就实 现了对故障样本进行自适应性的状态分割的目标，为下步故障特征提取做好准备。
[0142] 步骤3:对故障样本分割数据段进行特征提取；
[0143] 本步骤实现对当前故障样本每个分割数据段提取斜率、时间比例、均值、方差等数 学特征。
[0144] 比如，将故障样本护经步骤2分割为4]运X个分割数据段。从义据段开 始进行特征提取。
[0145] 特征提取的具体操作如下：
[0146] 由于打数据段夫
电阵形式，行为时间点数，列为测点数。
[0147] 按照测点的维度（列）进行特征提取，主要特征有:斜率k、时长1、均值m、方差V四 种。
[0148] b
为例，介绍如何进行相关特征提取工作：
[0149] 依据最小二乘法原理对此向量进行线性拟合，拟合结果为一次方程p(x)=a〇i+ aiix。故而斜率特征k = aii;
[0150] 时长特征1为巧向量长度，即l=h;
[0151] 均值特征m为可向量所有数值的平均，即
；
[0152] 方差特征V为向量所有数值离均值的波动幅度之和，即
[0153] 运样分割数据段
；
[0154] 剩余的~方按照上述的操作方法进行特征提取，将原始的时域数据矩阵转化为 数学特征矩阵。
[0155] 最终分割数据段集合[./Γ;/;...，./Γ]转化为运样的形式：
[0156]
[0157] 步骤4:进行故障特征转化，消除特征量纲；
[0158] 1斜率k转化为倾斜角度α:由于k的取值范围为[-w，+w]，为了防止相似的两个故 障样本由于拟合误差的存在产生斜率数值的过大差异最终导致误判，我们通过反正切函数 将斜率数值转化成角度数值，W实现特征量纲的消除。斜率特征转化公式为:au = arctan (kij)其中ie [1，x]; je [1，n;]
[0159] 2时长1转化为时间比例p:在故障样本长度不同的情形下，分割时长并不能代表真 实有效的分割阶段长短，也容易产生误判，故而应当除W原故障样本的整体长度，W消除时 长特征的量纲。时长特征转化公式为：^其中i E [ 1，X]; 巧？
[0160] 3均值特征m归一化:在故障样本分割数目不同的情形下，均值大小并不能代表真 实有效的分割阶段数值特点，也容易产生误判，故而应当除W原故障样本的全体数值总量， W消除均值特征的量纲。时长特征转化公式为：
i中i e [ 1，X]; j e [ 1，η];
[0161] 最终故障样本的特征矩构
转化 为消除量纲於
；1)运样的矩阵形式；
[0162] 步骤5:计算模式距离阔值；
[0163] 本步骤的目的是求取步骤1中所获取的全部样本两两之间模式距离，并且计算出 每种故障类别的距离阔值。
[0164] 经过W上的四个步骤，所有的故障样本数据{Fi，F2, ...，FS}全部转化为类似式（1) 特征矩阵形式集合. .，fms}。接下来需要使用动态时间弯曲方法(DTW)计算同类 故障样本中两两不同样本的模式距离，依据计算结果确定每类故障的模式距离阔值。
[0165] W下介绍通过动态时间弯曲(DTW)法计算模式距离的具体操作：
[0166] 1假设故障类型I下有两个样本特征矩阵Ια和Ib，具体形式如下所示：
[0169] 其中，曰1。= 1，2，...，义）屯〇 = 1，2，...，义'）分别为两个样本特征矩阵14和16的 行向量，代表了各自故障样本的每个分割数据段在所有测点维度上的数学特征表现。
[0172] 其中，T[i:-]表示特征矩阵T的第i个行向量到最后一个行向量组成的多元序列； [01 7引MDbase(ai也读示与的分割数据段欧式距离，其具体计算方法如下所示：
[0170] 2同故障类型下两个样本Sa和Sb的特征矩阵Ia、Ib的模式距离，结合附图2按照动态 时间弯曲原理确定其最优途径，将Ια和Ib行向量进行复制和拉伸，达到满足两个样本特征矩 阵列长度对齐相等的条件下Ια和Ib的模式距离计算结果最小。Sa和Sb的模式距离计算公式 为：
[0171]
[0174]
[01巧]其中，eud(X，Y)表示求取两个向量Χ、Υ的欧式距离，即
Ε、λ、ρ、ω四个 变量代表着倾斜角度α、时间比例Ρ、均值比例Τ、方差V四个特征在计算模式距离中所占的权 重值。ε、λ、ρ、ω四个变量之和为1，本发明中全部设置成0.25
[0176] 依照W上介绍的DTW计算方法，可求得两个样本Sa和Sb的模式距离为
[0177] 若故障类型I中有d个故障样本，按照排列组合的方式需要按上述计算方式获得
个模式距离结果。而故障类型I的模式距离 阔值化1应该为向量Ι?的最大值m<r、( η )
[0178] 依据上述方式可计算得所有故障类型的模式距离阔值，组成模式距离阔值向量：
[0179] Thsets = [Thi，Th2,. . .，Thx]
[0180] 步骤6:整合有用信息生成故障模式知识库；
[0181] 故障知识库中有用信息应当包含W下几部分：
[0182] 1所有故障样本提取出的特征矩阵集合FM={fmi，fm2,. . .，fms}(s为故障样本的数 目）；
[0183] 2各个故障类型相关的测点名称集合PT={pti，pt2, . . .，ptxKx为故障类型的种类 数目）；
