CN110032174B - 一种分层故障诊断模型及方法 - Google Patents

Abstract

本发明属于机器学习与故障诊断技术领域，涉及一种分层故障诊断模型及方法，诊断模型分为三层：（1）本地监测层：负责发现故障并及时上报给故障分类层；（2）故障分类层:负责对故障进行分类并识别未知故障；（3）决策层:负责整个系统知识的自我学习和更新。该发明可以在保障检测精度的前提下大幅减少数据传输量，从而降低终端节点的能耗，特别适用于资源受限的故障诊断系统。

Description

一种分层故障诊断模型及方法

技术领域

本发明属于故障诊断技术领域，具体涉及一种分层故障诊断模型及方法，主要用于解决如何用低配置的多个物联网节点进行设备故障诊断的问题。

背景技术

由于物联网节点部署灵活方便、造价较低，基于物联网技术的设备健康监测正越来越受到工业界的关注。故障诊断是设备健康监测的主要内容，传统的故障诊断方法通常是在多个本地传感器上收集原始设备信息，将其汇总上传到终端设备，由终端设备完成对原始设备信号特征的提取，并进行智能诊断，这种方式需要本地节点上传大量数据供后台进行分析，传输这些数据将消耗大量的能量，这对于低配置、特别是电池供电的物联网节点来说是不适用的。因此，需要设计一种轻量级的故障识别和诊断方案，在保障诊断准确性的前提下，减少物联网节点的能耗。

发明内容

本发明针对现有技术中的不足，提供一种分层故障诊断模型及方法。

为实现上述目的，本发明采用以下技术方案：

一种分层故障诊断模型，其特征在于，包括：本地监测层、故障分类层和决策层；

所述本地监测层包括带各类传感器和微处理器的物联网节点，负责采集数据、发现故障并及时上报给故障分类层；本地监测层通过稀疏自编码机算法对原始信号进行处理，判断设备是否出现故障，当设备运行正常时，不发送任何数据，当检测到故障时，将故障数据发送到故障分类层；

