CN109117353A - 故障诊断结果的融合方法及装置 - Google Patents
故障诊断结果的融合方法及装置 Download PDFInfo
- Publication number
- CN109117353A CN109117353A CN201810947527.3A CN201810947527A CN109117353A CN 109117353 A CN109117353 A CN 109117353A CN 201810947527 A CN201810947527 A CN 201810947527A CN 109117353 A CN109117353 A CN 109117353A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- diagnosis result
- confidence
- rule base
- confidence level
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Abstract
本发明提供了一种故障诊断结果的融合方法及装置,其中,该方法包括:获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;根据转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;置信规则库根据多个故障融合样本预先建立,置信度代表对每一融合结果的信任程度;根据多个融合结果的置信度,确定最终的故障诊断结果。上述技术方案提高了故障诊断结果的准确率,确保了设备的高效安全运行。
Description
技术领域
本发明涉及故障诊断技术领域,特别涉及一种故障诊断结果的融合方法及装置。
背景技术
经典的故障诊断方法在实际工业中已经得到了广泛的应用。但随着生产规模的增大、工艺复杂度的增加与产品质量要求的提高,对故障诊断提出了更高的要求。一方面,故障诊断方法的诊断性能可能会随着运行时间的增长而显著下,从而产生误报警与漏报警信息。操作人员需要花费大量时间去逐一排查这些报警信息,确保系统正常安全运行。另一方面,任何一种故障诊断方法在推导与证明过程中往往需要忽略某些因素或做出一些假设。这些前提假设条件往往导致不同的故障诊断方法并不对所有故障都敏感,而且想要设计一种对所有故障都敏感的诊断方法是不现实的。为了提高故障诊断结果的准确率,常常同时使用多种方法进行故障诊断,并将诊断结果进行决策融合。
关于故障诊断结果的决策融合,国内外已经有一些研究和应用。经典的决策融合方法主要分为两大类:第一类是基于效用的决策融合算法,主要包括简单投票融合、带权重投票融合。第二类是基于证据的决策融合算法,主要包括贝叶斯融合与Dempster-Shafer融合,其中D-S融合是最常应用的融合方法。然而D-S融合理论不能处理先验知识的不完整性,表现为在决策融合过程中常常会出现证据冲突的现象,导致故障诊断融合准确率低。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种故障诊断结果的融合方法,用以提高故障诊断结果的准确率,该方法包括:
获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;
将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;所述个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;
根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;所述置信规则库根据多个故障融合样本预先建立,所述置信度代表对每一融合结果的信任程度;
根据所述多个融合结果的置信度,确定最终的故障诊断结果。
本发明实施例还提供了一种故障诊断结果的融合装置,用以提高故障诊断结果的准确率,该装置包括:
获取单元,用于获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;
转化单元,用于将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;所述个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;
置信度计算单元,用于根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;所述置信规则库根据多个故障融合样本预先建立,所述置信度代表对每一融合结果的信任程度;
融合结果确定单元,用于根据所述多个融合结果的置信度,确定最终的故障诊断结果。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现故障诊断结果的融合方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行故障诊断结果的融合方法的计算机程序。
