[發(fā)明專利]一種基于深度學(xué)習(xí)發(fā)現(xiàn)計(jì)量自動(dòng)化流水線故障診斷方法及診斷系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910059363.5
• 申請(qǐng)日: 2019-01-22
• 公開（公告）號(hào): CN109800894A
• 公開（公告）日: 2019-05-24
• 發(fā)明（設(shè)計(jì)）人: 區(qū)永健;龐皓元;楊璽;趙炳輝;張婉婷;黃欣純
• 申請(qǐng)（專利權(quán)）人: 廣東電網(wǎng)有限責(zé)任公司;廣東電網(wǎng)有限責(zé)任公司江門供電局
• 主分類號(hào): G06Q10/00
• 分類號(hào): G06Q10/00;G06Q50/06
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 陳偉斌

本發(fā)明涉及流水線故障診斷技術(shù)領(lǐng)域，且公開了一種基于深度學(xué)習(xí)發(fā)現(xiàn)計(jì)量自動(dòng)化流水線故障診斷方法，包括以下步驟，數(shù)據(jù)采集，用于采集智能設(shè)備和傳感器組反饋數(shù)據(jù)、系統(tǒng)運(yùn)行的日志數(shù)據(jù)和外部數(shù)據(jù)；數(shù)據(jù)標(biāo)準(zhǔn)化，對(duì)上述步驟中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并將處理后的數(shù)據(jù)通過kafka流處理平臺(tái)發(fā)送至Hive數(shù)據(jù)倉庫；基于Spark MLlib平臺(tái)對(duì)上述步驟中的數(shù)據(jù)進(jìn)行特征提取、模糊邏輯和標(biāo)簽分類，進(jìn)行機(jī)器學(xué)習(xí)，得出故障診斷模型；運(yùn)用上述步驟中的故障診斷模型對(duì)自動(dòng)化流水線進(jìn)行實(shí)時(shí)診斷，對(duì)故障進(jìn)行預(yù)警。該基于深度學(xué)習(xí)發(fā)現(xiàn)計(jì)量自動(dòng)化流水線故障診斷方法，可以根據(jù)采集到的數(shù)據(jù)通過深度學(xué)習(xí)構(gòu)建自動(dòng)檢定故障的算法模型，并根據(jù)采集到數(shù)據(jù)中的異常值來對(duì)故障進(jìn)行診斷。

技術(shù)領(lǐng)域

本發(fā)明涉及流水線故障診斷技術(shù)領(lǐng)域，具體為一種基于深度學(xué)習(xí)發(fā)現(xiàn)計(jì)量自動(dòng)化流水線故障診斷方法。

背景技術(shù)

隨著我國(guó)電力信息化建設(shè)的不斷深入和智能電網(wǎng)、人工智能技術(shù)的發(fā)展，智能化的計(jì)量設(shè)備需求日益增大，迫使計(jì)量檢定的自動(dòng)化、標(biāo)準(zhǔn)化、流程化，并向智能化方向發(fā)展以提高檢定質(zhì)量和效率，計(jì)量管理領(lǐng)域的一體化、智能化的研究正成為當(dāng)前廣泛研究的熱點(diǎn)課題之一。隨著自動(dòng)化檢定系統(tǒng)的建設(shè)，檢定設(shè)備的集成度、復(fù)雜度越來越高，依靠維修人員的經(jīng)驗(yàn)進(jìn)行維修維護(hù)變得越來越困難。人們對(duì)檢定流水線的依賴越來越大，一旦檢定流水線發(fā)生故障，造成的檢定工作失誤及損失是人工的幾倍甚至幾十倍。因此如何做好故障預(yù)警和快速定位故障是計(jì)量檢定人工智能發(fā)展的基礎(chǔ)，是計(jì)量檢定實(shí)現(xiàn)全自動(dòng)化和智能化的保障。

目前國(guó)內(nèi)各地檢定流水線這些智能化檢定環(huán)節(jié)通過各種傳感器技術(shù)、報(bào)文等方式收集系統(tǒng)運(yùn)行數(shù)據(jù)，系統(tǒng)通過收集單個(gè)硬件設(shè)備的數(shù)據(jù)，由硬件設(shè)備報(bào)錯(cuò)的方式進(jìn)行故障的報(bào)警，由于流水線越趨于復(fù)雜，產(chǎn)生了大量數(shù)據(jù)，硬件流水線廠商主要關(guān)注于硬件設(shè)備，對(duì)于流水線的歷史的數(shù)據(jù)并不做保存，不能使用大數(shù)據(jù)的方式對(duì)自動(dòng)化流水線進(jìn)行大數(shù)據(jù)的分析，分析不出影響流水線的關(guān)鍵點(diǎn)和產(chǎn)生影響的重要特征；在計(jì)量自動(dòng)化流水線中，各個(gè)設(shè)備相互協(xié)作并相互影響，現(xiàn)有的設(shè)備通過單個(gè)硬件報(bào)錯(cuò)，并沒有從整個(gè)流水線和流水線相互之間的影響去考慮和分析，整體診斷效果不好。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于深度學(xué)習(xí)發(fā)現(xiàn)計(jì)量自動(dòng)化流水線故障診斷方法。

為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是，主要包括以下步驟：

S1：數(shù)據(jù)采集，用于采集智能設(shè)備和傳感器組反饋數(shù)據(jù)、系統(tǒng)運(yùn)行的日志數(shù)據(jù)和外部數(shù)據(jù)；

S2：數(shù)據(jù)標(biāo)準(zhǔn)化，對(duì)步驟S1中采集的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并將處理后的數(shù)據(jù)通過kafka流處理平臺(tái)發(fā)送至Hive數(shù)據(jù)倉庫；

S3：深度學(xué)習(xí)，基于Spark MLlib平臺(tái)對(duì)步驟S2中標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行特征提取、模糊邏輯和標(biāo)簽分類，進(jìn)行機(jī)器學(xué)習(xí)，得出故障診斷模型；

S4：故障診斷，運(yùn)用S3中的故障診斷模型對(duì)自動(dòng)化流水線進(jìn)行實(shí)時(shí)診斷，對(duì)故障進(jìn)行預(yù)警。

優(yōu)選地，在步驟S2中，數(shù)據(jù)標(biāo)準(zhǔn)化采用采用算法進(jìn)行處理，將一列數(shù)值特征的值縮放成均值為0，方差為1的狀態(tài)。

優(yōu)選地，在步驟S3中，Spark MLlib平臺(tái)含有KMeans聚類算法、決策樹分類算法和神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，其中KMeans聚類算法的數(shù)學(xué)樣式為：決策樹分類算法的數(shù)學(xué)樣式為：

神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法的數(shù)學(xué)樣式為：

y＝f_θ(x)＝s(Wx+b)，x′＝g_θ′(y)＝s(W′y+b′)，L(x,x′)＝L(x,g(f(x)))。

優(yōu)選地，在步驟S3中，故障診斷模型采用Calinski-Harabaz指數(shù)來評(píng)估，對(duì)于k簇，Calinski-Harabaz得分s是作為簇間色散平均值與within-cluster群內(nèi)色散之間的比值給出的：