本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法和裝置。

背景技術(shù)：

目前，主要采用主元分析(pca)和主元回歸(pcr)的方法分析故障診斷問(wèn)題。具體地，對(duì)存在相關(guān)性的自變量進(jìn)行處理，從而得出內(nèi)在相關(guān)性最大的主要變?cè)缓髮?duì)于這些主元進(jìn)行回歸運(yùn)算求出在誤差最小約束下的最優(yōu)解。

上述方式在一些領(lǐng)域有著非常廣泛的應(yīng)用和顯著的效果，然而在處理某些問(wèn)題上卻不是特別有效。舉例而言，對(duì)于高爐煉鐵的問(wèn)題，用pca和pcr的方法，檢測(cè)一些變量大小的變化往往有效，但對(duì)于閥門開關(guān)的問(wèn)題，控制量是否施加這種簡(jiǎn)單的問(wèn)題檢測(cè)效果卻并不是很理想，尤其是多維度強(qiáng)耦合的系統(tǒng)?？梢岳斫獾氖牵话鉷cr采用的是誤差二范數(shù)最小的約束，但當(dāng)優(yōu)化目標(biāo)為二值化變量時(shí)，這種方法就有一定的局限性了。我們通常假設(shè)只是某一些盡可能少的節(jié)點(diǎn)出現(xiàn)了問(wèn)題，而大多數(shù)節(jié)點(diǎn)我們認(rèn)為還是正?？煽抗ぷ鞯?。

因此，針對(duì)上述類似這種可以二值化或者是離散系統(tǒng)問(wèn)題的故障診斷就需要一種有效的分析方法，解決故障診斷準(zhǔn)確性低的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問(wèn)題之一。

為此，本發(fā)明的第一個(gè)目的在于提出一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，該方法通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

本發(fā)明的第二個(gè)目的在于提出一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置。

為達(dá)上述目的，本發(fā)明第一方面實(shí)施例提出了一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，包括：對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理；根據(jù)所述處理結(jié)果建立故障診斷的線性測(cè)量模型；通過(guò)壓縮感知方法根據(jù)所述線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)；利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)所述系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

本發(fā)明實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，通過(guò)對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型，然后通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

另外，根據(jù)本發(fā)明上述實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法還可以具有如下附加的技術(shù)特征：

可選地，所述故障診斷的線性測(cè)量模型為：r＝ax+w，其中，a∈r^m×n為已知測(cè)量矩陣，r∈r^m為測(cè)量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

可選地，通過(guò)壓縮感知方法根據(jù)所述線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)的故障診斷為：

可選地，所述第一預(yù)設(shè)范數(shù)為范數(shù)和所述第二預(yù)設(shè)范數(shù)為范數(shù)、或者所述聯(lián)合范數(shù)為范數(shù)。

可選地，所述目標(biāo)優(yōu)化函數(shù)為：其中，λ為可調(diào)參數(shù)。

為達(dá)上述目的，本發(fā)明第二方面實(shí)施例提出了一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，包括：處理模塊，用于對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理；建立模塊，用于根據(jù)所述處理結(jié)果建立故障診斷的線性測(cè)量模型；推斷模塊，用于通過(guò)壓縮感知方法根據(jù)所述線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)；求解模塊，用于利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)所述系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

本發(fā)明實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，通過(guò)對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型，然后通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

另外，根據(jù)本發(fā)明上述實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置還可以具有如下附加的技術(shù)特征：

可選地，所述故障診斷的線性測(cè)量模型為：r＝ax+w，其中，a∈r^m×n為已知測(cè)量矩陣，r∈r^m為測(cè)量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

可選地，推斷模塊的故障診斷為：

可選地，所述第一預(yù)設(shè)范數(shù)為范數(shù)和所述第二預(yù)設(shè)范數(shù)為范數(shù)、或者所述聯(lián)合范數(shù)為范數(shù)。

可選地，所述目標(biāo)優(yōu)化函數(shù)為：其中，λ為可調(diào)參數(shù)。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明上述的和/或附加的方面和優(yōu)點(diǎn)從下面結(jié)合附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法的流程圖；