本发明实施例提供的技术方案,在预先建立置信规则库时,进行了对多种故障诊断结果的多个融合结果的置信度计算,在应用预先建立的置信规则库进行实时故障诊断融合时:首先,获取多种诊断方法得到的多种故障诊断结果;其次,将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;接着,根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;最后,根据所述多个融合结果的置信度,确定最终的故障诊断结果,该最终的故障诊断结果结合了置信规则库中的置信度,同时根据个体匹配度对置信度进行证据推理验证,避免了证据冲突的现象,经过个体匹配度证据推理验证得到的融合结果的置信度更加精确,从而得到了精确的最终故障诊断结果,因此,该技术方案提高了故障诊断结果的准确率,确保了设备的高效安全运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中故障诊断结果的融合方法的流程示意图;
图2是本发明另一实施例中故障诊断结果的融合方法的流程示意图;
图3是本发明实施例中各种故障诊断方法的正确率对比示意图;
图4是本发明实施例中故障诊断结果的融合装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
发明人发现:现有故障诊断结果的融合方法存在的问题是:由于会出现证据冲突的现象,导致故障诊断结果的准确率低,影像设备的高效安全运行。
由于发明人考虑到了这个技术问题,提出了一种基于RIMER的故障诊断决策融合方法,RIMER即基于证据推理的置信规则库推理方法(Belief Rule-base InferenceMethodology using the Evidential Reasoning Approach,RMER)。该方案建立置信规则库、证据推理、规则库参数优化、实时故障诊断决策融合四个部分。其中建立初始置信规则库包括置信规则库中置信度的计算;证据推理过程包括个体匹配度的计算。因此,该方案提高了故障诊断结果的准确率,确保了设备的高效安全运行。下面对该故障诊断结果的融合方案进行详细介绍如下。
在本发明实施例中,提供了一种故障诊断结果的融合方法,如图1所示,该方法包括如下步骤:
步骤101:获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;
步骤102:将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;所述个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;
步骤103:根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;所述置信规则库根据多个故障融合样本预先建立,所述置信度代表对每一融合结果的信任程度;
步骤104:根据所述多个融合结果的置信度,确定最终的故障诊断结果。
本发明实施例提供的技术方案,在预先建立置信规则库时,进行了对多种故障诊断结果的多个融合结果的置信度计算,在应用预先建立的置信规则库进行实时故障诊断融合时:首先,获取多种诊断方法得到的多种故障诊断结果;其次,将每一诊断方法对应的故障诊断结果转化为个体匹配度;接着,根据所述转化的个体匹配度,预先建立的置信规则库中的置信度,确定对多种故障诊断结果的多个融合结果的置信度;最后,根据所述多个融合结果的置信度,确定最终的故障诊断结果,该最终的故障诊断结果结合了置信规则库,同时根据个体匹配度对置信度进行证据推理验证,避免了证据冲突的现象,经过个体匹配度证据推理验证得到的融合结果的置信度更加精确,从而得到了精确的最终故障诊断结果,因此,该技术方案提高了故障诊断结果的准确率,确保了设备的高效安全运行。
具体实施时,融合结果的置信度是指对经证据推理算法计算后得到的融合结果的信任程度。其实质是一组概率值。例如下文提到的融合结果的置信度不同于置信规则库中的置信度βj,k,得到的过程并不是简单查询置信规则库的过程,而是根据个体匹配度,经证据推理算法(8)、(9)、(10)、(11)计算的过程。
下面结合附图2对上述各个步骤进行详细介绍如下。
第一,介绍预先建立置信规则库的过程。
(一)首先介绍建立初步的置信规则库:
在一个实施例中,可以按照如下方法预先建立置信规则库:
获取故障融合样本数据集;所述故障融合样本数据集包括:测试数据集;
根据所述测试数据集,建立置信规则库表;所述置信规则库表包括:多种故障诊断结果任意组合及其组合后得到的多个输出结果;
按照如下方法计算所述置信规则库表中多个输出结果的置信度:
根据所述测试数据集,得到每一诊断方法的混淆矩阵;
根据每一诊断方法的混淆矩阵,得到混淆矩阵的概率表示;
根据混淆矩阵的概率表示,计算多个输出结果的置信度;所述多个输出结果为所述多个融合结果。
具体实施时,根据先验知识建立置信规则库可以包括:
A.1、首先介绍构造置信规则库表的过程:
置信规则库中第k(k=1,2,…,L)条置信规则的描述如下:
