[发明专利]工业互联网中因果与注意力并重的大型设备故障预测方法

权利要求书

1.一种工业互联网中因果与注意力并重的大型设备故障预测方法，其特征在于，该方法包括以下步骤：

步骤1，收集大型设备的故障数据，将其作为训练样本；

步骤2，对步骤1中整理分类后的大型设备故障的训练样本的数据进行预处理，使用信号时域分析方法得到样本的时域特征，将所述时域特征进行编码处理，数值特征进行归一化处理，得到预处理后的大型设备传感器的样本数据序列；

步骤3，对步骤2中得到的大型设备传感器的样本数据序列进行因果分析，基于设置的因果分析目标函数，量化每个特征对预测结果的影响程度；

步骤4，结合时间信息与步骤3的结果，基于时间注意力机制的模型，得到大型设备的隐藏层数据和注意力分数；

步骤5，利用步骤4得到的隐藏层数据和注意力分数对大型设备的故障进行预测；

其中，步骤3包括如下子步骤：

步骤3.1，使用步骤2得到的预处理后的大型设备传感器的样本数据序列进行因果分析；

一个大型设备的传感器的样本中，有i个传感器，传感器有j个特征；在进行所有特征计算时，量化特征对预测结果的目标函数定义为：

式中：

Δε,f_ij为特征f_ij对故障预测的影响；

f_ij为第i个传感器的第j个特征；

为不含有特征f_ij故障预测的误差；

ε_F为故障预测的误差；

步骤3.2，根据式3，衡量一个特征对预测结果的影响需要计算完整特征的模型误差ε_F与不含有特征f_ij的模型误差使用基于注意力机制的一层Transformer作为计算误差的模型；基于大型设备传感器的样本数据序列N由式4生成Transformer的嵌入序列M和不含特征f_ij的嵌入序列M\{f_ij}，M＝[m₁,m₂,m₃,...,m_K]，M\{f_ij}＝[m`<sub>1</sub>,m`₂,m`<sub>3</sub>,...,m`_K]；

m_k＝w_mn_k+b_m 式4；

式中：

TF(·)为Transformer；

为预测结果的标签；

M为Transformer的嵌入序列；

M\{f_ij}为Transformer的不含特征f_ij的嵌入序列；

m_K为嵌入序列M的第K个序列的嵌入数据；

n_k为第k个序列的特征码的二进制输入；

m`_k为嵌入序列M\{f_ij}的第k个序列的嵌入数据；

w_m为嵌入序列的初始化权重矩阵，

b_m为嵌入序列的初始化偏差矩阵，

v为w_m和b_m的维度；

σ为n_k的空间维度，σ＝γ×I×J；

γ为控制特征码空间大小的系数；

I为传感器的个数；

J为传感器的特征个数；

为实数集；

步骤3.3，用e表示真实标签，使用交叉熵损失函数来表示Transformer学习后预测结果的误差，式3的故障预测误差表示为：

特征的因果贡献能够通过式3、式4、式5、式6、式7和式8计算模型与不含有特征f_ij故障预测的误差之间的损失函数的差来衡量；

步骤3.4，利用式7和式8计算输入的各个特征的模型误差，得到特征对模型造成的因果影响；根据因果影响为每个输入特征分配权重，权重分配如式9所示：

得到因果影响权重

式中：

为第i个传感器的第j个输入特征的权重；

W_F为因果影响权重。