圖2是根據(jù)本發(fā)明一個(gè)實(shí)施例不同范數(shù)進(jìn)行優(yōu)化求解的結(jié)果比較示意圖；

圖3是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖；

圖4是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖；

圖5是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

下面參考附圖描述本發(fā)明實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法和裝置。

目前，傳統(tǒng)的故障診斷方法在某些情況下對(duì)于系統(tǒng)的故障檢測(cè)和識(shí)別的效果不是很理想，尤其是對(duì)于監(jiān)控變量和控制量特別多的復(fù)雜系統(tǒng)，比如大型的系統(tǒng)如電網(wǎng)系統(tǒng)、水電站系統(tǒng)、高爐煉鐵系統(tǒng)等。

為了克服上述問(wèn)題，本申請(qǐng)?zhí)岢鲆环N基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。具體如下：

圖1是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法的流程圖。

如圖1所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法包括以下步驟：

步驟110，對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理。

可以理解的是，不同的系統(tǒng)出現(xiàn)的故障不同?？梢愿鶕?jù)實(shí)際應(yīng)用需要進(jìn)行選擇設(shè)置。例如，比如對(duì)于具體工業(yè)系統(tǒng)表現(xiàn)為某個(gè)閥門的開閉，或者風(fēng)扇的開關(guān)等。

具體地，可以根據(jù)需要通過(guò)不同的方法來(lái)獲取上述故障，比如通過(guò)預(yù)設(shè)的傳感器獲取某個(gè)閥門的開啟等。

進(jìn)一步地，在獲取故障后，可以通過(guò)二值化的方式對(duì)故障狀態(tài)進(jìn)行處理。其中，二值化有很多種方式，可以根據(jù)實(shí)際應(yīng)用需要進(jìn)行選擇設(shè)置，舉例說(shuō)明如下：

示例一，通過(guò)設(shè)置閾值的方式。

具體地，針對(duì)較為簡(jiǎn)單的系統(tǒng)設(shè)置閾值即可進(jìn)行二值化操作。

示例二，通過(guò)采用聚類的方法進(jìn)行二值化處理。

具體地，針對(duì)較為復(fù)雜的系統(tǒng)，可以對(duì)各工作模態(tài)進(jìn)行多元統(tǒng)計(jì)建模，結(jié)合數(shù)據(jù)挖掘和多元統(tǒng)計(jì)分析的技術(shù)，最后通過(guò)采用聚類的方法進(jìn)行二值化處理。

更具體地，為了本領(lǐng)域人員更加清楚直觀了解上述處理結(jié)果。比如正常狀態(tài)可以用0表示，故障狀態(tài)可以用1來(lái)表示。進(jìn)一步的，還可以更加細(xì)化故障程度，如0表示無(wú)故障，1表示輕度故障，2表示中度故障，3表示嚴(yán)重故障。

步驟120，根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，故障診斷的線性測(cè)量模型為：r＝ax+w，其中，a∈r^m×n為已知測(cè)量矩陣，r∈r^m為測(cè)量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

可以理解的是，x∈x^n×1,x＝{0,1,2,3}，即0表示無(wú)故障，1表示輕度故障，2表示中度故障，4表示嚴(yán)重故障。

步驟130，通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)。

步驟140，利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

具體地，壓縮感知方法是將具有稀疏特性的有限維原始信號(hào)投影到感知矩陣上，從而由此可以得到觀測(cè)向量。對(duì)于觀測(cè)信號(hào)進(jìn)行處理分析原始信號(hào)中的重要信息，從而得到重構(gòu)信號(hào)。由于觀測(cè)向量包含的原始信號(hào)的重要信息，且其包含較少的冗余信息，所以，可以對(duì)觀測(cè)向量進(jìn)行重構(gòu)，得到既包含原始信號(hào)重要信息又具有較小冗余信息的重構(gòu)信號(hào)。

具體地，在本發(fā)明的一個(gè)實(shí)施例中，根據(jù)測(cè)量數(shù)據(jù)向量r來(lái)推斷系統(tǒng)狀態(tài)x的故障診斷為

