驟A) 整流器運行參數(shù)歷史數(shù)據(jù)并形成樣本，樣本的格式為：每一條數(shù)據(jù)按輸入- 輸出對模式組織，輸入為整流器運行參數(shù)，輸出為整流器定子電流，樣本分為訓(xùn)練樣本和檢測樣本兩部分；三) 根據(jù)所述步驟B) 的樣本設(shè)計神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；四) 使用所述步驟C) 神經(jīng)網(wǎng)絡(luò)對實時檢測數(shù)據(jù)濾波消除檢測噪聲，復(fù)制神經(jīng)網(wǎng)絡(luò)，生成神經(jīng)網(wǎng)絡(luò)1和神經(jīng)網(wǎng)絡(luò)2，由神經(jīng)網(wǎng)絡(luò)2 先學(xué)習(xí)檢測樣本，將神經(jīng)網(wǎng)絡(luò)2 的輸出作為神經(jīng)網(wǎng)絡(luò)1的輸出期望值，根據(jù)神經(jīng)網(wǎng)絡(luò)2 對樣本的學(xué)習(xí)結(jié)果更新神經(jīng)網(wǎng)絡(luò)權(quán)值，繼續(xù)學(xué)習(xí)檢測樣本，同時提取神經(jīng)網(wǎng)絡(luò)1 輸入層的輸出權(quán)值向量，作為故障檢測樣本；五) 提取神經(jīng)網(wǎng)絡(luò)1 的輸入層權(quán)值向量W1·，并針對其建立PCA 模型，對PCA 模型計算出相應(yīng)的檢測指標(biāo)T2統(tǒng)計量和SPE，根據(jù)SPE 的值是否超出控制限判斷整流器運行狀態(tài)；六) 整理正常狀態(tài)下和故障狀態(tài)下樣本輸入時神經(jīng)網(wǎng)絡(luò)1 的輸入層權(quán)值向量W1·形成的故障檢測樣本；七) 用六) 中的檢測樣本對五) 所得故障診斷模型進(jìn)行反復(fù)檢驗，如果檢驗效果良好，則診斷模型有效，可以用于故障診斷，否則，則重新根據(jù)四)、五) 和六) 進(jìn)行訓(xùn)練建模；八) 實時讀取整流器的最新運行參數(shù)，將這些參數(shù)輸入到所述神經(jīng)網(wǎng)絡(luò)中，將神經(jīng)網(wǎng)絡(luò)1的輸出權(quán)值向量輸入故障診斷模型，計算所得PCA 檢測指標(biāo)SPE 和T2是否滿足置性指標(biāo)。

作為本發(fā)明的優(yōu)選方案：所述步驟三) 采用神經(jīng)網(wǎng)絡(luò)，首先設(shè)計所述神經(jīng)網(wǎng)絡(luò)的輸入值、輸出值、層數(shù)、各層節(jié)點數(shù)和各層的激活函數(shù)；所述樣本每次輸入時訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一個權(quán)值，一個樣本要連續(xù)輸入直到網(wǎng)絡(luò)權(quán)值全部更新；神經(jīng)網(wǎng)絡(luò)依次接收所述訓(xùn)練樣本進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)權(quán)值穩(wěn)定。

作為本發(fā)明的優(yōu)選方案：所述整流器均為PWM整流器。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的PWM整流器故障診斷系統(tǒng)相對于現(xiàn)有的整流器電流信號分析法對不同整流器進(jìn)行故障檢測時，需要采集頻率造成相應(yīng)檢測模型調(diào)整大，本發(fā)明不僅可以對整流器故障進(jìn)行在線檢測，且自適應(yīng)能力強(qiáng)，可以對多種整流器故障進(jìn)行檢測。