所述故障分类层包括靠近物联网节点的汇聚节点，负责对接收到的故障数据进行特征提取，通过将在决策层训练好的随机森林模型嵌入汇聚节点，实现对故障分类并识别未知故障；

所述决策层负责整个系统知识的自我学习和更新，通过处理故障分类层发送上来的未知故障信号，将其正确分类，从中学习其特征并实时更新故障分类层的分类模型。

此外，还提出了一种采用上述分层故障诊断模型的分层故障诊断方法，包括：

1)本地监测层的处理流程如下：

由设备上的正常数据训练稀疏自编码机；

将训练好的稀疏自编码机嵌入本地设备中，设备的感知数据输入训练好的稀疏自编码机，输出学习后的数据；

将输出数据与正常数据做差值，差值超过规定的阈值的为故障数据；

2)故障分类层的处理流程如下：

根据训练样本数据集构建随机森林模型，其中包含多棵随机树；

在每棵树中，对于落入相同叶子结点的实例构建球；

对于测试实例，如果其落在球内，则为已知故障，其故障类型为该球标签，如果其落在球外，则为未知故障；

3)决策层的处理流程如下：

确定聚类数目范围；

对于第N次聚类，计算每个数据的轮廓系数，最佳聚类数目为其最大值所对应的数目；

根据最佳聚类数目输出k-means聚类结果；

根据聚类结果重新更新故障分类层。

为优化上述技术方案，采取的具体措施还包括：

进一步地，本地监测层检测故障的具体步骤如下：

S1：提前收集设备正常运行时的感知数据训练稀疏自编码机，获得正常数据特征，h_ij为正常数据即训练数据x_i通过稀疏自编码机学习后的输出数据

的第j个特征；

S2：将训练好的稀疏自编码机嵌入物联网节点中，设备的感知数据输入训练好的稀疏自编码机后，输出处理后的特征数据

h′_ij为测试数据x′_i通过稀疏自编码机学习后的输出数据

的第j个特征；

S3：计算正常数据类的输出特征中心

n表示训练数据个数；

S4：计算h_ij与M_j之间的欧几里德距离d_ij＝||h_ij-M_j||；

S5：计算特征阈值矩阵

S6：比较输出数据特征与正常数据特征的欧几里德距离，如果h′_ij-M_j＞kθ_j，其中k是控制阈值，则认定x′_i为故障数据，将故障数据发送到故障分类层。

进一步地，故障分类层构建随机森林模型的具体步骤如下：

假设

是训练样本数据集，其中x_i表示第i个训练数据，y_i＝{1，2，3，...，P}∈Y为对应标签，Y表示标签集合，n表示训练数据个数；

是测试样本数据集，其中x′_i表示第i个测试数据，y′_i＝{1，2，3，...，M}∈Y且M＞P为对应标签，m表示测试数据个数；

从训练样本数据集X随机选择多个样本数据，然后随机选择数据的一种特征值将样本数据划分为两棵子树，重复以上两步不断构造孩子节点，直到孩子节点的数据数量达到上限，则随机树的构造完成；

设A＝(x₁，x₂，x₃，...，x_m)为落入相同叶子结点的训练实例，则对集合A构建球O，A的中心定义为：

以ce为中心的球O半径r＝dist(cg，e)，其中e为A中距离ce最远的实例，定义球O的标签label(O)为集合A中出现最多的标签；

在测试时，落入这些球中的测试实例为已知故障，落在球外的测试实例则为未知故障。

进一步地，构造完全随机树和分类故障的过程如下：

S1：根据训练样本数据集X得到随机森林模型F，其中包含t棵随机树{f₁，f₂，f₃，...，f_t}；

S2：在每棵树中，对于落入相同叶子结点的实例构建球O；

S3：对于测试实例x′_i，x′_i在第j棵树的类别标签定义为：

其中f_j(x′_i)表示第j棵树对于输入数据x′_i计算得到的标签类别，其将x′_i分为已知类或未知类；函数

表示输出所有树计算出的出现频率最高的标签类别，如果label(x′_i)＝new，将该测试实例放入缓冲区，直到缓冲区数量达到上限，发送给决策层。

进一步地，决策层的具体分类过程如下：

S1：确定聚类数目范围为

l为聚类数据个数，σ为控制阈值；

S2：对于第N次聚类，计算每个数据的轮廓系数，得到：

其中，第i个实例的轮廓系数为

a_i表示为第i个实例所属簇中所有其他实例的平均距离，b_i表示为第i个实例到不包含该实例的任意簇中所有实例的平均距离；

则最佳聚类数目为bestn＝arg max(s(N))；

S3：根据bestn输出k-means聚类结果；

S4：对于识别到的未知故障类型传送到故障分类层，更新整个诊断模型。

本发明的有益效果是：构建了一种分层故障诊断模型，用于检测识别设备故障。它将诊断过程分层处理，在检测阶段直接根据原始信号做出初步决策，节省了大量不必要的数据传输，从而降低了本地节点的能耗，在识别阶段能够识别哪些数据属于未知故障并对已知故障准确分类。

附图说明

图1为分层故障诊断模型的框架图。

图2为实现一棵完全随机树的构造和分类故障的流程图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示的分层故障诊断模型的主要思想为：将诊断系统分为三层：本地监测层、故障分类层和决策层。这三层各自处理相应任务，同时相互通信从而达到故障诊断目的。

本地监测层主要负责发现故障并及时上报给故障分类层，通过对稀疏自编码机(SAE)进行改进，使其直接对原始信号进行初步处理，判断设备是否出现故障，不向上级诊断层发送任何信息除非监测到故障信号。对于监测到的故障信号，将其发送到故障分类层。

故障分类层负责对接收到的信号进行特征提取，通过对随机森林算法进行改进，使其对故障进行分类并识别未知故障。故障分类层可以由多个终端设备分别管理本地设备，也可以由一个终端设备同时管理多个本地设备。它们在同个层上形成多个任务节点，彼此独立又相互关联，降低了诊断任务的复杂度。

决策层负责整个系统知识的自我学习和更新，通过处理故障分类层发送上来的未知故障信号，从中学习新知识并实时更新系统。

本地监测层的具体步骤是：稀疏自编码机可以自动从无标注数据中学习特征，给出比原始数据更好的特征描述。基于此，引用稀疏自编码机从正常设备的原始信号中学习特征，将训练好的模型发送至本地设备上，设备根据模型对测试样本进行识别，如果样本的特征与正常信号的特征相比有着显著的误差，则认为该样本为故障信号，将其发送给上级诊断层。

收集设备的正常数据

作为训练样本数据集，其中n表示训练数据个数，x_i表示第i个训练数据，y_i＝{1}∈Y为x_i对应标签，其中Y＝{1，2，3，...}为所有标签集合，x_i特征维度为c，t_ij表示数据x_i的第j个特征。