其中,xi(i=1,2,…,M)称为前提属性(可以为诊断方法),为M种故障诊断方法给出的诊断结果。称为前提属性参考值,是所有诊断结果可能取值的集合。D1,D2,…,DN表示决策融合之后的输出结果。βj,k(j=1,2,…,N,k=1,2,…,L)称为置信度,表示针对N个决策融合结果的信任程度。δi,k(i=1,2,…,M,k=1,2,…,L)表示在第k条规则中第i个前提属性的权重,反映了第i个前提属性相较于其它前提属性的重要程度。θk(k=1,2,…,L)表示第k条规则的权重,反映了在置信规则库中第k条规则相较于其它规则的重要程度。由L条置信规则组成的置信规则库如下表1所示:
表1
另外,下、上标k表示规则条数。k=1,2,…,L,共有L条规则。下标i表示前提属性个数(亦即基本分类个数)。i=1,2,…,M,共有M个前提属性。下标j表示结果个数。j=1,2,…,N共有N类结果。
置信规则库中有M种故障诊断方法N类诊断结果,共有L=NM条规则。方便起见,置信规则库中的规则权重θk与前提属性权重δi,k均设置为1;将故障诊断方法简称为分类器,诊断结果简称分类结果。
A.2、其次介绍计算置信规则库中的置信度:
取部分历史数据将其分为测试数据集与参数优化数据集。根据测试数据集,得到关于每个分类器的混淆矩阵(Confusion Matrix,CM),如下所示:
其中,混淆矩阵的每一行代表数据实际所属类别:D1,D2,…,DN,矩阵的每一列代表被第i个分类器所判定的类别。例如矩阵元素表示第i个分类器将故障Dm判定为故障Dn的个数。混淆矩阵的个数等于前提属性的个数。矩阵元素下标N是下标j所能取到得最大值。
根据混淆矩阵可以得到混淆矩阵的概率表示:
在混淆矩阵的概率表示中,矩阵元素且矩阵的行和均为1,即
根据M个混淆矩阵的概率表示结合贝叶斯公式,可计算在第k条规则中对应于输出结果Dj的置信度βj,k。
根据公式(6)计算置信规则库中的置信度,完成置信规则库的建立,该置信规则库可以为一个初步的置信规则库。
(二)接着介绍利用个体匹配度对上述初步的置信规则库中置信度证据推理的过程,从而得到经过证据推理后输出结果分布的置信度,根据该经过证据推理后的置信度可以得到更加准确的故障诊断结果。
在一个实施例中,上述故障诊断结果的融合方法还可以包括:
根据混淆矩阵的概率表示,得到每一诊断方法对每一故障诊断结果的个体匹配度矩阵;
根据所述个体匹配度矩阵,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度;
根据证据推理后输出结果的置信度,更新所述预先建立的置信规则库。
在一个实施例中,根据所述个体匹配度矩阵,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度,可以包括:
根据所述个体匹配度矩阵,以及每一诊断方法对每一故障诊断结果的权重,计算多种故障诊断结果任意组合得到的输出结果的权重;
根据多种故障诊断结果任意组合得到的输出结果的权重,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度。
具体实施时,根据个体匹配度对置信规则库中置信度证据推理的过程可以包括:
B.1、计算个体匹配度:
个体匹配度代表了对分类器所给结果的信任程度,是一种描述概率不确定性的方法。对混淆矩阵的某列而言,在所有被分类器判定为故障Dj的结果中,存在本属于故障Dl却被误判为Dj的情况,l,j=1,2,…,N。换言之,当第i个分类器判定某个样本属于故障Dj时,有理由相信样本存在一定概率实际属于其它类故障。根据混淆矩阵的概率表示(3),可得第i个分类器对每类结果的个体匹配度(Individual Matching Degree,IMD)矩阵如下:
其中,个体匹配度且矩阵的行和均为1。矩阵的第1行表示当第i个分类器判定样本属于故障D1时,有的概率属于的概率属于D1,但仍有的概率属于D2,有的概率属于DN。
B.2、计算激活权重ωk:
当给定一组前提属性组合时,置信规则库中第k条规则的激活权重可通过以下公式计算:
其中规则激活权重ωk∈[0,1],δi(i=1,2,…,M)为前提属性权重。为规则k下第i个分类器分类结果所对应的个体匹配度,即公式(7)中的个体匹配度,下标rik和cik为规则k下分类器i的个体匹配度矩阵IMDi的行标和列标对应值,与具体规则k有关,且一一对应。
B.3、推理计算输出结果Dj的置信度
证据推理的解析表达式如下式所示,需首先计算参数μ,在此基础上才能得到关于输出结果Dj的置信度
其中βj,k为置信规则库中输出结果分布的置信度,为经过证据推理后输出结果分布的置信度。证据推理过程并不是简单的查询置信规则库的过程,且经证据推理所得输出结果分布的置信度的值一般不同于置信规则库中的置信度βj,k的值。
第二,在预先建立好置信规则库后,就可以利用该预先建立的置信规则库进行实时的故障诊断融合。那么在获取多种诊断方法得到的多种故障诊断结果后,将每一诊断方法对应的故障诊断结果转化为个体匹配度,即将实时故障诊断结果参照步骤B.1转化为个体匹配度,具体过程可以包括:
根据每一诊断方法的混淆矩阵,得到混淆矩阵的概率表示;
根据混淆矩阵的概率表示,得到每一诊断方法对每一故障诊断结果的个体匹配度。
第三,介绍上述步骤103计算置信度的过程。在个体匹配度的基础上,参照步骤B.2与步骤B.3计算输出结果分布{D1,D2,…,DN}的置信度可以按照上述公式(11)计算置信度。
第四,介绍上述步骤104,具体实施时,根据所述多个融合结果的置信度,确定最终的故障诊断结果,包括:选择输出结果分布中置信度最大者即为决策融合最终结果。