可以理解的是，由于實(shí)際條件限制，往往使得測(cè)量數(shù)據(jù)有限，使得測(cè)量變量個(gè)數(shù)m小于故障狀態(tài)變量數(shù)n，從而構(gòu)成一個(gè)病態(tài)故障診斷問(wèn)題。

進(jìn)一步地，由于出現(xiàn)故障的概率較小，因而故障狀態(tài)是一個(gè)稀疏向量，傳統(tǒng)基于最小二乘法的各種檢測(cè)算法在本問(wèn)題中失效。此問(wèn)題可以轉(zhuǎn)化為一個(gè)二進(jìn)制壓縮感知問(wèn)題。

在實(shí)際應(yīng)用當(dāng)中，可以考慮有限字符集因素可以將x＝{0,1}轉(zhuǎn)化為x′＝{-1,1}進(jìn)而原問(wèn)題松弛為

在實(shí)際應(yīng)用當(dāng)中，進(jìn)一步考慮稀疏性因素，可以使用范數(shù)進(jìn)行刻畫，范數(shù)最緊致的凸松弛是范數(shù)。綜合考慮稀疏性和二值性兩方面因素，最合理的思路是引入范數(shù)，從而利用凸優(yōu)化進(jìn)行求解。目標(biāo)優(yōu)化函數(shù)為：

其中，λ為可調(diào)參數(shù)。

需要說(shuō)明的是，在實(shí)際問(wèn)題中可以通過(guò)調(diào)整數(shù)值使得求解更加精確。

需要說(shuō)明的是，設(shè)計(jì)凸優(yōu)化目標(biāo)為使得范數(shù)，也就是對(duì)帶參數(shù)的范數(shù)與的聯(lián)合范數(shù)使用凸優(yōu)化的方法求解。傳統(tǒng)方法多為使用投影梯度，最近有研究者采用正交匹配追蹤方法，但基于范數(shù)聯(lián)合優(yōu)化的方法為首創(chuàng)。

綜上所述，本發(fā)明實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法，通過(guò)對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型，然后通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

基于上述實(shí)施例，為了本領(lǐng)域人員更加清楚上述過(guò)程，下面以一個(gè)具有256個(gè)系統(tǒng)狀態(tài)、160個(gè)測(cè)量數(shù)據(jù)，并且測(cè)量矩陣已知的系統(tǒng)結(jié)合上述步驟舉例說(shuō)明如下：

具體地，故障診斷的線性測(cè)量模型為：r＝ax+w。

設(shè)m為160，n為256且a∈r^m×n為已知測(cè)量矩陣，x∈x^n×1,x＝{0,1,2,3}，0表示無(wú)故障，1表示輕度故障，2表示中度故障，4表示嚴(yán)重故障。其中，ai,j～n(0,1/m)，

進(jìn)一步，根據(jù)測(cè)量數(shù)據(jù)向量r來(lái)推斷系統(tǒng)狀態(tài)x，引入范數(shù)，根據(jù)目標(biāo)優(yōu)化函數(shù)利用凸優(yōu)化進(jìn)行求解。選取單純范數(shù)、范數(shù)、正交匹配追蹤、以及投影梯度算法進(jìn)行比較。

為了本領(lǐng)域人員更加直觀了解上述比較結(jié)果，下面結(jié)合圖2進(jìn)行具體說(shuō)明。

圖2是根據(jù)本發(fā)明一個(gè)實(shí)施例不同范數(shù)進(jìn)行優(yōu)化求解的結(jié)果比較示意圖。如圖2所示，從上往下具體描述，第1表示原始故障狀態(tài)(original)；第2表示使用范數(shù)作為目標(biāo)函數(shù)優(yōu)化；第3表示使用范數(shù)作為目標(biāo)函數(shù)優(yōu)化；第4表示使用范數(shù)作為目標(biāo)函數(shù)混合優(yōu)化；第5表示正交匹配追蹤算法；第6表示投影梯度算法?？梢钥闯雎?lián)合范數(shù)優(yōu)化算法精確度比其余算法明顯更高。

