[發明專利]一種故障診斷邏輯算法及系統

在審

• 申請號: 202010845592.2
• 申請日: 2020-08-20
• 公開（公告）號: CN112001440A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 余博;杜賓賓;王克
• 申請（專利權）人: 蘇州鴻哲智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06F17/16
• 代理公司: 成都魚爪智云知識產權代理有限公司 51308
• 代理人: 王珍

1.一種故障診斷邏輯算法，其特征在于，包括如下步驟：

分別獲取正常工況下的訓練樣本集和異常工況下的測試樣本集；

計算正常工況下的樣本均值和標準差并進行均值歸一化預處理；

計算異常工況下的樣本均值和標準差并進行白化預處理；

將預處理后的訓練樣本集輸入LASSO稀疏模型進行訓練以得到訓練好的LASSO稀疏模型；

將訓練樣本集以及測試樣本集分別輸入訓練好的LASSO稀疏模型進行處理；

將經稀疏模型處理后的訓練樣本集以及測試樣本集輸入權重矩陣的輸入層，通過權重矩陣的間隱層與輸出層，分別得到訓練特征矩陣和測試特征矩陣；

將訓練特征輸入邏輯回歸二分類模型進行訓練，獲取最優回歸參數向量及訓練好的邏輯回歸二分類模型；

通過訓練好的邏輯回歸二分類模型以及最優回歸參數向量，進行預測測試特征的概率并輸出診斷結果。

2.如權利要求1所述的一種故障診斷邏輯算法，其特征在于，所述訓練特征包括：

根據訓練好的稀疏過濾模型進行特征學習得到訓練樣本的訓練特征。

3.如權利要求1所述的一種故障診斷邏輯算法，其特征在于，所述進行預測測試特征的概率包括：

獲取正常工況和異常工況下的測試樣本集。

4.如權利要求3所述的一種故障診斷邏輯算法，其特征在于：

根據正常工況下的測試樣本均值和標準差進行預處理。

5.如權利要求4所述的一種故障診斷邏輯算法，其特征在于：

根據訓練好的稀疏過濾模型進行特征學習得到測試樣本的測試特征。

6.如權利要求1所述的一種故障診斷邏輯算法，其特征在于，所述分別獲取正常工況的訓練樣本集和異常工況下的測試樣本集包括:

訓練樣本集為α×β的矩陣，α為樣本個數，β為變量個數，通過第一預設算法獲取均值歸一化預處理后的訓練樣本集。

7.如權利要求6所述的一種故障診斷邏輯算法，其特征在于：

將經過均值歸一化預處理后的數據進行白化預處理，通過第二預設算法獲取訓練樣本集的協方差矩陣，所述訓練樣本集的協方差矩陣的維度為β×β。

8.如權利要求1所述的一種故障診斷邏輯算法，其特征在于，所述通過訓練好的邏輯回歸模型以及最優回歸參數向量，進行預測測試特征的概率并輸出診斷結果包括：

初始化邏輯回歸二分類模型的參數θ，然后通過預測函數求解樣本屬于1類的概率；

對損失函數J(θ)采用梯度下降法求解出最優化的邏輯回歸二分類模型的參數θ；

將訓練好的邏輯回歸二分類模型用于測試樣本預測；

判斷測試樣本預測的概率值是否大于第一預設值，若是，則判定為故障，若不是，則判定為正常。

9.一種故障診斷邏輯系統，其特征在于，包括：

獲取模塊，用于分別獲取正常工況下的訓練樣本集和異常工況下的測試樣本集；

第一計算模塊，用于計算正常工況下的樣本均值和標準差并進行均值歸一化預處理；

第二計算模塊，用于計算異常工況下的樣本均值和標準差并進行白化預處理；

第一訓練模塊，用于將預處理后的訓練樣本集輸入LASSO稀疏模型進行訓練以得到訓練好的LASSO稀疏模型；

處理模塊，用于將訓練樣本集以及測試樣本集分別輸入訓練好的LASSO稀疏模型進行處理；

第三計算模塊，用于將經稀疏模型處理后的訓練樣本集以及測試樣本集輸入權重矩陣的輸入層，通過權重矩陣的間隱層與輸出層，分別得到訓練特征矩陣和測試特征矩陣；

第二訓練模塊，用于將訓練特征輸入邏輯回歸二分類模型進行訓練，獲取最優回歸參數向量及訓練好的邏輯回歸二分類模型；

輸出模塊，通過訓練好的邏輯回歸二分類模型以及最優回歸參數向量，進行預測測試特征的概率并輸出診斷結果。

10.如權利要求9所述的一種故障診斷邏輯系統，其特征在于：

用于存儲計算機指令的至少一個存儲器；

與所述存儲器通訊的至少一個處理器，其中當所述至少一個處理器執行所述計算機指令時，所述至少一個處理器使所述系統執行：獲取模塊、第一計算模塊、第二計算模塊、第三計算模塊、第一訓練模塊、第二訓練模塊、處理模塊以及輸出模塊。