[發(fā)明專利]一種故障診斷方法及裝置

在審

• 申請?zhí)枺?/td>: 202011579265.3
• 申請日: 2020-12-28
• 公開（公告）號: CN112699932A
• 公開（公告）日: 2021-04-23
• 發(fā)明（設計）人: 羅凱;孫健;張樂飛;房紅征;樊煥貞;李蕊;王曉棟;楊浩;王信峰;劉勇;胡偉鋼
• 申請（專利權）人: 北京航天測控技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G05B23/02
• 代理公司: 北京華夏泰和知識產(chǎn)權代理有限公司 11662
• 代理人: 盧萬騰;杜欣

1.一種故障診斷方法，其特征在于，包括：

獲取固放設備的在軌遙測數(shù)據(jù)；

將所述在軌遙測數(shù)據(jù)輸入預先訓練好的故障診斷模型，以通過所述故障診斷模型中的降維矩陣對所述在軌遙測數(shù)據(jù)進行降維，并通過所述故障診斷模型中的分類模型輸出降維后的在軌遙測數(shù)據(jù)的分類結果；

根據(jù)所述分類結果確定所述固放設備是否存在故障；

所述故障診斷模型采用下述方式訓練：

獲取樣本數(shù)據(jù)集，所述樣本數(shù)據(jù)集包含多條設置有分類標簽的歷史在軌遙測數(shù)據(jù)，所述分類標簽用于標識是否有故障；

根據(jù)所述樣本數(shù)據(jù)集中的多條歷史在軌遙測數(shù)據(jù)，生成所述樣本數(shù)據(jù)集對應的數(shù)據(jù)矩陣；

采用PCA算法對所述數(shù)據(jù)矩陣進行降維，得到降維矩陣；

將所述數(shù)據(jù)矩陣映射到所述降維矩陣，得到特征數(shù)據(jù)矩陣；

為所述特征數(shù)據(jù)矩陣中的特征數(shù)據(jù)設置分類標簽，得到特征數(shù)據(jù)集；

利用所述特征數(shù)據(jù)集對預設的初始分類模型進行訓練，得到準確率大于設定閾值的分類模型；

將所述分類模型和所述降維矩陣組成故障診斷模型。

2.根據(jù)權利要求1所述的方法，其特征在于，所述獲取樣本數(shù)據(jù)集，包括：

獲取設定時間段內(nèi)固放設備的多條歷史在軌遙測數(shù)據(jù)，所述在軌遙測數(shù)據(jù)包含多個指標數(shù)據(jù)；

確定任意指標數(shù)據(jù)發(fā)生突變時對應的時間點，作為窗口分割時間點；

根據(jù)所述窗口分割時間點對所述設定時間段進行劃分，得到多個時間窗口；

確定各時間窗口內(nèi)的歷史在軌遙測數(shù)據(jù)的類型，所述類型為故障或正常；

針對每條歷史在軌遙測數(shù)據(jù)，根據(jù)該歷史在軌遙測數(shù)據(jù)對應的類型，設置該歷史在軌遙測數(shù)據(jù)對應的分類標簽；

將多條設置有分類標簽的歷史在軌遙測數(shù)據(jù)組成樣本數(shù)據(jù)集。

3.根據(jù)權利要求1所述的方法，其特征在于，根據(jù)所述樣本數(shù)據(jù)集中的多條歷史在軌遙測數(shù)據(jù)，生成所述樣本數(shù)據(jù)集對應的數(shù)據(jù)矩陣，包括：

在軌遙測數(shù)據(jù)包含多個指標值，根據(jù)所述樣本數(shù)據(jù)集中的多條歷史在軌遙測數(shù)據(jù)，生成以指標數(shù)量為列數(shù)，以歷史在軌遙測數(shù)據(jù)數(shù)量為行數(shù)的數(shù)據(jù)矩陣；

所述采用PCA算法對所述數(shù)據(jù)矩陣進行降維，得到降維矩陣，包括：

對所述數(shù)據(jù)矩陣的每一行進行去均值化處理；

計算所述數(shù)據(jù)矩陣的協(xié)方差矩陣；

對所述協(xié)方差矩陣進行奇異值分解，得到所述協(xié)方差矩陣的特征值及對應的特征向量；

將特征向量按照對應特征值從大到小進行排列，選取排在前k位的特征向量組成降維矩陣，其中k為設定值。

4.根據(jù)權利要求3所述的方法，其特征在于，利用所述特征數(shù)據(jù)集對預設的初始分類模型進行訓練，得到準確率大于設定閾值的分類模型，包括：

從所述特征數(shù)據(jù)集中劃分出訓練集和驗證集；

獲取預設的初始分類模型，所述初始分類模型中包含分類器和所述分類器對應的核函數(shù)和超參數(shù)，所述超參數(shù)包含懲罰系數(shù)和核函數(shù)系數(shù)；

利用所述訓練集對所述初始分類模型進行訓練，得到訓練后的分類模型；

利用所述驗證集驗證訓練后的所述分類模型的準確率；

若所述準確率不大于設定閾值，則調(diào)整所述超參數(shù)，并繼續(xù)使用所述訓練集對所述分類模型進行訓練，直至所述分類模型的準確率大于設定閾值。

5.根據(jù)權利要求3所述的方法，其特征在于，利用所述訓練集對所述初始分類模型進行訓練，得到訓練后的分類模型，包括：

所述核函數(shù)為高斯徑向基核函數(shù)，利用所述高斯徑向基核函數(shù)對所述訓練集進行計算，得到所述分類器對應的特征向量；

根據(jù)所述特征向量計算協(xié)方差矩陣空間；

對所述協(xié)方差矩陣空間進行超平面變換，得到所述協(xié)方差矩陣對應的超平面矩陣；

根據(jù)所述協(xié)方差矩陣和所述超平面矩陣計算所述特征向量中各特征的特征系數(shù)；

利用所述特征系數(shù)對所述協(xié)方差矩陣進行縮放；

對縮放后的協(xié)方差矩陣求逆后，計算模型參數(shù)；

將所述模型參數(shù)代入所述分類器，得到訓練后的分類模型。