CN106326933A - 基于人在回路的智能自学习故障诊断方法 - Google Patents

基于人在回路的智能自学习故障诊断方法 Download PDF

Info

Publication number
CN106326933A
CN106326933A CN201610730461.3A CN201610730461A CN106326933A CN 106326933 A CN106326933 A CN 106326933A CN 201610730461 A CN201610730461 A CN 201610730461A CN 106326933 A CN106326933 A CN 106326933A
Authority
CN
China
Prior art keywords
fault
diagnosis
mode
self
time series
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610730461.3A
Other languages
English (en)
Other versions
CN106326933B (zh
Inventor
王健
杨露
张桂刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Jun Sheng (shenzhen) Intelligent Data Science And Technology Development Co Ltd
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201610730461.3A priority Critical patent/CN106326933B/zh
Publication of CN106326933A publication Critical patent/CN106326933A/zh
Application granted granted Critical
Publication of CN106326933B publication Critical patent/CN106326933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于人在回路的智能自学习故障诊断方法，该方法针对时间序列数据或动态信号，以最优故障特征表单为依据，分别以故障特征提取算法库和故障模式库中的故障诊断判据为支撑，进行故障特征提取和故障诊断；最优故障特征表单和故障诊断判据的更新以人在回路的故障信息反馈为触发条件，采用人工输入核实故障诊断结论：当新故障模式出现时，触发故障自学习算法进行故障模式学习，更新最优故障特征表单；当没有新故障模式出现但诊断结果错误时，也触发故障自学习算法，修改故障诊断判据。本发明能够实现对故障模式的智能自学习，进而不断实现对故障特征和故障判据的自动优化更新，使故障诊断能力在使用过程中得到不断提升。