第五,介绍置信规则库优化的过程。
发明人还发现现有D-S融合理论在决策融合过程中,不能更新每种诊断方法的先验知识,由于发明人考虑到这点,提出了如下置信规则库优化的方案。
在一个实施例中,所述故障融合样本数据集还可以包括:参数优化数据集;
所述故障诊断结果的融合方法还包括:根据所述参数优化数据集,对预先建立的置信规则库进行优化,得到更新后的置信规则库。
具体实施时,当决策融合算法性能下降时,可选择最新数据(优化数据集)根据如下步骤C重新优化置信规则库的参数,达到更新先验知识的目的。
步骤C:离线置信规则库参数优化:在离线参数优化过程中,所需优化的参数有M个前提属性权重δi,L个规则权重θk以及L×N个置信度βj,k,参数优化过程的目标函数一般为均方误差函数整个优化模型是一个具有不等式约束的非线性优化模型:
下面再举一实例,以说明本发明如何实施。
本实施例将结合Tennessee-Eastman(T-E)数据给出一个基于RIMER的故障诊断决策融合仿真实例。T-E过程是一个大型的复杂化工过程,包括五个主要单元:反应器、冷凝器、压缩机、分离器、和汽提塔,在反应过程中产生两种主产物G和H,以及一种副产物F。该过程共有41个测量变量其中包含22个连续过程测量变量每3min采样一次、19个成分测量变量每6min或15min采样一次。整个过程有12个控制变量以及21种可编程的故障,仿真代码与数据可以从Richard Braatz教授网站下载得到。考虑到采样间隔的不同,本案例中只使用22个连续过程测量变量。为便于说明,这里只考虑正常运行数据(记为故障F0)、故障F1与故障F12。其中故障F1为A/C进料比率阶跃,B成分不变;故障F12为冷凝器冷却水入口温度随机变化。选择3种故障诊断方法分别为:人工神经网络(Artificial Neural Network,ANN)、K近邻方法(K-Nearest Neighbor,KNN)以及支持向量机(Support Vector Machine,SVM),将这三种故障诊断方法做为前提属性。
步骤A:根据先验知识建立置信规则库
步骤A.1:构造置信规则库表:
本案例中共有三种故障诊断方法和三类故障,初始置信规则库共有33=27条规则。但此时并不知道规则与前提属性的相对重要程度,方便起见,将规则权重θk与前提属性δi均设为1。
步骤A.2:计算置信规则库中的置信度:
选择故障F0、F1与F12测试数据集的161-660各500个数据作为测试数据集,得到混淆矩阵与其概率表示如下所示:
根据混淆矩阵ANN_CMP、KNN_CMP、SVM_CMP计算置信规则库中的置信度,得置信规则库如下表2所示,前提属性权重δ1=1,δ2=1,δ3=1。
表2
步骤B:证据推理
步骤B.1:计算个体匹配度:
根据混淆矩阵ANN_CMP、KNN_CMP、SVM_CMP计算证据推理过程中的个体匹配度如下所示:
其中:ANN_IMD的第一行表示,当ANN分类器判定样本属于故障F0时,其有0.8899的概率属于F0,而仍有0.0018的概率属于F1、0.1083的概率属于F2。KNN与SVM的个体匹配度具有与此类似含义。
步骤C:离线置信规则库参数优化:使用故障F0、F1与F12的461-660各200数据作为参数优化数据集对初始置信规则库进行优化,参数优化之后的置信规则库如下表3所示:
表3
优化后的三个前提属性为:δ1=0.9811,δ2=0.9868,δ3=0.8787。
步骤D:在线实时故障诊断决策融合:选择故障F0、F1与F12的661-860各200数据,分别就单个分类器与基于RIMER的融合方法进行测试,结果如下表4所示:
表4
根据上表4计算各种故障诊断方法的正确率,如图3所示。从图中可以看到与基本分类器相比,RIMER决策融合方法将基本分类器给出的结果进行有效融合,因此拥有最高的故障诊断正确率。在实际应用中,当RIMER故障诊断决策融合算法的性能有所下降时,操作人员可以利用新的数据重新优化置信规则库中的参数,达到实时更新先验知识的目地,使RIMER融合算法给出更加可靠的决策融合结果。
基于同一发明构思,本发明实施例中还提供了一种故障诊断结果的融合装置,如下面的实施例所述。由于故障诊断结果的融合装置解决问题的原理与故障诊断结果的融合方法相似,因此故障诊断结果的融合装置的实施可以参见故障诊断结果的融合方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例中故障诊断结果的融合装置的结构示意图,如图4所示,该装置包括:
获取单元02,用于获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;
转化单元04,用于将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;所述个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;
置信度计算单元06,用于根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;所述置信规则库根据多个故障融合样本预先建立,所述置信度代表对每一融合结果的信任程度;
