[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

本發明涉及一種基于集成學習框架的智能診斷方法、裝置、設備及介質，其包括：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。本發明能夠實時且準確在線預測計量檢定自動系統的故障情況，提高故障診斷的效率和準確度。

技術領域

本發明涉及電力計量診斷技術領域，尤其涉及一種基于集成學習框架的智能診斷方法、裝置、設備及介質。

背景技術

隨著電力信息化建設的不斷深入和智能電網、人工智能技術的發展，智能化的計量設備需求日益增大，使得計量檢定組件趨向自動化、標準化和流程化，隨著計量自動化檢定流水線智能化的推廣，人們對檢定流水線的依賴越來越大，一旦檢定流水線發生故障，造成的檢定工作失誤及損失是人工成本的幾倍甚至幾十倍，因此，做好故障預警和快速定位故障是計量檢定實現全自動化和智能化的保障。

目前檢定流水線主流方式是通過各種傳感器技術、視頻技術、報文等方式采集各種系統運行數據，然后通過專家判斷法和SDG模型等傳統的數據挖掘方式進行故障的診斷，此方法是基于專家經驗知識所構建的知識庫，對于庫中包含的故障，專家系統能夠提供準確的診斷。在實際生產中，專家系統在檢定系統故障診斷上的應用效果卻不佳，一方面是檢定系統涉及設備多，故障產生的原因不全是單一問題導致，經常是多種情況的組合，故障知識庫需要不斷更新擴展；另一方面是檢定系統的故障診斷多采用設備測點數據與預設閾值比較的方式，閾值設定的大小不是根據與其關聯的變量因素的變化，經過科學計算后實時調整，但大多數時候調整是通過專家經驗確定，且長期保持不變，客觀性不足。

針對上述相關技術，本發明人認為存在實際故障診斷不佳的缺陷，因此，關于計量檢定自動化系統的故障診斷方式還有待進一步提升。

發明內容

為克服現有技術的不足，本申請現提出一種用于電力計量檢定自動系統故障診斷的基于集成學習框架的智能診斷方法、裝置、設備及介質，能夠實時且準確在線預測計量檢定自動系統的故障情況，提高故障診斷的效率和準確度。

本發明的上述發明目的一是通過以下技術方案得以實現的：

一種基于集成學習框架的智能診斷方法，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。

通過采用上述技術方案，根據目標計量檢定自動系統的多源運行數據獲取故障數據樣本集，從而獲得用于模型訓練的初始樣本數據，并且多源運行數據的數據種類豐富，有助于故障診斷模型的訓練學習；通過將故障數據樣本集構造成預設故障診斷模型可讀的目標數據集，從而可以使得預設故障診斷模型能夠根據目標數據集進行訓練學習；通過采用XGBoost模型進行訓練，使得模型訓練能夠多線程并行計算，運算速度快，適合處理大規模電力數據，進而提高模型訓練效率，并且獲取的目標故障診斷模型分類精度高，能夠有效提高計量檢定自動系統的故障診斷準確度；通過實時獲取在線運行數據，并利用目標故障診斷模型對在線運行數據進行實時分析，實時預測計量檢定自動系統的故障情況，從而能夠實時且準確在線預測計量檢定自動系統的故障分類。

可選的，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：