[发明专利]一种两阶段的设备故障诊断方法

说明书

技术领域

本发明涉及设备故障诊断技术领域，具体涉及一种两阶段的设备故障诊断方法。

背景技术

在设备维修保障的整个流程中，设备的故障现象(或故障征兆)和故障原因(或故障单元)之间的关系复杂，且具有随机性和不确定性等特点。

传统的故障诊断方法因其缺乏不精确条件下的推理能力和自主学习能力，暴露出故障诊断效率低、成本高等弊病。

早期的故障诊断方法过分依赖于领域专家或经验丰富的维修人员的判断，造成诊断故障的过程具有极强的主观性且成本过高。

一般的预测方法，将所有的特征序列的获取时间先后顺序因素忽略，导致失去了时间信息，使得预测的准确性以及合理性大幅度的下降。

大多数的故障诊断方法将故障类型与无故障作为同一个层次的数据进行处理，然而在现实情况下，正常情况要远远多于故障情况。将不平衡的数据一起处理将会导致过拟合的现象出现，使得故障预测效果不具有可信性。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何设计针对设备维修保障的故障诊断方法，提升预测的准确度和可解释性。

(二)技术方案

为了解决上述技术问题，本发明提供了一种两阶段的设备故障诊断方法，包括以下步骤：

步骤1、数据处理步骤：根据传感器采集到的数据，对数据进行清洗以及统一化处理；

步骤2、基于案例搜索的故障诊断步骤：对于采集到的数据在事先建立好的案例库中通过K近邻方法进行搜索，基于预设的阈值，对于搜索到的案例，返回对应的故障类型信息后结束，对于没有搜索到的案例继续执行步骤3；

步骤3、基于时间特征的故障判断步骤：根据广义自回归条件异方差模型对获得的设备状态特征数据进行计算，根据此值对设备的故障与否进行判断；若判断为存在故障，则继续执行步骤4，否则返回不存在故障的信息后结束；

步骤4、基于层次的深度神经网络故障预测步骤：根据诊断对象的特点，对系统进行分解，建立合适的层次分类模型，利用层次分类模型计算获得对应的故障类型。

优选地，步骤1具体包括：

步骤11：采用基于均值的数据补全方法处理缺失数据：存储基于当前时间的前后5条数据，将均值作为数据的填充依据；

步骤12：对于冗余数据，采用序列相似度方法来进行冗余数据的消除：序列相似度采用特征向量之间的欧式距离之和作为衡量标准，并设置阈值，大于阈值的数据则判定为冗余数据被丢弃，序列相似度计算公式如下：

其中，a_f表示收到的第f个特征向量，a_e表示a_f前收到的10个特征向量中的第e个，Sim(a_f,a_e)表示a_f与a_e之间的欧式距离；

步骤13：采用0-1值法对数据进行离散化：对于采集到的全部数据的每一维计算平均值作为阈值，对于大于等于阈值的数据置为1，小于阈值的数据置为0。

优选地，步骤2具体包括：

步骤21：推理步骤：输入当前设备的基本信息，在案例库中检索相似案例，若有相似案例则给出故障诊断结论与解决措施，若无相似案例则转入基于时间序列的深度神经网络模型中，案例采取基于K-近邻匹配的检索方式进行检索，案例采取基于K-近邻匹配的检索方式进行检索具体步骤为：

每个案例包含m种特征，故障案例C_i(i＝1，2，...，n)可用一个m维向量表示：A_i＝(a_i1，a_i2，...，a_im)，a_ij(j＝1，2，...，m)是故障案例C_i的第j个特征的取值；

案例间的相似度定义为：

其中，0≤Sim(C_i，C_j)≤1；ω_k表示案例特征向量中第k个特征的权值，且

优选地，步骤3具体包括：

步骤31：针对获取的设备状态信息序列的时间序列化的特点，采用广义自回归条件异方差模型GARCH对设备按时间序列反馈的数据特征向量进行建模，根据得到的计算结果判断是否故障；

采用广义自回归条件异方差模型GARCH对设备按时间序列反馈的数据特征向量进行建模具体为：

时间序列X_t：