融合结果确定单元08,用于根据所述多个融合结果的置信度,确定最终的故障诊断结果。
在一个实施例中,上述故障诊断结果的融合装置还可以包括:置信规则库建立单元,用于按照如下方法预先建立置信规则库:
获取故障融合样本数据集;所述故障融合样本数据集可以包括:测试数据集;
根据所述测试数据集,建立置信规则库表;所述置信规则库表可以包括:多种故障诊断结果任意组合及其组合后得到的多个输出结果;
按照如下方法计算所述置信规则库表中多个输出结果的置信度:
根据所述测试数据集,得到每一诊断方法的混淆矩阵;
根据每一诊断方法的混淆矩阵,得到混淆矩阵的概率表示;
根据混淆矩阵的概率表示,计算多个输出结果的置信度;所述多个输出结果为所述多个融合结果。
在一个实施例中,上述故障诊断结果的融合装置还可以包括:更新单元,用于:
根据混淆矩阵的概率表示,得到每一诊断方法对每一故障诊断结果的个体匹配度矩阵;
根据所述个体匹配度矩阵,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度;
根据证据推理后输出结果的置信度,更新所述预先建立的置信规则库。
在一个实施例中,根据所述个体匹配度矩阵,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度,可以包括:
根据所述个体匹配度矩阵,以及每一诊断方法对每一故障诊断结果的权重,计算多种故障诊断结果任意组合得到的输出结果的权重;
根据多种故障诊断结果任意组合得到的输出结果的权重,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度。
在一个实施例中,上述故障诊断结果的融合装置还可以包括:参数优化数据集;
所述故障诊断结果的融合装置还包括:优化单元,用于根据所述参数优化数据集,对预先建立的置信规则库进行优化,得到更新后的置信规则库。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现故障诊断结果的融合方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行故障诊断结果的融合方法的计算机程序。
本发明实施提供的技术方案可以达到的有益技术效果为:本发明实施例提供的技术方案提高了故障诊断结果的准确率,确保了设备的高效安全运行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种故障诊断结果的融合方法,其特征在于,包括:
获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;
将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;所述个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;
根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;所述置信规则库根据多个故障融合样本预先建立,所述置信度代表对每一融合结果的信任程度;
根据所述多个融合结果的置信度,确定最终的故障诊断结果。
2.如权利要求1所述的故障诊断结果的融合方法,其特征在于,按照如下方法预先建立置信规则库:
获取故障融合样本数据集;所述故障融合样本数据集包括:测试数据集;
根据所述测试数据集,建立置信规则库表;所述置信规则库表包括:多种故障诊断结果任意组合及其组合后得到的多个输出结果;
按照如下方法计算所述置信规则库表中多个输出结果的置信度:
根据所述测试数据集,得到每一诊断方法的混淆矩阵;
根据每一诊断方法的混淆矩阵,得到混淆矩阵的概率表示;
根据混淆矩阵的概率表示,计算多个输出结果的置信度;所述多个输出结果为所述多个融合结果。
3.如权利要求2所述的故障诊断结果的融合方法,其特征在于,还包括:
根据混淆矩阵的概率表示,得到每一诊断方法对每一故障诊断结果的个体匹配度矩阵;
根据所述个体匹配度矩阵,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度;
根据证据推理后输出结果的置信度,更新所述预先建立的置信规则库。
4.如权利要求3所述的故障诊断结果的融合方法,其特征在于,根据所述个体匹配度矩阵,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度,包括:
根据所述个体匹配度矩阵,以及每一诊断方法对每一故障诊断结果的权重,计算多种故障诊断结果任意组合得到的输出结果的权重;
根据多种故障诊断结果任意组合得到的输出结果的权重,以及所述多个输出结果的置信度,得到证据推理后输出结果的置信度。
5.如权利要求2所述的故障诊断结果的融合方法,其特征在于,所述故障融合样本数据集还包括:参数优化数据集;
所述故障诊断结果的融合方法还包括:根据所述参数优化数据集,对预先建立的置信规则库进行优化,得到更新后的置信规则库。
6.一种故障诊断结果的融合装置,其特征在于,包括:
获取单元,用于获取多种诊断方法得到的多种故障诊断结果;其中每一诊断方法对应一种故障诊断结果;
转化单元,用于将每一诊断方法对应的故障诊断结果根据个体匹配度矩阵转化为个体匹配度;所述个体匹配度代表对每一诊断方法所给出故障诊断结果的信任程度;