Description

基于人在回路的智能自学习故障诊断方法
技术领域
本发明涉及故障诊断领域，具体涉及一种基于人在回路的智能自学习故障诊断方法。
背景技术
传统故障诊断与人的能力和经验直接相关，所选特征和故障诊断算法在使用中固定，故障特征更新需要升级改造故障诊断系统，技术复杂、成本高。此外，在故障诊断系统使用维护中，故障信息收集环节不完备，产品发生故障并返厂维修后，缺少故障确认信息反馈，制约故障诊断能力的快速提升。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种基于人在回路的智能自学习故障诊断方法，使故障诊断能力在使用过程中得到不断提升。
本发明提出的一种基于人在回路的智能自学习故障诊断方法，每次获取时间序列数据后执行以下步骤：
步骤1，将获取的时间序列数据存入故障模式库；
步骤2，针对时间序列数据，以最优故障特征表单为依据，从故障特征提取算法库中选择对应算法进行故障特征提取，得到一组故障特征向量；
步骤3，针对故障特征向量，从故障模式库中提取故障诊断判据进行故障诊断，得到故障诊断结论，确定出现的故障模式；
步骤4，通过人机交互系统输入故障诊断结论的判断结论，如果故障诊断结论正确，则结束；如果故障诊断结论不正确，则执行步骤5；
步骤5，通过人机交互系统输入新故障模式的判断结论，如果为新故障模式，则向故障模式库中添加该故障模式，并触发故障自学习算法，更新最优故障特征表单；如果非新故障模式，则触发故障自学习算法，修改故障模式库中的故障诊断判据；
步骤6，故障自学习算法从故障模式库中提取所有的故障模式和时间序列数据，从故障特征提取算法库中获取故障特征提取算法，重新进行故障模式的自学习，更新最优故障特征表单和故障诊断判据。
优选的，所述的故障模式库包括故障模式的类型和时间序列数据，各时间序列数据与故障模式相对应。
优选的，所述的故障特征提取算法库包括时域、频域和时频域特征提取算法，能够对时间序列数据进行故障特征的提取。
优选的，所述最优故障特征表单包括故障模式库中不同故障模式对应的故障特征类型。
优选的，故障诊断的方法为：以故障模式库中的故障诊断判据为依据，采用逻辑判断或阈值判别方法进行故障诊断。
优选的，故障自学习算法采用神经网络或支持向量机的人工智能算法进行设计。
优选的，故障特征提取算法库为故障模式库提供故障特征提取算法支持，对故障模式库中的时间序列数据进行故障特征的提取。
本发明能够实现对故障模式的智能自学习，进而不断实现对故障特征和故障判据的自动优化更新，使故障诊断能力在使用过程中得到不断提升。
附图说明
图1是本发明的基于人在回路的智能自学习故障诊断方法的原理示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提出的一种基于人在回路的智能自学习故障诊断方法，如图1所示，每次获取时间序列数据后执行以下步骤：
步骤1，将获取的时间序列数据存入故障模式库；
步骤2，针对时间序列数据，以最优故障特征表单为依据，从故障特征提取算法库中选择对应算法进行故障特征提取，得到一组故障特征向量；
步骤3，针对故障特征向量，从故障模式库中提取故障诊断判据进行故障诊断，得到故障诊断结论，确定出现的故障模式；
步骤4，通过人机交互系统输入故障诊断结论的判断结论，如果故障诊断结论正确，则结束；如果故障诊断结论不正确，则执行步骤5；
步骤5，通过人机交互系统输入新故障模式的判断结论，如果为新故障模式，则向故障模式库中添加该故障模式，并触发故障自学习算法，更新最优故障特征表单；如果非新故障模式，则触发故障自学习算法，修改故障模式库中的故障诊断判据；
步骤6，故障自学习算法从故障模式库中提取所有的故障模式和时间序列数据，从故障特征提取算法库中获取故障特征提取算法，重新进行故障模式的自学习，更新最优故障特征表单和故障诊断判据。
故障模式库包括故障模式的类型和时间序列数据，各时间序列数据与故障模式相对应。
故障特征提取算法库包括时域、频域和时频域特征提取算法，能够对时间序列数据进行故障特征的提取。
故障特征提取算法库为故障模式库提供故障特征提取算法支持，对故障模式库中的时间序列数据进行故障特征的提取。
所述最优故障特征表单包括故障模式库中不同故障模式对应的故障特征类型。
故障诊断的方法为：以故障模式库中的故障诊断判据为依据，采用逻辑判断或阈值判别方法进行故障诊断。
故障特征提取方法为：以故障特征提取算法库为支撑，依据最优故障特征表单，从故障特征提取算法库中选择对应算法进行故障特征提取。
最优故障特征表单的更新方法为：以人在回路的故障信息反馈为触发条件，当新故障模式出现时，触发故障自学习算法进行故障模式学习，更新最优故障特征表单。
故障诊断判据的更新方法：以人在回路的故障信息反馈为触发条件，当没有新故障模式出现但诊断结果错误时，触发故障自学习算法进行故障模式学习，修改故障诊断判据。
故障自学习算法采用神经网络或支持向量机的人工智能算法进行设计，能够对故障模式和时间序列数据进行样本自学习，不断实现对故障特征和故障判据的自动优化更新，使故障诊断能力在使用过程中得到不断提升。
本发明中的时间序列数据也可以为动态信号。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (7)

