[发明专利]基于数据驱动模型的自动故障诊断和预测方法及系统

权利要求书

1.一种基于数据驱动模型的自动故障诊断和预测建模方法，其特征在于，其包括以下步骤：

S1、获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理：

S11、数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理；

S12、数据预处理获得标准化数据：分别针对所述数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：

S121、将各类数据格式处理后的所述数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理；

S122、针对数值类型数据，判断是否存在标称型数据，若是则先对所述标称型数据进行编码再执行步骤S123，否则直接执行步骤S123；针对周期类型数据，进行故障特征提取后执行步骤S123；针对时间序列数据，直接执行步骤S123；

S123、针对所述数值类型数据、周期类型数据和时间序列数据分别进行标准化处理，获得标准化数据；

S2、根据所属PHM任务，确定候选模型及其参数搜索空间：

S21、确定候选模型：根据数据特征和PHM任务，确定候选模型库；

S22、生成超参数配置空间：

S221、生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改：若修改后的算法名单包含于平台集成的默认算法名单，则执行步骤S223，若修改后的算法名单在平台集成的默认算法名单的基础上增加了算法或修改了算法的超参数，则执行步骤S222；

S222、输入超参数定义语言：输入修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言；

S223、生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions；

S3、利用启发式算法确定最优的模型和参数组合：

S31、构建评价器：

S32、集成优化器并生成优化器列表：

S33、确定最优的模型和参数组合：

S331、数据驱动PHM自动化分类/回归：

S332、数据驱动PHM自动化时间序列多步预测。

2.根据权利要求1所述的基于数据驱动模型的自动故障诊断和预测方法，其特征在于，针对周期类型数据，进行故障特征提取具体为：

分别提取所述周期类型数据的时域特征、频域特征和时频域特征；

所述时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度；

对所述周期类型数据进行快速傅里叶变换得到其振幅谱，基于所述振幅谱构建所述频域特征；

对所述周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于所述近似系数集得到近似系数均值和近似系数最大值，基于所述细节系数集得到细节系数最大值和细节系数均值；所述时频域特征包括所述近似系数均值、所述近似系数最大值、所述细节系数最大值和所述细节系数均值。

3.根据权利要求1所述的基于数据驱动模型的自动故障诊断和预测方法，其特征在于，超参数定义语言包括层次空间部分和条件语句部分；

层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值；

条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。