置信度计算单元,用于根据所述转化的个体匹配度,预先建立的置信规则库,确定对多种故障诊断结果的多个融合结果的置信度;所述置信规则库根据多个故障融合样本预先建立,所述置信度代表对每一融合结果的信任程度;
融合结果确定单元,用于根据所述多个融合结果的置信度,确定最终的故障诊断结果。
7.如权利要求6所述的故障诊断结果的融合装置,其特征在于,还包括:置信规则库建立单元,用于按照如下方法预先建立置信规则库:
获取故障融合样本数据集;所述故障融合样本数据集包括:测试数据集;
根据所述测试数据集,建立置信规则库表;所述置信规则库表包括:多种故障诊断结果任意组合及其组合后得到的多个输出结果;
按照如下方法计算所述置信规则库表中多个输出结果的置信度:
根据所述测试数据集,得到每一诊断方法的混淆矩阵;
根据每一诊断方法的混淆矩阵,得到混淆矩阵的概率表示;
根据混淆矩阵的概率表示,计算多个输出结果的置信度;所述多个输出结果为所述多个融合结果。
8.如权利要求7所述的故障诊断结果的融合装置,其特征在于,所述故障融合样本数据集还包括:参数优化数据集;
所述故障诊断结果的融合装置还包括:优化单元,用于根据所述参数优化数据集,对预先建立的置信规则库进行优化,得到更新后的置信规则库。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947527.3A CN109117353B (zh) | 2018-08-20 | 2018-08-20 | 故障诊断结果的融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810947527.3A CN109117353B (zh) | 2018-08-20 | 2018-08-20 | 故障诊断结果的融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109117353A true CN109117353A (zh) | 2019-01-01 |
CN109117353B CN109117353B (zh) | 2019-12-20 |
Family
ID=64853361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810947527.3A Active CN109117353B (zh) | 2018-08-20 | 2018-08-20 | 故障诊断结果的融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109117353B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348752A (zh) * | 2019-07-16 | 2019-10-18 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111076962A (zh) * | 2020-01-03 | 2020-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
CN111177485A (zh) * | 2019-12-16 | 2020-05-19 | 中建材智慧工业科技有限公司 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
CN111539457A (zh) * | 2020-04-02 | 2020-08-14 | 北京控制工程研究所 | 一种基于贝叶斯网络的故障融合诊断方法 |
CN111980900A (zh) * | 2020-07-15 | 2020-11-24 | 湘潭中环水务有限公司 | 一种基于多源数据融合分析的水泵故障诊断方法 |
CN112101797A (zh) * | 2020-09-18 | 2020-12-18 | 中国人民解放军火箭军工程大学 | 一种复杂工业系统动态故障诊断方法及系统 |
CN112395684A (zh) * | 2020-10-30 | 2021-02-23 | 长春工业大学 | 一种高速列车走行部系统智能故障诊断方法 |
CN112798279A (zh) * | 2020-12-30 | 2021-05-14 | 杭州朗阳科技有限公司 | 一种新的诊断电机轴承故障的检测方法 |
CN112990275A (zh) * | 2021-02-20 | 2021-06-18 | 长春工业大学 | 一种半定量信息融合的高速列车走行部系统故障诊断方法 |
CN113377564A (zh) * | 2021-06-08 | 2021-09-10 | 珠海格力电器股份有限公司 | 故障诊断方法、装置、计算机设备和存储介质 |
CN114779747A (zh) * | 2022-05-11 | 2022-07-22 | 中国第一汽车股份有限公司 | 车辆故障原因确定系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308855A (zh) * | 2013-05-29 | 2013-09-18 | 上海电机学院 | 基于灰色关联的风力发电机组故障诊断方法及装置 |