1.一种基于人在回路的智能自学习故障诊断方法，其特征在于，每次获取时间序列数据后执行以下步骤：
步骤1，将获取的时间序列数据存入故障模式库；
步骤2，针对时间序列数据，以最优故障特征表单为依据，从故障特征提取算法库中选择对应算法进行故障特征提取，得到一组故障特征向量；
步骤3，针对故障特征向量，从故障模式库中提取故障诊断判据进行故障诊断，得到故障诊断结论，确定出现的故障模式；
步骤4，通过人机交互系统输入故障诊断结论的判断结论，如果故障诊断结论正确，则结束；如果故障诊断结论不正确，则执行步骤5；
步骤5，通过人机交互系统输入新故障模式的判断结论，如果为新故障模式，则向故障模式库中添加该故障模式，并触发故障自学习算法，更新最优故障特征表单；如果非新故障模式，则触发故障自学习算法，修改故障模式库中的故障诊断判据；
步骤9，故障自学习算法从故障模式库中提取所有的故障模式和时间序列数据，从故障特征提取算法库中获取故障特征提取算法，重新进行故障模式的自学习，更新最优故障特征表单和故障诊断判据。
2.根据权利要求1所述的方法，其特征在于，所述的故障模式库包括故障模式的类型和时间序列数据，各时间序列数据与故障模式相对应。
3.根据权利要求2所述的方法，其特征在于，所述的故障特征提取算法库包括时域、频域和时频域特征提取算法，能够对时间序列数据进行故障特征的提取。
4.根据权利要求3所述的方法，其特征在于，所述最优故障特征表单包括故障模式库中不同故障模式对应的故障特征类型。
5.根据权利要求4所述的方法，其特征在于，故障诊断的方法为：以故障模式库中的故障诊断判据为依据，采用逻辑判断或阈值判别方法进行故障诊断。
6.根据权利要求5所述的方法，其特征在于，故障自学习算法采用神经网络或支持向量机的人工智能算法进行设计。
7.根据权利要求1～6中任一项所述的方法，其特征在于，故障特征提取算法库为故障模式库提供故障特征提取算法支持，对故障模式库中的时间序列数据进行故障特征的提取。
CN201610730461.3A 2016-08-25 2016-08-25 基于人在回路的智能自学习故障诊断方法 Active CN106326933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610730461.3A CN106326933B (zh) 2016-08-25 2016-08-25 基于人在回路的智能自学习故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610730461.3A CN106326933B (zh) 2016-08-25 2016-08-25 基于人在回路的智能自学习故障诊断方法

Publications (2)

Publication Number Publication Date
CN106326933A true CN106326933A (zh) 2017-01-11
CN106326933B CN106326933B (zh) 2019-05-24

Family

ID=57791112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610730461.3A Active CN106326933B (zh) 2016-08-25 2016-08-25 基于人在回路的智能自学习故障诊断方法

Country Status (1)

Country Link
CN (1) CN106326933B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245910A (zh) * 2017-07-10 2019-01-18 中兴通讯股份有限公司 识别故障类型的方法及装置
CN109538460A (zh) * 2017-09-21 2019-03-29 中国石油天然气股份有限公司 柱塞泵的故障诊断方法及装置
CN109871397A (zh) * 2019-02-28 2019-06-11 重庆零壹空间航天科技有限公司 一种运载火箭测发控测试实时监判方法、系统
CN111274056A (zh) * 2018-11-20 2020-06-12 河南许继仪表有限公司 智能电能表故障库的自学习方法与装置
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统
CN113783710A (zh) * 2020-06-09 2021-12-10 南京南瑞继保电气有限公司 基于自学习判据的过程层网络故障定位方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100131800A1 (en) * 2007-03-22 2010-05-27 Nec Corporation Diagnostic device
CN104091070A (zh) * 2014-07-07 2014-10-08 北京泰乐德信息技术有限公司 一种基于时间序列分析的轨道交通故障诊断方法和系统
CN104331543A (zh) * 2014-10-17 2015-02-04 中国船舶重工集团公司第七一二研究所 一种船舶电力推进系统故障诊断专家系统和建立方法
CN104454785A (zh) * 2014-09-25 2015-03-25 中南大学 一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法
CN105302112A (zh) * 2015-10-23 2016-02-03 中国电子科技集团公司第十研究所 Icni系统智能故障诊断系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100131800A1 (en) * 2007-03-22 2010-05-27 Nec Corporation Diagnostic device
CN104091070A (zh) * 2014-07-07 2014-10-08 北京泰乐德信息技术有限公司 一种基于时间序列分析的轨道交通故障诊断方法和系统
CN104454785A (zh) * 2014-09-25 2015-03-25 中南大学 一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法
CN104331543A (zh) * 2014-10-17 2015-02-04 中国船舶重工集团公司第七一二研究所 一种船舶电力推进系统故障诊断专家系统和建立方法
CN105302112A (zh) * 2015-10-23 2016-02-03 中国电子科技集团公司第十研究所 Icni系统智能故障诊断系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109245910A (zh) * 2017-07-10 2019-01-18 中兴通讯股份有限公司 识别故障类型的方法及装置
CN109538460A (zh) * 2017-09-21 2019-03-29 中国石油天然气股份有限公司 柱塞泵的故障诊断方法及装置
CN109538460B (zh) * 2017-09-21 2020-11-03 中国石油天然气股份有限公司 柱塞泵的故障诊断方法及装置
CN111274056A (zh) * 2018-11-20 2020-06-12 河南许继仪表有限公司 智能电能表故障库的自学习方法与装置
CN111274056B (zh) * 2018-11-20 2023-10-03 河南许继仪表有限公司 智能电能表故障库的自学习方法与装置
CN109871397A (zh) * 2019-02-28 2019-06-11 重庆零壹空间航天科技有限公司 一种运载火箭测发控测试实时监判方法、系统
CN113701431A (zh) * 2020-05-21 2021-11-26 东芝生活电器株式会社 信息处理系统
CN113783710A (zh) * 2020-06-09 2021-12-10 南京南瑞继保电气有限公司 基于自学习判据的过程层网络故障定位方法和装置
CN113783710B (zh) * 2020-06-09 2024-01-02 南京南瑞继保电气有限公司 基于自学习判据的过程层网络故障定位方法和装置

