[發明專利]基于集成學習框架的智能診斷方法、裝置、設備及介質

在審

• 申請號: 202011248789.4
• 申請日: 2020-11-10
• 公開（公告）號: CN112508053A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 何春平
• 申請（專利權）人: 澤恩科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/20;G01R31/00;G01D21/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于集成學習框架的智能診斷方法，其特征在于，所述診斷方法包括：

采集目標計量檢定自動系統的多源運行數據，并對所述多源運行數據進行預處理得到對應的故障數據樣本集；

根據所述故障數據樣本集構造預設故障診斷模型可讀的目標數據集；

所述預設故障診斷模型采用XGBoost模型，根據所述目標數據集對XGBoost模型進行訓練，將訓練完成后對應的XGBoost模型作為目標故障診斷模型；

實時獲取目標計量檢定自動系統的在線運行數據，根據所述目標故障診斷模型對所述在線運行數據進行分析以預測目標計量檢定自動系統的故障情況。

2.根據權利要求1所述的基于集成學習框架的智能診斷方法，其特征在于，所述對所述多源運行數據進行預處理得到對應的故障數據樣本集的步驟，包括：

根據目標計量檢定自動系統的歷史故障情況對所述多源運行數據進行數據標注，將數據標注后對應的多源運行數據作為故障數據樣本集。

3.根據權利要求1所述的基于集成學習框架的智能診斷方法，其特征在于，所述根據所述故障數據樣本集構造預設故障診斷模型可讀的目標數據集的步驟，包括：

對所述故障數據樣本集進行數據預處理以清除異常數據，并將數據預處理后對應的故障數據樣本集作為目標故障數據樣本集；

將所述多源運行數據和目標故障數據樣本集進行矩陣構造，以獲取用于預設故障診斷模型訓練的可讀數據集；

將所述可讀數據集進行數據仿真處理，并將數據仿真處理后對應的可讀數據集作為目標數據集。

4.根據權利要求3所述的基于集成學習框架的智能診斷方法，其特征在于，所述對故障數據樣本集進行數據預處理以清除異常數據的步驟，包括：對所述故障數據樣本集進行數據去重處理和數據清洗處理。

5.根據權利要求1所述的基于集成學習框架的智能診斷方法，其特征在于，所述預設故障診斷模型采用XGBoost模型，根據所述目標數據集對XGBoost模型進行訓練，將訓練完成后對應的XGBoost模型作為目標故障診斷模型的步驟，包括：

將所述目標數據集劃分為訓練集和測試集；

將所述訓練集輸入至所述XGBoost模型進行訓練，以預設損失函數為目標返回模型預測的分類類別，并對模型參數進行尋優以完成XGBoost模型的訓練，并將完成訓練后對應的XGBoost模型作為目標故障診斷模型；

將所述測試集輸入至所述目標故障診斷模型進行故障診斷分類，并以預設模型性能評估指標對所述目標故障診斷模型進行性能評估。

6.根據權利要求5所述的基于集成學習框架的智能診斷方法，其特征在于，所述將所述訓練集輸入至所述XGBoost模型進行訓練，以預設損失函數為目標返回預測的分類類別，并對模型參數進行尋優以完成XGBoost模型的訓練，包括：

所述預設損失函數采用可微凸損失函數，并采用正則項疊加以防止模型過擬合，對所述XGBoost模型進行迭代訓練；

利用網格搜索法對模型參數進行尋優，其中尋優模型參數包括學習率、估計器數量、樹的最大深度、樣本采樣率以及列采樣率。

7.根據權利要求5所述的基于集成學習框架的智能診斷方法，其特征在于，所述以預設模型性能評估指標對所述目標故障診斷模型進行性能評估，包括：

所述預設模型性能評估指標包括精確率、召回率以及綜合值，所述精確率為識別為故障的樣本數中實際為故障的所占比值，所述召回率為實際故障樣本數中被識別為故障的所占比值，所述綜合值根據所述精確率和召回率確定；

通過分析所述精確率、召回率以及綜合值來評估所述目標故障診斷模型的模型性能。