由此，通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

為了實(shí)現(xiàn)上述實(shí)施例，本發(fā)明還提出一種基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置。

圖3是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖。

如圖3所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置包括：處理模塊31、建立模塊32、推斷模塊33和求解模塊34。

其中，處理模塊31用于對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理。

建立模塊32用于根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型。

推斷模塊33用于通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)。

求解模塊34用于利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。

在本發(fā)明的一個(gè)實(shí)施例中，所述故障診斷的線性測(cè)量模型為：r＝ax+w，其中，a∈r^m×n為已知測(cè)量矩陣，r∈r^m為測(cè)量數(shù)據(jù)向量，為噪聲向量，x∈xⁿ為系統(tǒng)狀態(tài)變量。

在本發(fā)明的一個(gè)實(shí)施例中，推斷模塊的故障診斷為：

在本發(fā)明的一個(gè)實(shí)施例中，所述第一預(yù)設(shè)范數(shù)為范數(shù)和所述第二預(yù)設(shè)范數(shù)為范數(shù)、或者所述聯(lián)合范數(shù)為范數(shù)。

在本發(fā)明的一個(gè)實(shí)施例中，所述目標(biāo)優(yōu)化函數(shù)為：其中，λ為可調(diào)參數(shù)。

需要說(shuō)明的是，前述對(duì)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷方法實(shí)施例的解釋說(shuō)明也適用于本實(shí)施例基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，此處不再贅述。

綜上所述，本發(fā)明實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置，通過(guò)對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型，然后通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

為了本領(lǐng)域人員更加清楚上述實(shí)施例中的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置是如何具體基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，獲得求解結(jié)果。下面結(jié)合圖4和圖5具體說(shuō)明如下：圖4是根據(jù)本發(fā)明另一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置的結(jié)構(gòu)示意圖。

如圖4所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置包括：處理模塊31、建立模塊32、推斷模塊33和求解模塊34。

圖5是根據(jù)本發(fā)明一個(gè)實(shí)施例的基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷系統(tǒng)的結(jié)構(gòu)示意圖。

如圖5所示，該基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷系統(tǒng)包括：數(shù)據(jù)采集模塊a，聯(lián)合范數(shù)獲取模塊b和基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷裝置c。

具體地，圖5中的數(shù)據(jù)采集設(shè)備a獲取的工業(yè)系統(tǒng)(比如水電站系統(tǒng))中的故障狀態(tài)，將故障狀態(tài)輸入處理模塊31，接著處理模塊31能夠通過(guò)多個(gè)二值化處理方式對(duì)故障狀態(tài)進(jìn)行二值化處理。其中，不同的二值化處理方式得到的結(jié)果不同。

進(jìn)一步地，將處理結(jié)果輸入建立模塊32，接著建立模塊能夠通過(guò)處理結(jié)果比如無(wú)故障、輕度故障、中度故障和嚴(yán)重故障等建立一個(gè)線性測(cè)量模型。

進(jìn)一步地，將線性測(cè)量模型應(yīng)用到推斷模塊33中，推斷模塊33基于壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)的狀態(tài)。

最后，將系統(tǒng)的狀態(tài)輸入求解模塊34，圖5中具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)獲取模塊b，解模塊34利用b作為目標(biāo)函數(shù)對(duì)系統(tǒng)的狀態(tài)進(jìn)行優(yōu)化求解。

由此，通過(guò)對(duì)獲取的故障狀態(tài)進(jìn)行二值化處理，并根據(jù)處理結(jié)果建立故障診斷的線性測(cè)量模型，然后通過(guò)壓縮感知方法根據(jù)線性測(cè)量模型的測(cè)量數(shù)據(jù)推斷系統(tǒng)狀態(tài)，最后利用具有第一預(yù)設(shè)范數(shù)和第二預(yù)設(shè)范數(shù)的聯(lián)合范數(shù)作為目標(biāo)函數(shù)對(duì)系統(tǒng)狀態(tài)進(jìn)行優(yōu)化求解。由此，通過(guò)基于壓縮感知和聯(lián)合范數(shù)優(yōu)化的故障診斷，能夠使得求解結(jié)果精確度更高，提高故障診斷的準(zhǔn)確性和效率。