[0184] 3各个故障类型相对应的模式距离阔值向量化sets = [Thi，Th2,...，化x](x为故障 类型的种类数目）。
[0185] 为了将两部分信息(故障特征矩阵和模式距离阔值)彼此关联起来，本发明按照W 下方式将故障信息存储生成故障知识库：
[0186]
[0187] 图1(右)为本发明模型运行的流程图，整个运行过程主要包括W下6个步骤：
[0188] 步骤1:从实时数据库中获取异常样本信息；
[0189] 依据电厂的设备状态预警系统发现该设备出现某种未知的异常状态，进行如下的 相关操作：1从预警系统中确定该设备警报产生时间tl和截止时间t2;
[0190] 2从预警系统中确定该设备警报的相关观测点WP=[X1，X2, . . .，Xn'];
[0191 ]根据产生时间tl和截止时间t2，W及数据库采样频率f s，可得时间点数m = f s X (t2-ti)，设备测点数目n = length([xi,X2, . . .，Xn'])(length计算长度函数）。
[0192] 运样，获取的异常样本数据是一测点数为η'、时间点数目为m的样本数据，在j时刻 的全部测点数据可看成一个η '维的列向量，表示为：
[0193] v(tj) = [vjl,Vj2,Vj3, . . . ,Vjn']
[0194] 该样本数据文件保存为m X η '的矩阵形式，具体形式如下：
[0195]
[0196] 按照上述方法，，获取的异常样本存储形式:行运个维度代表m个故障时间，列运个 维度代表η'个设备观测点。
[0197] 步骤2:对当前的异常样本进行分段线性拟合；
[0198] 主要是根据异常样本整体发展趋势进行自适应性的状态分割，为后续的故障特征 提取进行数据预处理准备。本步骤按照模型训练阶段的分段线性拟合此方法进行操作：
[0199] 2.1均值滤波操作
[0200] 设置异常样本F的样本长度0.1倍作为滤波模板长度，依据均值滤波原理对渗杂 在异常样本中每个测点的噪声污染进行滤波消除。具体操作可见模型训练阶段步骤2.1。
[0201] 异常样本数据所有测点依次按照相应步骤完成滤波操作，运样异常样本数据f转 化为F，形式为：
[0202]
[0203] 2.2异常样本分段初始化
[0204] 对滤波处理后的异常样本歹>进行分段初始化，每2条数据分成1个数据段，由于异 常样本数据长度为m，则将其分为f个最细致的数据段;若m为奇数，则最后一段由3条数据 组成，最终分为个最细致的数据段。分段的初始化效果为：
[0205]
[0206] 其中：
[0207] 2.3初始化数据段两两合并计算拟合误差
[0208] 对步骤2.2异常样本分段初始化后生成的f (或者个数据段，令每个数据段 和其右相邻的数据段按照最小二乘法原理进行拟合W实现合并，并计算所有测点产生的拟 合误差和。
[0209] 当全部的-*^(或者^)个数据段两两合并完成之后，有立个结果生成，1分割数据
段集介^二[.7λ7!…小2拟合误差向量 3样本整体分割位置向量 - 4：
[0210] 2.4递归合并确定异常样本分段切割点
[0211] 本步骤具体操作参考模型构建阶段，W上分割的^个数据段通过递归合并的方式 不断将产生最小拟合误差的相邻两数据段进行合并，会产生更新后的3个结果，1是分割数 据段集合戶二氏:方...、7!]:二是拟合误差向量云二[巧，馬，...乂 I] 是样本整体分割位 置向量..厂、J(其中X为样本数据最终分割的数目）。至此就实现了对异常样本 进行自适应性的状态分割的目标，F二[7:;7;;...式]为下步异常特征提取的操作对象。
[0212] 步骤3:对分段拟合后的数据进行异常特征提取与转化；
[0213] 本步骤实现对当前异常样本分割后的每个数据段提取斜率、时间跨度、均值、方差 4个数学特征。
[0214]比如，将异常样本F经步骤2分割对…A1送X个分割数据段。特征提取的 具体操作可W参考模型构建阶段的步骤3。
[0215]每个分割数据段
巧按照测点的维度进行提取相应斜率k、时间 跨度1、均值m、方差V等特征，提取完成之后的结果是：
[0216]
[0217]当异常样本的所有分割数据段均按照上述方式进行特征提取，长度为X的分割数 据段向量[7:万;;...，71]可W转化为如下特征矩阵形式：
[021 引
[0219] 为了防止在计算模式距离的时候，异常样本跟相似的故障样本由于W下几个原因 的存在会导致最终的误判：
[0220] 1拟合误差的存在导致斜率数值的过大差异，解决方式为通过反正切函数将斜率 数值k转化成角度数值α，W实现特征量纲的消除；
[0221] 2在故障样本长度不同的情形下，分割时长1并不能代表真实有效的分割阶段所占 比例，容易产生误判，应当除W原故障样本的整体长度m，W消除时长特征的量纲；
[0222] 3在故障样本分割数目不同的情形下，均值大小并不能代表真实有效的分割阶段 数值特点，也容易产生误判，故而应当除W原故障样本的全体数值总量，W消除均值特征的 量纲。
[0223] 消除量纲的具体操作方法可见模型构建阶段的步骤4的特征转化公式。运样经过 转化，特征转换为如下无量纲形式：
[0224]
[02巧]异常样本兵转化为上述特征矩阵屏^后，就可进