Also Published As

Publication number Publication date
CN106326933B (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
CN106326933A (zh) 基于人在回路的智能自学习故障诊断方法
CN107447431A (zh) 一种基于rfid识别功能的洗衣机控制方法及洗衣机
CN107800562B (zh) 一种视图文件的路由配置方法和装置
CN106155042B (zh) 一种整车控制器故障处理的测试方法及装置
CN104618127B (zh) 主备存储节点切换方法和系统
CN108120900A (zh) 一种配电网故障定位方法及系统
RU2009147287A (ru) Способ и система для контроля окружающей среды
CN102929661B (zh) 一种功能组件的处理方法、装置及服务器
CN105912187A (zh) 语音控制方法及其设备
CN106033393A (zh) 一种应用程序测试方法及系统以及移动终端
CN106648869A (zh) 一种智能终端应用切换方法
CN106817148B (zh) 低通信频度下单一接收机接收扩频因子序列的方法及装置
CN104683195A (zh) 一种智能家居系统中待配置设备的配置方法
CN109344214A (zh) 地图管理方法和机器人
CN109633335A (zh) 故障识别方法和装置
CN103222220A (zh) 网络数据的回退方法及设备
CN105574865A (zh) 基于改进蚁群算法提取睫毛的方法
US9817844B2 (en) Aeromagnetic pre-processing system based on graphic user interface and pre-processing method using the thereof
CN105930231B (zh) 数据备份方法及系统、数据恢复方法及系统和移动终端
CN111282270A (zh) 基于游戏角色平衡发展的游戏任务显示方法、装置及设备
CN106375551A (zh) 一种信息交互方法、装置及终端
CN105786570A (zh) 程序开机自启动管理方法及装置
CN103377072A (zh) 拦截处理方法和移动终端
CN108173688A (zh) 一种基于树和版本号的组网配置内容的管理方法
CN105703965A (zh) 接入网络的检测方法、装置及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180611

Address after: 518057 A, 6 yuan, Zhuyuan garden, No. 5 KELONG Road, Yuhai street, Nanshan District, Shenzhen, Guangdong.

Applicant after: Zhongke Jun Sheng (Shenzhen) intelligent data science and Technology Development Co., Ltd.

Address before: 100080 No. 95 East Zhongguancun Road, Beijing, Haidian District

Applicant before: Institute of Automation, Chinese Academy of Sciences

GR01 Patent grant
GR01 Patent grant