[发明专利]基于SAE-Adaboost的非预期故障诊断方法

说明书

本申请的实施例提供了基于SAE‑Adaboost的非预期故障诊断方法、装置、设备和计算机可读存储介质。所述方法包括获取载体姿态数据；将所述载体姿态数据输入至第一故障提取模型，得到故障类型集合；所述第一故障提取模型为SAE模型；将所述故障类型集合输入至第二故障提取模型，得到非预期故障；所述第二故障提取模型为Adaboost模型。实现了对非预期故障的诊断。

技术领域

本申请的实施例涉及数据处理领域，尤其涉及基于SAE-Adaboost的非预期故障诊断方法、装置、设备和计算机可读存储介质。

背景技术

传统的人工智能方法在用于故障诊断时需要先对故障信息进行学习，而后再对测试数据进行诊断，如基于支持向量机的故障诊断等。

在实际应用中，并非所有的故障都是已知的，还存在着大量的非预期故障，而非预期故障无先验知识，无法进行学习与训练，因此不能直接用传统的人工智能方法进行诊断。特别是新的复杂系统，往往存在样本不平衡问题，即一方面存在大量运行数据，另一方面却缺少故障数据样本。

发明内容

根据本申请的实施例，提供了一种基于SAE-Adaboost的非预期故障诊断方案。

在本申请的第一方面，提供了一种基于SAE-Adaboost的非预期故障诊断方法。该方法包括：

获取载体姿态数据；

将所述载体姿态数据输入至第一故障提取模型，得到故障类型集合；所述第一故障提取模型为SAE模型；

将所述故障类型集合输入至第二故障提取模型，得到非预期故障；所述第二故障提取模型为Adaboost模型。

进一步地，所述第一故障提取模型，通过如下步骤训练得到：

生成训练样本集合，其中，训练样本包括带有标注信息的姿态数据对应的特征向量，其中标注信息为故障类型；

利用所述训练样本集合中的样本对第一故障提取模型进行训练，以姿态数据对应的特征向量为输入，以故障类型为输出，当输出的故障类型与标注的故障类型的统一率满足预设阈值时，完成对第一故障提取模型的训练。

进一步地，

通过逐层贪婪的训练方式，对所述第一故障提取模型进行训练；

通过梯度下降算法，对所述第一故障提取模型中的参数进行调整。

进一步地，

选取预设步数内的故障数据，作为所述第一故障提取模型的训练样本。

进一步地，

通过KNN分类层，验证所述输出的故障类型与标注的故障类型的统一率。

进一步地，

将决策树作为所述第二故障提取模型的基本分类器；所述基本分类器包括多组弱分类器。

进一步地，所述将所述故障类型集合输入至第二故障提取模型，得到非预期故障包括：

将所述故障类型集合输入至第二故障提取模型，若所述故障类型集合中的某一故障类型，从属多种已知故障类型，且从属每种故障的概率均小于预设阈值，则所述故障类型为非预期故障。

在本申请的第二方面，提供了一种基于SAE-Adaboost的非预期故障诊断装置。该装置包括：

获取模块，用于获取载体姿态数据；

提取模块，用于将所述载体姿态数据输入至第一故障提取模型，得到故障类型集合；所述第一故障提取模型为SAE模型；