[發(fā)明專利]一種分層故障診斷模型及方法

有效

• 申請?zhí)枺?/td>: 201910347493.9
• 申請日: 2019-04-26
• 公開（公告）號: CN110032174B
• 公開（公告）日: 2020-08-11
• 發(fā)明（設(shè)計）人: 常相茂;蘇善婷
• 申請（專利權(quán)）人: 南京航空航天大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 上官鳳棲

1.一種分層故障診斷模型，其特征在于，包括：本地監(jiān)測層、故障分類層和決策層；

所述本地監(jiān)測層包括帶各類傳感器和微處理器的物聯(lián)網(wǎng)節(jié)點，負責采集數(shù)據(jù)、發(fā)現(xiàn)故障并及時上報給故障分類層；本地監(jiān)測層通過稀疏自編碼機算法對原始信號進行處理，判斷設(shè)備是否出現(xiàn)故障，當設(shè)備運行正常時，不發(fā)送任何數(shù)據(jù)，當檢測到故障時，將故障數(shù)據(jù)發(fā)送到故障分類層；

所述故障分類層包括靠近物聯(lián)網(wǎng)節(jié)點的匯聚節(jié)點，負責對接收到的故障數(shù)據(jù)進行特征提取，通過將在決策層訓練好的隨機森林模型嵌入?yún)R聚節(jié)點，實現(xiàn)對故障分類并識別未知故障；

所述決策層負責整個系統(tǒng)知識的自我學習和更新，通過處理故障分類層發(fā)送上來的未知故障信號，將其正確分類，從中學習其特征并實時更新故障分類層的分類模型。

2.一種采用如權(quán)利要求1所述的分層故障診斷模型的分層故障診斷方法，包括：

1)本地監(jiān)測層的處理流程如下：

由設(shè)備上的正常數(shù)據(jù)訓練稀疏自編碼機；

將訓練好的稀疏自編碼機嵌入本地設(shè)備中，設(shè)備的感知數(shù)據(jù)輸入訓練好的稀疏自編碼機，輸出學習后的數(shù)據(jù)；

將輸出數(shù)據(jù)與正常數(shù)據(jù)做差值，差值超過規(guī)定的閾值的為故障數(shù)據(jù)；

2)故障分類層的處理流程如下：

根據(jù)訓練樣本數(shù)據(jù)集構(gòu)建隨機森林模型，其中包含多棵隨機樹；

在每棵樹中，對于落入相同葉子結(jié)點的實例構(gòu)建球；

對于測試實例，如果其落在球內(nèi)，則為已知故障，其故障類型為該球標簽，如果其落在球外，則為未知故障；

3)決策層的處理流程如下：

確定聚類數(shù)目范圍；

對于第N次聚類，計算每個數(shù)據(jù)的輪廓系數(shù)，最佳聚類數(shù)目為其最大值所對應(yīng)的數(shù)目；

根據(jù)最佳聚類數(shù)目輸出k-means聚類結(jié)果；

根據(jù)聚類結(jié)果重新更新故障分類層。

3.如權(quán)利要求2所述的分層故障診斷方法，其特征在于：本地監(jiān)測層檢測故障的具體步驟如下：

S1：提前收集設(shè)備正常運行時的感知數(shù)據(jù)訓練稀疏自編碼機，獲得正常數(shù)據(jù)特征，h_ij為正常數(shù)據(jù)即訓練數(shù)據(jù)x_i通過稀疏自編碼機學習后的輸出數(shù)據(jù)的第j個特征；

S2：將訓練好的稀疏自編碼機嵌入物聯(lián)網(wǎng)節(jié)點中，設(shè)備的感知數(shù)據(jù)輸入訓練好的稀疏自編碼機后，輸出處理后的特征數(shù)據(jù)h'_ij為測試數(shù)據(jù)x'_i通過稀疏自編碼機學習后的輸出數(shù)據(jù)的第j個特征；

S3：計算正常數(shù)據(jù)類的輸出特征中心n表示訓練數(shù)據(jù)個數(shù)；

S4：計算h_ij與M_j之間的歐幾里德距離d_ij＝||h_ij-M_j||；

S5：計算特征閾值矩陣

S6：比較輸出數(shù)據(jù)特征與正常數(shù)據(jù)特征的歐幾里德距離，如果h'_ij-M_j＞kθ_j，其中k是控制閾值，則認定x'_i為故障數(shù)據(jù)，將故障數(shù)據(jù)發(fā)送到故障分類層。