在本說(shuō)明書的描述中，參考術(shù)語(yǔ)“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說(shuō)明書中，對(duì)上述術(shù)語(yǔ)的示意性表述不必須針對(duì)的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說(shuō)明書中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

此外，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

流程圖中或在此以其他方式描述的任何過(guò)程或方法描述可以被理解為，表示包括一個(gè)或更多個(gè)用于實(shí)現(xiàn)定制邏輯功能或過(guò)程的步驟的可執(zhí)行指令的代碼的模塊、片段或部分，并且本發(fā)明的優(yōu)選實(shí)施方式的范圍包括另外的實(shí)現(xiàn)，其中可以不按所示出或討論的順序，包括根據(jù)所涉及的功能按基本同時(shí)的方式或按相反的順序，來(lái)執(zhí)行功能，這應(yīng)被本發(fā)明的實(shí)施例所屬技術(shù)領(lǐng)域的技術(shù)人員所理解。

在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認(rèn)為是用于實(shí)現(xiàn)邏輯功能的可執(zhí)行指令的定序列表，可以具體實(shí)現(xiàn)在任何計(jì)算機(jī)可讀介質(zhì)中，以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備(如基于計(jì)算機(jī)的系統(tǒng)、包括處理器的系統(tǒng)或其他可以從指令執(zhí)行系統(tǒng)、裝置或設(shè)備取指令并執(zhí)行指令的系統(tǒng))使用，或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用。就本說(shuō)明書而言，"計(jì)算機(jī)可讀介質(zhì)"可以是任何可以包含、存儲(chǔ)、通信、傳播或傳輸程序以供指令執(zhí)行系統(tǒng)、裝置或設(shè)備或結(jié)合這些指令執(zhí)行系統(tǒng)、裝置或設(shè)備而使用的裝置。計(jì)算機(jī)可讀介質(zhì)的更具體的示例(非窮盡性列表)包括以下：具有一個(gè)或多個(gè)布線的電連接部(電子裝置)，便攜式計(jì)算機(jī)盤盒(磁裝置)，隨機(jī)存取存儲(chǔ)器(ram)，只讀存儲(chǔ)器(rom)，可擦除可編輯只讀存儲(chǔ)器(eprom或閃速存儲(chǔ)器)，光纖裝置，以及便攜式光盤只讀存儲(chǔ)器(cdrom)。另外，計(jì)算機(jī)可讀介質(zhì)甚至可以是可在其上打印所述程序的紙或其他合適的介質(zhì)，因?yàn)榭梢岳缤ㄟ^(guò)對(duì)紙或其他介質(zhì)進(jìn)行光學(xué)掃描，接著進(jìn)行編輯、解譯或必要時(shí)以其他合適方式進(jìn)行處理來(lái)以電子方式獲得所述程序，然后將其存儲(chǔ)在計(jì)算機(jī)存儲(chǔ)器中。

應(yīng)當(dāng)理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來(lái)實(shí)現(xiàn)。在上述實(shí)施方式中，多個(gè)步驟或方法可以用存儲(chǔ)在存儲(chǔ)器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來(lái)實(shí)現(xiàn)。如，如果用硬件來(lái)實(shí)現(xiàn)和在另一實(shí)施方式中一樣，可用本領(lǐng)域公知的下列技術(shù)中的任一項(xiàng)或他們的組合來(lái)實(shí)現(xiàn)：具有用于對(duì)數(shù)據(jù)信號(hào)實(shí)現(xiàn)邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現(xiàn)場(chǎng)可編程門陣列(fpga)等。

本技術(shù)領(lǐng)域的普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法攜帶的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件完成，所述的程序可以存儲(chǔ)于一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，包括方法實(shí)施例的步驟之一或其組合。

此外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理模塊中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)模塊中。上述集成的模塊既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。所述集成的模塊如果以軟件功能模塊的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，也可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。

上述提到的存儲(chǔ)介質(zhì)可以是只讀存儲(chǔ)器，磁盤或光盤等。盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。