[发明专利]一种故障诊断方法、装置和电子设备

权利要求书

1.一种故障诊断方法，其特征在于，所述方法包括：

对从发射机获取的数据进行预处理，得到测试数据；

基于所述测试数据以及预设故障推理机制，初步确定故障模块；

基于从所述测试数据中提取的包含预设特征类型的特征数据以及预设诊断模型，确定故障模块中元器件发生故障概率；

将所述故障概率大于阈值概率的元件诊断为故障元件；

其中，所述预设诊断模型通过以下方式训练得到：

获取发射机的历史故障数据；

从所述历史故障数据中提取多个样本特征集合；

基于所述多个样本特征集合以及样本特征集合对应的样本标签，对决策树模型进行递归训练；

在对决策树模型进行递归训练之后，还包括：

通过极小化决策树整体的损失函数，对递归训练得到的预设诊断模型进行剪枝修正；

所述预设诊断模型参照以下步骤训练得到：

从历史数据中提取包含12个特征的故障数据的样本特征集合：X＝{x_i1,x_i2,x_i3,x_i4,x_i5,x_i6,x_i7,x_i8,x_i9,x_i10,x_i11,x_i12}＝{高前屏压VaV1，高前屏流IaV1，高末屏压VaV2，高末屏流IaV2，入射功率Pfwd，高末屏耗APD，高末栅流Ig1V2，高末帘栅流Ig2V2，高末栅压Vg1V2，高末帘栅压Vg2V2，设备告警信息}，通过人工分析对每个样本特征集合进行标记，构建故障训练集D、验证集M、测试集Q；决策树模型的学习目标是根据选择的故障数据样本训练集构建一个故障诊断决策树模型，使它能够对实时发生的故障数据进行正确的故障诊断；故障特征的选择在于选取对训练数据具有分类能力的特征，根据专家对射频电路的参数理解选择上述12种特征，选择ID3算法作为决策树的学习算法，首先从训练集的特征中选择一个特征作为当前结点的分裂标准，当前结点的最优特征应根据信息增益来选择；

训练集D的样本容量为|D|，有K个故障分类C_k，|C_k|为属于C_k类故障的样本个数，训练集D的故障特征有12种，某一特征A的取值为{a₁,a₂,......a_n}，那么根据特征A的取值将训练集D划分为n个子集D1，D2，D3……Dn，|Di|为Di个样本的个数，子集Di属于类C_k的样本集合为Dik，|Dik|为Dik的样本个数，那么定义训练集D：

经验熵：

条件经验熵：

信息增益：g(D,A)＝H(D)-H(D/A)

对于训练集D，计算12个特征对训练集D的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则该结点为单结点树；否则，对Ag的每一可能值{a₁,a₂,......a_n}将训练集D分割为若干个非空子集Dn，将Dn中实际数值最大的故障类标记构建子结点，由结点及子结点构成当前的决策树T；对第i个子结点，以Di为训练集，以A-{Ag}为特征集，递归上述步骤，最终得到决策树T。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

为所述故障元件推荐相匹配的维修策略。

3.如权利要求1或2所述的方法，其特征在于，对从发射机获取的数据进行预处理，得到测试数据，具体包括：

对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算中的一种或多种处理，得到测试数据。

4.如权利要求3所述的方法，其特征在于，对从发射机获取的数据进行工况分割、特征提取、屏极阻抗计算处理，包括：

对所述数据进行切分，提取发射机开机状态时的秒数据；

从所述秒数据的N个参数中提取故障诊断所需的特征参数；

根据预设公式计算高末屏极输出等效阻抗，并选择偏离所述等效阻抗的数据作为测试数据。