CN104156627A (zh) * | 2014-08-29 | 2014-11-19 | 中国石油大学(北京) | 一种基于设备工况的故障诊断方法及装置 |
CN106803101A (zh) * | 2016-12-30 | 2017-06-06 | 北京交通大学 | 基于隐马尔科夫模型的里程计故障诊断方法 |
US20170261264A1 (en) * | 2017-05-25 | 2017-09-14 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
-
2018
- 2018-08-20 CN CN201810947527.3A patent/CN109117353B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308855A (zh) * | 2013-05-29 | 2013-09-18 | 上海电机学院 | 基于灰色关联的风力发电机组故障诊断方法及装置 |
CN104156627A (zh) * | 2014-08-29 | 2014-11-19 | 中国石油大学(北京) | 一种基于设备工况的故障诊断方法及装置 |
CN106803101A (zh) * | 2016-12-30 | 2017-06-06 | 北京交通大学 | 基于隐马尔科夫模型的里程计故障诊断方法 |
US20170261264A1 (en) * | 2017-05-25 | 2017-09-14 | Northeastern University | Fault diagnosis device based on common information and special information of running video information for electric-arc furnace and method thereof |
Non-Patent Citations (2)
Title |
---|
JIE ZHANG: "Improved on-line process fault diagnosis through information fusion in multiple neural networks", 《COMPUTERS AND CHEMICAL ENGINEERING》 * |
付华等: "基于信息融合技术的电机故障诊断", 《辽宁工程技术大学学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348752B (zh) * | 2019-07-16 | 2023-07-25 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN110348752A (zh) * | 2019-07-16 | 2019-10-18 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111177485A (zh) * | 2019-12-16 | 2020-05-19 | 中建材智慧工业科技有限公司 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
CN111076962B (zh) * | 2020-01-03 | 2022-03-29 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
CN111076962A (zh) * | 2020-01-03 | 2020-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
CN111539457A (zh) * | 2020-04-02 | 2020-08-14 | 北京控制工程研究所 | 一种基于贝叶斯网络的故障融合诊断方法 |
CN111539457B (zh) * | 2020-04-02 | 2023-12-15 | 北京控制工程研究所 | 一种基于贝叶斯网络的故障融合诊断方法 |
CN111980900B (zh) * | 2020-07-15 | 2022-04-15 | 湘潭中环水务有限公司 | 一种基于多源数据融合分析的水泵故障诊断方法 |
CN111980900A (zh) * | 2020-07-15 | 2020-11-24 | 湘潭中环水务有限公司 | 一种基于多源数据融合分析的水泵故障诊断方法 |
CN112101797A (zh) * | 2020-09-18 | 2020-12-18 | 中国人民解放军火箭军工程大学 | 一种复杂工业系统动态故障诊断方法及系统 |
CN112101797B (zh) * | 2020-09-18 | 2023-10-27 | 中国人民解放军火箭军工程大学 | 一种复杂工业系统动态故障诊断方法及系统 |
CN112395684A (zh) * | 2020-10-30 | 2021-02-23 | 长春工业大学 | 一种高速列车走行部系统智能故障诊断方法 |