附圖說明

圖1為本發(fā)明流程圖；

圖2為本發(fā)明中神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)示意

圖3為PWM整流器的電路圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

請參閱圖1-3，一種基于神經(jīng)網(wǎng)絡(luò)的PWM整流器故障診斷系統(tǒng)，其特征在于，包括如下步驟：一) 收集整流器運行參數(shù)的歷史數(shù)據(jù)，包括整流器正常運行數(shù)據(jù)與整流器故障數(shù)據(jù)；二) 整理所述步驟A) 整流器運行參數(shù)歷史數(shù)據(jù)并形成樣本，樣本的格式為：每一條數(shù)據(jù)按輸入- 輸出對模式組織，輸入為整流器運行參數(shù)，輸出為整流器定子電流，樣本分為訓(xùn)練樣本和檢測樣本兩部分；三) 根據(jù)所述步驟B) 的樣本設(shè)計神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；四) 使用所述步驟C) 神經(jīng)網(wǎng)絡(luò)對實時檢測數(shù)據(jù)濾波消除檢測噪聲，復(fù)制神經(jīng)網(wǎng)絡(luò)，生成神經(jīng)網(wǎng)絡(luò)1和神經(jīng)網(wǎng)絡(luò)2，由神經(jīng)網(wǎng)絡(luò)2 先學(xué)習(xí)檢測樣本，將神經(jīng)網(wǎng)絡(luò)2 的輸出作為神經(jīng)網(wǎng)絡(luò)1的輸出期望值，根據(jù)神經(jīng)網(wǎng)絡(luò)2 對樣本的學(xué)習(xí)結(jié)果更新神經(jīng)網(wǎng)絡(luò)權(quán)值，繼續(xù)學(xué)習(xí)檢測樣本，同時提取神經(jīng)網(wǎng)絡(luò)1 輸入層的輸出權(quán)值向量，作為故障檢測樣本；五) 提取神經(jīng)網(wǎng)絡(luò)1 的輸入層權(quán)值向量W1·，并針對其建立PCA 模型，對PCA 模型計算出相應(yīng)的檢測指標(biāo)T2統(tǒng)計量和SPE，根據(jù)SPE 的值是否超出控制限判斷整流器運行狀態(tài)；六) 整理正常狀態(tài)下和故障狀態(tài)下樣本輸入時神經(jīng)網(wǎng)絡(luò)1 的輸入層權(quán)值向量W1·形成的故障檢測樣本；七) 用六) 中的檢測樣本對五) 所得故障診斷模型進(jìn)行反復(fù)檢驗，如果檢驗效果良好，則診斷模型有效，可以用于故障診斷，否則，則重新根據(jù)四)、五) 和六) 進(jìn)行訓(xùn)練建模；八) 實時讀取整流器的最新運行參數(shù)，將這些參數(shù)輸入到所述神經(jīng)網(wǎng)絡(luò)中，將神經(jīng)網(wǎng)絡(luò)1的輸出權(quán)值向量輸入故障診斷模型，計算所得PCA 檢測指標(biāo)SPE 和T2是否滿足置性指標(biāo)。

步驟三) 采用神經(jīng)網(wǎng)絡(luò)，首先設(shè)計所述神經(jīng)網(wǎng)絡(luò)的輸入值、輸出值、層數(shù)、各層節(jié)點數(shù)和各層的激活函數(shù)；所述樣本每次輸入時訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一個權(quán)值，一個樣本要連續(xù)輸入直到網(wǎng)絡(luò)權(quán)值全部更新；神經(jīng)網(wǎng)絡(luò)依次接收所述訓(xùn)練樣本進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)權(quán)值穩(wěn)定。

整流器均為PWM整流器。

本發(fā)明的工作原理是：如圖1 所示，樣本制造收集整流器運行的歷史數(shù)據(jù)，格式為：每一條數(shù)據(jù)按照輸入—輸出對的模式組織。輸入為定子電壓、轉(zhuǎn)子電壓、負(fù)載、整流器軸溫、整流器定子溫度、轉(zhuǎn)子轉(zhuǎn)速，輸出為定子電流；將全部樣本的75％作為訓(xùn)練樣本，余下的25％作為檢測樣本；

如圖2 所示，設(shè)計神經(jīng)網(wǎng)絡(luò)的輸入值、輸出值、層數(shù)、各層節(jié)點數(shù)和各層的激活函數(shù)，神經(jīng)網(wǎng)絡(luò)采用四層神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)節(jié)點數(shù)為6-9-8-1。在上述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下，為提高網(wǎng)絡(luò)的訓(xùn)練速度和減少權(quán)值初始值選取不合理對訓(xùn)練的影響，這里每次樣本輸入時只訓(xùn)練一個權(quán)值，一個樣本要連續(xù)輸入直到網(wǎng)絡(luò)中所有權(quán)值全部更新一遍，新型神經(jīng)網(wǎng)絡(luò)接收下一個訓(xùn)練樣本，網(wǎng)絡(luò)權(quán)值繼續(xù)更新，直到神 經(jīng)網(wǎng)絡(luò)穩(wěn)定。使用神經(jīng)網(wǎng)絡(luò)對樣本濾波消除檢測噪聲，復(fù)制神經(jīng)網(wǎng)絡(luò)，生成神經(jīng)網(wǎng)絡(luò)1 和神經(jīng)網(wǎng)絡(luò)2，由神經(jīng)網(wǎng)絡(luò)2 先學(xué)習(xí)檢測樣本，將神經(jīng)網(wǎng)絡(luò)2 的輸出作為神經(jīng)網(wǎng)絡(luò)1 的輸出期望值，根據(jù)神經(jīng)網(wǎng)絡(luò)2 對樣本的學(xué)習(xí)結(jié)果更新神經(jīng)網(wǎng)絡(luò)權(quán)值，網(wǎng)絡(luò)繼續(xù)學(xué)習(xí)檢測樣本，同時提取神經(jīng)網(wǎng)絡(luò)1 輸入層的輸出權(quán)值向量；提取上述正常狀態(tài)下和故障狀態(tài)下樣本輸入時神經(jīng)網(wǎng)絡(luò)1 輸入層權(quán)值向量W1·；

建立輸入層權(quán)值向量W1·的PCA 模型( 主元分析模型)，并針對PCA 模型計算出其相應(yīng)的檢測指標(biāo)Hotelling’s T2統(tǒng)計量( 以下簡稱T 2統(tǒng)計量) 和SPE( 平方預(yù)測誤差，也稱Q 統(tǒng)計量) ；假設(shè)x ∈ Rm表示具有m 個維度的權(quán)值向量( 即m 為權(quán)值向量x 的維數(shù))，數(shù)據(jù)矩陣X ∈ Rn×m由n 個不同時刻的權(quán)值向量組成。將數(shù)據(jù)矩陣X 各列經(jīng)過標(biāo)準(zhǔn)化處理成零均值和單位方差的變量，可以得到進(jìn)行標(biāo)準(zhǔn)化后的權(quán)值向量x 的協(xié)方差矩陣S，并對該協(xié)方差矩陣特征值分解并按大小降序排列。協(xié)方差矩陣S 為：

其中，將數(shù)據(jù)矩陣X 各列經(jīng)過標(biāo)準(zhǔn)化處理成零均值和單位方差的變量的方法是將

數(shù)據(jù)矩陣X 的每一列減去相應(yīng)的變量均值并且除以相應(yīng)的變量標(biāo)準(zhǔn)差。

根據(jù)PCA 模型將測量變量空間分成主元子空間和殘差子空間兩個正交且互補(bǔ)的子空間，任意一個樣本向量均可分解成為在主元子空間和殘差子空間上的投影，即PCA 模型將權(quán)值矩陣X ∈ Rn×m分解成建模部分和殘差部分E 兩個部分。

將數(shù)據(jù)矩陣T1各列經(jīng)過標(biāo)準(zhǔn)化處理成零均值和單位方差的變量得到協(xié)方差矩陣S1，并對該協(xié)方差矩陣對角線元素按大小降序排列，對應(yīng)矩陣T1也按此排序，并構(gòu)造矩陣P1。協(xié)方差矩陣S1為：

根據(jù)T1和P 1的排序確定主元和殘差。

其中，表示被建模部分；E 表示殘差部分；P ∈ Rm×A為負(fù)載矩陣，是由S 的前A 個特征向量組成的，A 表示主元的個數(shù)；T ∈ Rn×A為得分矩陣,T ＝ XP。

在PCA 模型中，針對PCA 模型需要計算出其相應(yīng)的檢測指標(biāo)T2統(tǒng)計量和SPE，即T 2和SPE，用SPE 指標(biāo)衡量樣本向量在殘差空間投影的變化，用T2統(tǒng)計量衡量測量變量在主元空間中的變化。

其中，SPE 指標(biāo)表達(dá)式為：

式中，I 為單位矩陣；表示置信水平為α 時SPE 的控制限。當(dāng)SPE 在控制限內(nèi)時，認(rèn)為當(dāng)前運轉(zhuǎn)過程處于正常狀態(tài)。當(dāng)SPE 值超出了統(tǒng)計控制限時，代表當(dāng)前運轉(zhuǎn)過程發(fā)生了故障，SPE 值的變化代表著數(shù)據(jù)間相關(guān)性的變化。該控制限的計算公式為：

式中， λj為樣本矩陣X 的協(xié)方差矩陣Σ的特征值，cα為標(biāo)準(zhǔn)正態(tài)分布在置信水平α 下的閾值，m 是樣本x 的維數(shù)。

T2統(tǒng)計量表達(dá)式為：

其中，Λ ＝ diag{λ1,λ2,… ,λA}，表示置信度為α 的T2統(tǒng)計限。當(dāng)T 2位于控制限內(nèi)時，認(rèn)為當(dāng)前運轉(zhuǎn)過程處于正常工作狀態(tài)。

檢測時，將檢測樣本輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，每次訓(xùn)練完成后將提取神經(jīng)網(wǎng)絡(luò)1 的輸入層輸出權(quán)值向量，帶入PCA 模型中，計算得到SPE 和T2在控制限內(nèi)，則當(dāng)前運轉(zhuǎn)過程處于正常狀態(tài)，否則判斷運轉(zhuǎn)過程發(fā)生了故障。

采用隨時間加權(quán)算法對多PCA 模型中的各個T2統(tǒng)計量和SPE 兩檢測指標(biāo) 進(jìn)行優(yōu)化，并根據(jù)優(yōu)化后的檢測指標(biāo)T2統(tǒng)計量和SPE 對機(jī)械設(shè)備進(jìn)行故障檢測，檢測得到過渡過程機(jī)械設(shè)備的故障數(shù)據(jù)，通過優(yōu)化后的檢測指標(biāo)進(jìn)行故障檢測可以有效避免在工況過渡過程中出現(xiàn)故障誤報。

對于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應(yīng)將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。

此外，應(yīng)當(dāng)理解，雖然本說明書按照實施方式加以描述，但并非每個實施方式僅包含一個獨立的技術(shù)方案，說明書的這種敘述方式僅僅是為清楚起見，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將說明書作為一個整體，各實施例中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實施方式。