一种基于自适应特征提取的工业故障诊断方法及应用

摘要

本发明公开了一种基于自适应特征提取的工业故障诊断方法及应用，属于工业过程监控与诊断技术领域。首先，对工业采集数据进行数据特性分析，针对不同的数据特性选用合适的特征提取方法。其次，采用Hidden Markov model方法实现故障分类。本发明针对工业数据的多样性，如线性、非线性以及非高斯性等特征，采用自适应特征提取方法，以达到最大程度保留有效信息的目的，并且利用隐马尔科夫模型极强的动态过程时间序列建模能力和时序模式分类能力，对工业过程的故障进行分类，因此与其它现有的方法相比，由于充分考虑了数据特性，本发明方法对于工业故障诊断具有更高的准确率。

主权项

一种基于自适应特征提取的工业故障分类方法，其特征在于，该方法的步骤如下：步骤一：离线建模，对工业过程采集的离线数据，进行数据特性分析，针对不同的数据特性选用适合的特征提取方法，将提取后的特征作为隐马尔科夫模型(HMM)的观测序列，训练隐马尔科夫模型；步骤二：在线诊断，对在线采集的数据进行数据特性分析，针对不同的数据特性选用适合的特征提取方法，得到相应的观测序列后，选择最匹配的HMM模型，从而判断故障类型。