CN112798279A (zh) * | 2020-12-30 | 2021-05-14 | 杭州朗阳科技有限公司 | 一种新的诊断电机轴承故障的检测方法 |
CN112990275A (zh) * | 2021-02-20 | 2021-06-18 | 长春工业大学 | 一种半定量信息融合的高速列车走行部系统故障诊断方法 |
CN113377564A (zh) * | 2021-06-08 | 2021-09-10 | 珠海格力电器股份有限公司 | 故障诊断方法、装置、计算机设备和存储介质 |
CN113377564B (zh) * | 2021-06-08 | 2022-06-14 | 珠海格力电器股份有限公司 | 故障诊断方法、装置、计算机设备和存储介质 |
CN114779747A (zh) * | 2022-05-11 | 2022-07-22 | 中国第一汽车股份有限公司 | 车辆故障原因确定系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109117353B (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117353A (zh) | 故障诊断结果的融合方法及装置 | |
Castro et al. | Knowledge discovery in neural networks with application to transformer failure diagnosis | |
Witczak | Modelling and estimation strategies for fault diagnosis of non-linear systems: from analytical to soft computing approaches | |
CN109657789A (zh) | 基于小波神经网络的风机齿轮箱故障趋势预测方法 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN104461896B (zh) | 基于可信属性的航天系统关键软件评价方法 | |
CN106022366B (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
FR2743642A1 (fr) | Procede et appareil de diagnostic d'anomalies d'une installation | |
Idé | Collaborative anomaly detection on blockchain from noisy sensor data | |
CN105512011B (zh) | 一种电子装备测试性建模评估方法 | |
CN109670610A (zh) | 基于故障传播分析的故障诊断优化方法 | |
CN109270458A (zh) | 智能故障诊断方法、系统、风电机组及存储介质 | |
CN109870306A (zh) | 一种拖拉机发动机故障诊断及预测方法 | |
CN105868115A (zh) | 软件密集型系统软件测试模型的构建方法和系统 | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
Lin et al. | An HFM‐CREAM model for the assessment of human reliability and quantification | |
CN116771576A (zh) | 水电机组故障综合诊断方法 | |
Anrig et al. | Probabilistic argumentation systems: Introduction to assumption-based modeling with ABEL | |
CN108050397B (zh) | 基于光纤多源信号的分层序贯比管道泄漏监控方法及系统 | |
Hou et al. | An artificial neural network based anomaly detection algorithm for nuclear power plants | |
CN108121796A (zh) | 基于可信度的电能计量装置故障分析方法及装置 | |
CN110059413B (zh) | 一种故障诊断方法 | |
COYNE et al. | Nuclear Plant Control Room Operator Modeling Within the ADS-IDAC, Version 2, Dynamic PRA Environment: Part 1-General Description and Cognitive Foundations. | |
Singh et al. | Development of ANN-based virtual fault detector for Wheatstone bridge-oriented transducers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |