[發明專利]故障因子數據的獲取方法、裝置、電子裝置及存儲介質

有效

• 申請號: 202110271569.1
• 申請日: 2021-03-12
• 公開（公告）號: CN112949733B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 郭洪飛;李嘉明;周杰怡;黃志濤;何智慧;朝寶
• 申請（專利權）人: 暨南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G05B23/02
• 代理公司: 北京卓特專利代理事務所(普通合伙) 11572
• 代理人: 段宇

1.一種故障因子數據的獲取方法，其特征在于，包括：

獲取目標設備的運行參數數據，其中，所述運行參數數據包括故障信息和設備參數數據；

根據所述故障信息確定所述目標設備的設備故障特征，并在所述設備參數數據中檢測所述設備故障特征對應的第一參數數據，其中，所述第一參數數據表征所述目標設備產生故障的因素；

利用預設回歸模型對所述第一參數數據進行處理，篩選得到第一故障因子數據，其中，所述第一故障因子數據包括多個協同影響所述目標設備產生故障的單因素故障因子數據，所述單因素故障因子數據表征所述目標設備產生故障的直接因素；

分別確定每個所述單因素故障因子數據與所述第一故障因子數據的相關度，并根據所述相關度在所述第一故障因子數據中篩選候選故障因子數據；

利用已訓練的特征訓練模型對所述候選故障因子數據進行處理，得到所述候選故障因子數據的第一特征值，并按第一特征值自大到小選取至少一個所述候選故障因子作為目標故障因子數據，其中，所述已訓練的特征訓練模型被訓練為用于根據故障因子數據得到與該故障因子數據對應的特征值，所述特征值用于表征該故障因子數據影響所述目標設備產生故障的重要度。

2.根據權利要求1所述的故障因子數據的獲取方法，其特征在于，利用預設回歸模型對所述第一參數數據進行處理，篩選得到第一故障因子數據包括：

獲取所述第一參數數據，并利用第一回歸模型對所述第一參數數據進行處理，得到單因素故障因子數據，其中，所述第一回歸模型包括Logistic回歸模型，所述單因素故障因子表征所述目標設備產生故障的直接因素；

利用第二回歸模型對所述單因素故障因子數據進行篩選，得到所述第一故障因子數據，其中，所述第二回歸模型包括Adaptive-lasso Logistic回歸模型。

3.根據權利要求2所述的故障因子數據的獲取方法，其特征在于，獲取所述第一參數數據，并利用第一回歸模型對所述第一參數數據進行處理，得到單因素故障因子數據包括：

獲取所述第一參數數據經所述第一回歸模型處理后的第一回歸系數，并判斷所述第一回歸系數是否大于預設閾值；

在判斷到所述第一回歸系數大于所述預設閾值的情況下，確定所述單因素故障因子數據包括大于所述預設閾值的所述第一回歸系數對應的所述第一參數數據。

4.根據權利要求2所述的故障因子數據的獲取方法，其特征在于，利用第二回歸模型對所述單因素故障因子數據進行篩選，得到所述第一故障因子數據包括：

獲取所述單因素故障因子數據經所述第二回歸模型處理后的第二回歸系數；

按第二回歸系數自大到小選取預設數目的所述單因素故障因子數據，得到多個第二故障因子數據；

確定所述第一故障因子數據包括多個所述第二故障因子數據。

5.根據權利要求1所述的故障因子數據的獲取方法，其特征在于，所述相關度包括相關系數，分別確定每個所述單因素故障因子數據與所述第一故障因子數據的相關度，并根據所述相關度在所述第一故障因子數據中篩選候選故障因子數據包括：

利用預設相關系數算法分別計算每個所述單因素故障因子數據與所述第一故障因子數據的相關系數，其中，所述預設相關系數算法包括Pearson相關系數算法，所述相關系數用于表征所述單因素故障因子數據相互間的相關性；

獲取每個所述單因素故障因子數據的所述相關系數，并判斷所述相關系數是否大于預設閾值；

當判斷到所述相關系數大于預設閾值的情況下，獲取所述相關系數大于預設閾值的多個所述單因素故障因子數據，并將多個所述單因素故障因子數據其中一個作為所述候選故障因子數據。

6.根據權利要求5所述的故障因子數據的獲取方法，其特征在于，所述方法還包括：

當判斷到所述相關系數小于預設閾值的情況下，將所述相關系數小于預設閾值的多個所述單因素故障因子數據作為所述候選故障因子數據。

7.根據權利要求1所述的故障因子數據的獲取方法，其特征在于，利用隨機森林模型訓對所述候選故障因子數據進行處理，得到所述候選故障因子數據的第一特征值。