申请/专利权人：深制科技(苏州)有限公司

申请日：2020-12-03

公开（公告）日：2024-05-14

公开（公告）号：CN112417766B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/2321;G06F18/214;G06F18/24;G06N3/04;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.05.14#授权;2021.03.16#实质审查的生效;2021.02.26#公开

摘要：本发明公开了一种以无故障数据为主的故障诊断方法，在该方法中，其由两个模型构成，即故障数据检测模型以及故障分类模型。由这两个模型共同作用对以无故障数据为主的故障进行诊断。故障数据检测模型，主要由无故障数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络深度学习模型，其输入层为无故障数据的多维特征构成，其输出层由故障类型构成。利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型。基于此，在本发明专利中，对于几乎没有故障数据的情况，亦可通过该方法对故障进行识别及诊断。

主权项：1.一种以无故障数据为主的故障诊断方法，其特征在于，由两个模型构成，即故障数据检测模型以及故障分类模型，由这两个模型共同作用对以无故障数据为主的故障进行诊断，故障数据检测模型，主要由无故障数据的多维特征均值向量，多维特征协方差矩阵，以及由均值向量及协方差矩阵构建的概率密度函数构成；故障分类模型，则基于神经网络深度学习模型，其输入层为无故障数据的多维特征构成，其输出层由故障类型构成，利用故障数据检测模型确定输入数据是否为故障数据，确认故障数据后，再由故障分类模型确认其故障的类型；该方法包括以下步骤：1获取作为样本的设备信息，形成故障数据检测模型的数据集；2将数据集划分为训练集、交叉验证集和测试集；3确定故障数据检测模型训练集样本的均值；4确定故障检测模型训练集样本的协方差矩阵；5对故障数据检测模型训练集样本进行训练；6确定故障数据检测模型的阈值；7利用测试集样本对模型进行评估；8创建故障分类模型的训练集；9确定神经网络输入层及输出层神经元个数；10对故障分类模型训练集样本进行训练；11对相关内容进行预测；所述步骤1中，故障数据检测模型，用于检测与正常数据不同的故障数据，构建故障检测模型的数据集的方式：获取一段时间设备运行的所有信号及状态信息，且信号信息与状态信息一一对应，形成故障数据检测模型的数据集，其中数据集中每个样本均包含n个设备特征信息，已知数据集中包含p个正常样本和q个故障样本，且每个故障样本具有其对应的故障类型，假设有k种，其中pq，则数据集中第i个正常样本被定义为一个n维向量，记为xji＝[x1i,x2i,...,xni]，其中j∈n，i∈p，数据集中第h个故障样本被定义为一个n维向量，记为xjh＝[x1h,x2h,...,xnh]，其中j∈n，h∈q；所述步骤2中，按照一定的比例将故障数据检测模型的数据集划分为训练集、交叉验证集和测试集，假设p个正常样本按照3:1:1的比例划分到训练集、交叉验证集和测试集中；q个故障样本按照1:1的比例划分到交叉验证集和测试集中；所述步骤3中，已知训练集单个样本为一个n维向量，则训练集样本的均值由公式1获得，记为μ，其中m为样本个数： 所述步骤4中，训练集样本的协方差矩阵是一个大小为n×n维度的矩阵，由公式2获得，记为Σ： 所述步骤5中，已知样本的n个设备特征信息符合多元高斯分布，根据样本的均值和协方差矩阵构建概率密度函数px，即故障数据检测模型，如公式3所示： 所述步骤6中，使用不同的阈值，将交叉验证集的样本代入到不同阈值下的概率密度函数px中，并通过模型的查准率与查全率，确定模型的阈值最优解ε；所述步骤7中，确定故障数据检测模型的阈值后，将测试集样本代入到故障数据检测模型中，通过误分类的比例来评估模型的好坏；所述步骤8中，将数据集中所有故障样本作为故障分类模型的训练集D，其中每个样本都有对应的标签，即故障类型，已知有k种；所述步骤9中，依据故障分类模型训练集样本的大小和标签个数，创建神经网络输入层和输出层的神经元个数，神经网络输入层和输出层神经元个数分别为n个和k个；所述步骤10中，将所有故障分类模型的训练集样本转化为样本矩阵，该样本矩阵的行数为训练集样本的个数，列为单个样本的长度即n维向量，代入到已经定义好的神经网络中，并选取激活函数，为Tanh、Sigmoid、ReLu或Softmax，通过计算得到相应的权值矩阵，最终得到符合预期的网络结构；所述步骤11中，对于给定的设备特征信息，通过向量化处理后，将其先代入到故障数据检测模型中，计算概率密度函数px的取值，当取值小于阈值时，表示该数据为异常数据；再将其代入已经训练好的故障分类模型中，依据神经网络对其进行预测，判断故障的类型。

全文数据：

权利要求：

百度查询： 深制科技(苏州)有限公司 一种以无故障数据为主的故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD