[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

本發明提出了一種故障診斷邏輯算法及系統，涉及機器學習及故障診斷技術領域。本申請實施例提供一種故障診斷邏輯算法，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；將訓練樣本集以及測試樣本集分別輸入訓練好的稀疏模型進行處理；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分別得到訓練特征矩陣和測試特征矩陣；將訓練特征輸入二分類模型進行訓練，獲取最優回歸參數向量及訓練好的二分類模型；通過訓練好的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。

技術領域

本發明涉及機器學習及故障診斷技術領域，具體而言，涉及一種故障診斷邏輯算法及系統。

背景技術

軌道交通負荷強，車速變化頻繁，停站時間短，行車密度大，隨著運營時間的增加，城市軌道交通運行狀態處于不斷變化之中，在大負荷、變速環境下工作，轉向架各零部件之間反復作用，其關鍵部件的故障如軸承發生疲勞剝落、磨損、塑性變形，齒輪發生腐蝕、斷裂、壓痕、膠合等現象，往往會導致車輛各部位振動加劇、性能下降，甚至脫軌翻車等嚴重事故。

隨著軌道交通的跨越式發展，發生了一系列安全事故。提高軌道車輛運行的安全可靠性的關鍵在于對關鍵機械裝備的健康狀態評估，并預測其發展趨勢。如果在軌道車輛機械系統故障潛伏階段，即故障萌芽、剛剛出現或者故障程度尚輕微時，能及時準確地予以狀態評估和識別，并據此指導保養和維修工作，就能及時采取措施，防止造成嚴重損失及交通事故。

而故障檢測與診斷作為異常工況管理最有力的工具，給過程安全提供了一定的保障。隨著控制系統的快速發展，異常工況管理過程變得越來越自動化。故障檢測與診斷自提出以來已經有40余年，實際生產中卻并不能夠實現自動化，這與過程的復雜性、方法的適用性都有很大關聯。

發明內容

本發明的目的在于提供一種故障診斷邏輯算法，其能夠更進一步由已知推未知，收集整個設備全生命周期的一些狀態數據，把原來只能依靠人工手工做的，故障原因的分析以及設備狀態、生命周期的預測，由一個局部的、人工的狀態向全量的、智能化的狀態進行演進，形成一個促進軌道交通提高效率，產生幫助的效果。

本發明的另一目的在于提供一種故障診斷邏輯系統，其能夠運行一種故障診斷邏輯算法。

本發明的實施例是這樣實現的：

第一方面，本申請實施例提供一種故障診斷邏輯算法，其包括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。

在本發明的一些實施例中，上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。

在本發明的一些實施例中，上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。

在本發明的一些實施例中，上述根據正常工況下的測試樣本均值和標準差進行預處理。

在本發明的一些實施例中，上述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。