[發明專利]一種基于合成少數類過采樣和深度學習的故障預測方法

在審

• 申請號: 201811619342.6
• 申請日: 2018-12-28
• 公開（公告）號: CN109871862A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 房紅征;任帥;楊浩;熊毅;隋景峰;余家豪;羅凱;樊煥貞;王菲
• 申請（專利權）人: 北京航天測控技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 郭德忠;李愛英

1.一種基于合成少數類過采樣和深度學習的故障預測方法，其特征在于，包括以下步驟：

S1：獲取故障原始數據，統計故障原始數據中各故障樣本類別的樣本數目，若樣本數目大于預設閾值，則該故障樣本類別為多數類，若不大于，則該故障樣本類別為少數類；

S2：采用K-Means方法對少數類中的樣本進行聚類，得到類簇，其中類簇的數量用R表示；

S3：采用離差平方和法，分別獲取步驟S2中各類簇與所述多數類的距離，將距離最小者對應的類簇作為噪聲類簇，并將噪聲類簇從步驟S2中的類簇中刪除，剩余R-1個類簇；

S4：采用KNN法，將步驟S3中剩余的每一個類簇中的樣本劃分為噪聲類樣本、故障類樣本以及風險類樣本，然后將各類簇中的噪聲類樣本刪除，得到R-1個更新類簇；

S5：依次對各更新類簇分別執行風險故障選擇操作，得到各更新類簇的輸出樣本，其中，所述風險故障選擇操作具體為：

設定一個隨機數α∈[0,1]，并將更新類簇中故障類樣本的數量表示為s，風險類樣本的數量表示為d，且令

若則選擇風險類樣本作為輸出樣本，否則選擇故障類樣本作為輸出樣本；

S6：依次將步驟S5中各更新類簇的輸出樣本中的每一個樣本作為中心樣本，然后基于中心樣本執行倍增操作，得到各中心樣本的倍增樣本，則各輸出樣本中各樣本對應的倍增樣本的集合為倍增樣本集合，其中，所述倍增操作的具體步驟為：

在中心樣本的K個最近鄰樣本點中隨機選擇N個近鄰樣本，其中N至少為2；

所述N個近鄰樣本分別與中心樣本進行隨機的線性插值，得到的N個更新樣本為所述倍增樣本；

S7：將各個倍增樣本集合、步驟S4中所述的剩余類簇以及步驟S1中所述的多數類進行樣本融合，得到融合樣本；

S8：將融合樣本按照設定比例分為訓練樣本和測試樣本，然后采用訓練樣本訓練CNN與LSTM的組合分類器，再采用訓練好的CNN與LSTM的組合分類器對測試樣本進行故障預測。

2.如權利要求1所述的一種基于合成少數類過采樣和深度學習的故障預測方法，其特征在于，步驟S2所述的采用K-Means方法對少數類中的樣本進行聚類，得到R個類簇，具體為：

S201：假設少數類樣本集合P為{x⁽¹⁾,…x⁽ⁱ⁾…,x^(m)}，其中，x⁽ⁱ⁾表示第i個樣本，i＝1,2,…,m，m表示少數類樣本集合P中樣本的數量；

S202：從少數類樣本集合P中隨機選取R個樣本作為聚類質心，然后根據R個聚類質心進行聚類操作，得到R個類簇，其中，所述聚類操作具體為：分別獲取未被選作聚類質心的剩余樣本與各聚類質心的歐式距離，對于每一個剩余樣本，將與其歐式距離最短的聚類質心作為自身所在類簇的聚類中心，則得到R個類簇；

S203：分別對每個類簇執行質心更新操作，得到R個更新質心，其中，所述質心更新操作具體為：

將類簇中各樣本與當前的聚類質心的歐式距離進行求和，所得和值再除以該類簇中所有樣本的個數，得到該類簇的更新質心；

S204：判斷更新質心與更新之前的聚類質心是否相同：

若相同，則將R個更新質心作為最終的聚類質心，并根據最終的聚類質心進行聚類操作，得到最終的R個類簇；

若不相同，則將R個更新質心代替步驟S202中的聚類質心，然后重復步驟S202～S204，直到當前的更新質心與上一次質心更新操作得到的更新質心相同。