[發明專利]基于小樣本下的故障預測系統及其預警方法

有效

• 申請號: 202010176870.X
• 申請日: 2020-03-13
• 公開（公告）號: CN111275136B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 王超;侯劍平;王康;朱俊濤;王景運;劉聰
• 申請（專利權）人: 安圖實驗儀器（鄭州）有限公司
• 主分類號: G06F18/2431
• 分類號: G06F18/2431;G06F18/15;G06F18/27;G06F18/214;G06F18/21;G06F18/25
• 代理公司: 鄭州異開專利事務所(普通合伙) 41114
• 代理人: 韓華

1.一種基于小樣本下的故障預測系統，其特征在于：包括下述模塊：

數據清洗模塊,?用于對系統數據進行缺失填補、平滑處理、剔除冗余樣本，并將清洗好的數據傳輸到特征工程模塊中提取相應的特征數據；

所述特征工程模塊，用于構造故障發生時間一階差分特征、傳感器數據異常值識別及異常統計型特征；

特征選擇模塊，用于分別基于L1正則化特征系數算法、基于加權均方誤差減少量算法、基于特征在所有樹中分割節點個數和算法，篩選出關鍵基特征，對這些所述基特征分別輸入到回歸器模塊；

所述回歸器模塊，采用K-折交叉驗證及網格搜索方法，對回歸模型進行訓練及調整參數，使所述回歸模型達到預先設定的預測精度，同時利用訓練好的所述回歸器模塊對測試數據進行預測；

模型融合模塊，用于將所述回歸器模塊訓練好的多個模型采用加權融合方法，構造最終的預測結果。

2.一種如權利要求1所述基于小樣本下的故障預測系統的預警方法，其特征在于：包括下述步驟：

步驟1，建立訓練樣本數據庫；所述訓練樣本數據庫包含待預警設備的歷史故障數據，包括：故障碼類型、故障發生時間、設備運行參數、設備狀態參數、設備編號、設備類型、設備地理信息、設備安裝時間；

步驟2，通過數據清洗模塊對系統數據進行缺失填補、平滑處理、剔除冗余樣本，并將清洗好的數據傳輸到特征工程模塊中提取相應的特征數據；

步驟3，所述特征工程模塊，通過所述特征數據構造故障發生時間一階差分特征、傳感器數據異常值識別及異常統計型特征；

步驟4，采用特征選擇模塊，分別基于L1正則化特征系數算法、基于加權均方誤差減少量算法、基于特征在所有樹中分割節點個數和算法，篩選出關鍵基特征，對這些所述基特征分別輸入到回歸器模塊；

步驟5，所述回歸器模塊，采用K-折交叉驗證及網格搜索方法，對回歸模型進行訓練及調整參數，使所述回歸模型達到預先設定的預測精度，同時利用訓練好的所述回歸器模塊對測試數據進行預測；

步驟6，通過模型融合模塊將所述回歸器模塊訓練好的多個模型采用加權融合方法，構造最終的預測結果。

3.根據權利要求2所述基于小樣本下的故障預測系統的預警方法，其特征在于：步驟3中，所述特征工程模是基于Isolate?Forest算法對所述傳感器數據異常值識，從而統計各類傳感器異常值并作為統計特征，接著基于最大熵算法對傳感器異常值數據進行打分，獲取各樣本綜合得分，最后采用滑窗法構造故障發生時間一階差分特征。

4.根據權利要求3所述基于小樣本下的故障預測系統的預警方法，其特征在于：所述Isolate?Forest算法通過遍歷多個二叉樹，分別計算每個樣本落在每個所述二叉樹的第幾層，并計算出平均高度，從而根據預設的閾值判斷樣本是否為異常樣點。

5.根據權利要求3所述基于小樣本下的故障預測系統的預警方法，其特征在于：所述Isolate?Forest算法從訓練數據中隨機選擇多個點樣本作為子樣本，放入樹的根節點。

6.根據權利要求3所述基于小樣本下的故障預測系統的預警方法，其特征在于：所述Isolate?Forest算法隨機指定一個維度，在當前節點數據中隨機產生一個切割點p，所述切割點p產生于當前節點數據中指定維度的最大值和最小值之間；根據切割點p生成了一個超平面，然后將當前節點數據空間劃分為2個子空間，即：a、把指定維度里小于切割點p的數據放在當前節點的左子節點，把大于或等于切割點p的數據放在當前節點的右子節點；b、然后在子節點中遞歸步驟a，不斷構造新的子節點，直到子節點中只有一個數據，即無法再繼續切割，或子節點已到達限定高度。

7.根據權利要求2所述基于小樣本下的故障預測系統的預警方法，其特征在于：所述特征系數算是基于L1正則化的特征系數算法，其中損失函數為：

其中為所有特征的系數、xⁱ代表第i個樣本的輸入，yⁱ代表第i個樣本的輸出，為L1正則項。