[发明专利]基于特征相关的样本扩展方法

说明书

发明涉及一种扩展小样本和极小样本的方法。该方法包括：首先，提取样本的特征量，每个特征量有由若干特征组成，则各个特征之间具有一定的依赖关系；其次，采用多元拟合构建各个特征之间的关系；再次，由拟合结果扩展新样本特征量，该扩展过程先取部分新特征值，再由拟合函数计算其他的特征值；最后，将原来特征量和新扩展的特征量组合在一起，并输入模型进行训练，并由训练出的模型对设备状态进行诊断。本发明所提方法扩展的特征量符合特征之间的实际依赖关系，可有效提高状态诊断的精度。

技术领域

本发明属于设备故障检测的技术领域，具体涉及一种基于特征相关的样本扩展方法。

背景技术

工业中对昂贵的设备进行状态监测是保证其稳定运行的基础。当前，许多设备都已经安装了监测装置，比如，电力工业中的变压器、断路器、发电机组等等。对设备状态展开监测的主要难点是如何有效分析监测信号，以实现自动、准确地诊断设备故障。

一般情况下，监测装置自动、准确地诊断设备故障，主要通过3个步骤实现：(1)收集足够多的样本数据；(2)将样本数据输入训练模型，使模型能够识别出不同类型的故障样本；(3)将新采集到的、未识别的数据输入已经训练好的模型，由模型判断出新数据所蕴含的信息，达到诊断设备故障的目的。这3个步骤中，样本数量对诊断结果起着非常关键的作用，样本太少，则会降低模型的识别精度，从而造成错误的诊断结果，这非常不利于维护设备，甚至影响其正常运行。

然而，实际采集到的设备故障样本往往很少，严重影响对设备的自动诊断工作。导致设备故障样本少的原因主要体现在两个方面：(1)产生样本的设备昂贵(比如电力系统中的变压器、断路器、发电机组等)，对其进行破坏性故障试验来获取样本的方法损失过大，极不合理。(2)运行中的设备(比如电力设备)发生故障的几率很低，且即使发生故障，往往留给采集数据的时间很短，使得获取的样本数据很少。因此，现实中的设备故障样本在数量上体现为小样本特性(样本个数30个)，甚至极小样本特性(样本个数5个)。可见，在当前设备故障样本匮乏的情况下，如何提高各种数据模型的识别准确率具有现实意义。

在小样本或极小样本情况下，提高模型识别精度的方法中，样本扩展法是一种非常有效的方案。其原理是：根据已有的小样本或者极小样本，采用一种生成策略，产生更多的、有效的新样本，以满足数据训练模型的要求，进而提高诊断结果的正确性。

但是，目前已有的样本扩展方法没有仔细考虑样本本身的特性，容易引入大量噪声，噪声的引入会极大影响数据训练模型的准确性，导致诊断结果的不确定性。因此，研究一种行之有效的、与数据实际特性接近的样本扩展方法具有现实的应用价值。

发明内容

本发明的目标是提供一种有效的扩展小样本和极小样本的方法，以便为设备诊断模型提供足够的训练样本，从而达到提高设备诊断精度、获得准确结果的目的。

本发明提出了一种基于特征相关的样本扩展方法，其特征在于，所述方法包括如下步骤：

步骤1：采用多元拟合构建样本数据特征量中各个特征之间的依赖关系；

步骤2：根据构建的特征之间的依赖关系，扩展小样本或极小样本类中的样本特征量的数量；

步骤3：将已有样本特征量和扩展出的新样本特征量输入设备诊断模型，训练模型参数；

步骤4：将待测试数据或者新采集的数据的特征量输入诊断模型，根据输出结果，诊断出设备的状态。

进一步地，所述步骤1包括下列步骤：

步骤11:采集设备样本数据，并为各个样本数据定义标签，从而实现对样本数据的分类；

步骤12:确定小样本类或者极小样本类，设小样本类或者极小样本类为B，A为B的相邻类，A为大样本类别或小样本类别；