[發明專利]一種兩階段的設備故障診斷方法

在審

• 申請號: 201711033505.8
• 申請日: 2017-10-30
• 公開（公告）號: CN107862375A
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 焦亞森;王金龍;方志;鄭箘
• 申請（專利權）人: 北京計算機技術及應用研究所
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 中國兵器工業集團公司專利中心11011
• 代理人: 王雪芬

技術領域

本發明涉及設備故障診斷技術領域，具體涉及一種兩階段的設備故障診斷方法。

背景技術

在設備維修保障的整個流程中，設備的故障現象(或故障征兆)和故障原因(或故障單元)之間的關系復雜，且具有隨機性和不確定性等特點。

傳統的故障診斷方法因其缺乏不精確條件下的推理能力和自主學習能力，暴露出故障診斷效率低、成本高等弊病。

早期的故障診斷方法過分依賴于領域專家或經驗豐富的維修人員的判斷，造成診斷故障的過程具有極強的主觀性且成本過高。

一般的預測方法，將所有的特征序列的獲取時間先后順序因素忽略，導致失去了時間信息，使得預測的準確性以及合理性大幅度的下降。

大多數的故障診斷方法將故障類型與無故障作為同一個層次的數據進行處理，然而在現實情況下，正常情況要遠遠多于故障情況。將不平衡的數據一起處理將會導致過擬合的現象出現，使得故障預測效果不具有可信性。

發明內容

(一)要解決的技術問題

本發明要解決的技術問題是：如何設計針對設備維修保障的故障診斷方法，提升預測的準確度和可解釋性。

(二)技術方案

為了解決上述技術問題，本發明提供了一種兩階段的設備故障診斷方法，包括以下步驟：

步驟1、數據處理步驟：根據傳感器采集到的數據，對數據進行清洗以及統一化處理；

步驟2、基于案例搜索的故障診斷步驟：對于采集到的數據在事先建立好的案例庫中通過K近鄰方法進行搜索，基于預設的閾值，對于搜索到的案例，返回對應的故障類型信息后結束，對于沒有搜索到的案例繼續執行步驟3；

步驟3、基于時間特征的故障判斷步驟：根據廣義自回歸條件異方差模型對獲得的設備狀態特征數據進行計算，根據此值對設備的故障與否進行判斷；若判斷為存在故障，則繼續執行步驟4，否則返回不存在故障的信息后結束；

步驟4、基于層次的深度神經網絡故障預測步驟：根據診斷對象的特點，對系統進行分解，建立合適的層次分類模型，利用層次分類模型計算獲得對應的故障類型。

優選地，步驟1具體包括：

步驟11：采用基于均值的數據補全方法處理缺失數據：存儲基于當前時間的前后5條數據，將均值作為數據的填充依據；

步驟12：對于冗余數據，采用序列相似度方法來進行冗余數據的消除：序列相似度采用特征向量之間的歐式距離之和作為衡量標準，并設置閾值，大于閾值的數據則判定為冗余數據被丟棄，序列相似度計算公式如下：

其中，a_f表示收到的第f個特征向量，a_e表示a_f前收到的10個特征向量中的第e個，Sim(a_f,a_e)表示a_f與a_e之間的歐式距離；

步驟13：采用0-1值法對數據進行離散化：對于采集到的全部數據的每一維計算平均值作為閾值，對于大于等于閾值的數據置為1，小于閾值的數據置為0。

優選地，步驟2具體包括：

步驟21：推理步驟：輸入當前設備的基本信息，在案例庫中檢索相似案例，若有相似案例則給出故障診斷結論與解決措施，若無相似案例則轉入基于時間序列的深度神經網絡模型中，案例采取基于K-近鄰匹配的檢索方式進行檢索，案例采取基于K-近鄰匹配的檢索方式進行檢索具體步驟為：

每個案例包含m種特征，故障案例C_i(i＝1，2，...，n)可用一個m維向量表示：A_i＝(a_i1，a_i2，...，a_im)，a_ij(j＝1，2，...，m)是故障案例C_i的第j個特征的取值；

案例間的相似度定義為：

其中，0≤Sim(C_i，C_j)≤1；ω_k表示案例特征向量中第k個特征的權值，且

優選地，步驟3具體包括：

步驟31：針對獲取的設備狀態信息序列的時間序列化的特點，采用廣義自回歸條件異方差模型GARCH對設備按時間序列反饋的數據特征向量進行建模，根據得到的計算結果判斷是否故障；

采用廣義自回歸條件異方差模型GARCH對設備按時間序列反饋的數據特征向量進行建模具體為：

時間序列X_t：