是训练样本的SAE输出数据集，其中

表示x_i对应的输出数据，特征维度为v，h_ij表示数据

的第j个特征；

是测试样本数据集，其中m表示测试数据个数，x′_i表示第i个测试数据，y′_i＝{1，2，3，...，K}∈Y且K＞1为对应标签，t′_ij表示数据x_i′的第j个特征，h′_ij为x_i′输出数据

的第j个特征。

计算正常数据类的输出特征中心

通过计算h_ij与M_j之间的欧几里德距离构造波动矩阵d_ij＝||h_ij-M_j||，计算特征阈值矩阵

如果h′_ij-M_j＞kθ_j，其中k是控制阈值，则认定x′_i为故障数据。

故障分类层的具体步骤是：使用改进随机森林模型来实现故障分类层的功能。

假设

是训练样本数据集，其中x_i表示第i个训练数据，y_i＝{1，2，3，...，P}∈Y为对应标签；

是测试样本数据集，其中x′_i表示第i个测试数据，y′_i＝{1，2，3，...，M}∈Y且M＞P为对应标签；

从训练样本数据集X随机选择多个样本数据，然后随机选择数据的一种特征值将样本数据划分为两棵子树，重复上述两个步骤不断构造孩子节点，直到孩子节点的数据数量达到上限，则随机树的构造完成。设A＝(x₁，x₂，x₃，...，x_m)为落入相同叶子结点的训练实例，则对集合A构建球O，A的中心定义为：

以ce为中心的球O半径r＝dist(ce，e)，其中e为A中距离ce最远的实例，定义球O的标签label(O)为集合A中出现最多的标签。在测试时，落入这些球中的测试实例为已知故障，落在球外的测试实例则为未知故障。

图2展示了一棵完全随机树的构造和分类故障的过程：

Step1：根据训练数据集X得到随机森林模型F，其中包含t棵随机树{f₁，f₂，f₃，...，f_t}；

Step2：在每棵树中，对于落入相同叶子结点的实例构建球O；

Step3：对于测试实例x′_i，x′_i在第j棵树的类别标签定义为：

其中f_j(x′_i)表示第j棵树对于输入数据x′_i计算得到的标签类别，其将x′_i分为已知类或未知类；函数

表示输出所有树计算出的出现频率最高的标签类别。如果label(x′_i)＝new，将该测试实例放入缓冲区，直到缓冲区数量达到上限，发送给决策层。

决策层的具体步骤是：故障分类层上传上来的未知故障数据可能包含多种未知故障，决策层需要做的是对其进行检测，如果数据包含多种未知故障，将其正确分类，学习其特征并更新故障分类层的分类模型。

对于包含多种未知故障的数据集

我们采用K-means聚类算法对其进行聚类，由于K-means聚类算法需要用户指定聚类数目，过大和过小的聚类数目都会让数据分类不可靠，因此找到最优聚类数目是实现分类的关键。我们用轮廓系数来确定聚类数目，轮廓系数是一种聚类有效性指标，它结合了凝聚度a_i和分离度b_i，其中a_i表示为第i个实例所属簇中所有其他实例的平均距离，b_i表示为第i个实例到不包含该实例的任意簇中所有实例的平均距离，则第i个实例的轮廓系数为

取值为[-1，1]，其值越大越好。

具体分类过程如下：

1)确定聚类数目范围为

l聚类数据个数，σ为控制阈值。

2)对于第N次聚类，计算每个数据的轮廓系数，得到

则最佳聚类数目为bestn＝arg max(s(N))。

3)根据bestn输出k-means聚类结果。

对于识别到的未知故障类型传送到故障分类层，更新整个二级诊断层的模型，这样，设备诊断整个过程就都完成了。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种分层故障诊断模型，其特征在于，包括：本地监测层、故障分类层和决策层；

所述本地监测层包括带各类传感器和微处理器的物联网节点，负责采集数据、发现故障并及时上报给故障分类层；本地监测层通过稀疏自编码机算法对原始信号进行处理，判断设备是否出现故障，当设备运行正常时，不发送任何数据，当检测到故障时，将故障数据发送到故障分类层；

所述故障分类层包括靠近物联网节点的汇聚节点，负责对接收到的故障数据进行特征提取，通过将在决策层训练好的随机森林模型嵌入汇聚节点，实现对故障分类并识别未知故障；

所述决策层负责整个系统知识的自我学习和更新，通过处理故障分类层发送上来的未知故障信号，将其正确分类，从中学习其特征并实时更新故障分类层的分类模型。

2.一种采用如权利要求1所述的分层故障诊断模型的分层故障诊断方法，包括：

1)本地监测层的处理流程如下：

由设备上的正常数据训练稀疏自编码机；

将训练好的稀疏自编码机嵌入本地设备中，设备的感知数据输入训练好的稀疏自编码机，输出学习后的数据；

将输出数据与正常数据做差值，差值超过规定的阈值的为故障数据；

2)故障分类层的处理流程如下：

根据训练样本数据集构建随机森林模型，其中包含多棵随机树；

在每棵树中，对于落入相同叶子结点的实例构建球；

对于测试实例，如果其落在球内，则为已知故障，其故障类型为该球标签，如果其落在球外，则为未知故障；

3)决策层的处理流程如下：

确定聚类数目范围；

对于第N次聚类，计算每个数据的轮廓系数，最佳聚类数目为其最大值所对应的数目；

根据最佳聚类数目输出k-means聚类结果；

根据聚类结果重新更新故障分类层。

3.如权利要求2所述的分层故障诊断方法，其特征在于：本地监测层检测故障的具体步骤如下：

S1：提前收集设备正常运行时的感知数据训练稀疏自编码机，获得正常数据特征，h_ij为正常数据即训练数据x_i通过稀疏自编码机学习后的输出数据

的第j个特征；

S2：将训练好的稀疏自编码机嵌入物联网节点中，设备的感知数据输入训练好的稀疏自编码机后，输出处理后的特征数据

h'_ij为测试数据x'_i通过稀疏自编码机学习后的输出数据

的第j个特征；

S3：计算正常数据类的输出特征中心

n表示训练数据个数；

S4：计算h_ij与M_j之间的欧几里德距离d_ij＝||h_ij-M_j||；

S5：计算特征阈值矩阵

S6：比较输出数据特征与正常数据特征的欧几里德距离，如果h'_ij-M_j＞kθ_j，其中k是控制阈值，则认定x'_i为故障数据，将故障数据发送到故障分类层。

4.如权利要求2所述的分层故障诊断方法，其特征在于：故障分类层构建随机森林模型的具体步骤如下：

假设

是训练样本数据集，其中x_i表示第i个训练数据，y_i＝{1,2,3,...,P}∈Y为对应标签，Y表示标签集合，n表示训练数据个数；

是测试样本数据集，其中x'_i表示第i个测试数据，y'_i＝{1,2,3,...,M}∈Y且M＞P为对应标签，m表示测试数据个数；

从训练样本数据集X随机选择多个样本数据，然后随机选择数据的一种特征值将样本数据划分为两棵子树，重复以上两步不断构造孩子节点，直到孩子节点的数据数量达到上限，则随机树的构造完成；

设A＝(x₁,x₂,x₃,...,x_m)为落入相同叶子结点的训练实例，则对集合A构建球O，A的中心定义为：

以ce为中心的球O半径r＝dist(ce,e)，其中e为A中距离ce最远的实例，定义球O的标签label(O)为集合A中出现最多的标签；

在测试时，落入这些球中的测试实例为已知故障，落在球外的测试实例则为未知故障。

5.如权利要求4所述的分层故障诊断方法，其特征在于：构造完全随机树和分类故障的过程如下：

S1：根据训练样本数据集X得到随机森林模型F，其中包含t棵随机树{f₁,f₂,f₃,...,f_t}；

S2：在每棵树中，对于落入相同叶子结点的实例构建球O；

S3：对于测试实例x′_i，x′_i在第j棵树的类别标签定义为：

其中f_j(x'_i)表示第j棵树对于输入数据x'_i计算得到的标签类别，其将x'_i分为已知类或未知类；函数

表示输出所有树计算出的出现频率最高的标签类别，如果label(x'_i)＝new，将该测试实例放入缓冲区，直到缓冲区数量达到上限，发送给决策层。

6.如权利要求2所述的分层故障诊断方法，其特征在于：决策层的具体分类过程如下：

S1：确定聚类数目范围为

l为聚类数据个数，σ为控制阈值；

S2：对于第N次聚类，计算每个数据的轮廓系数，得到：

其中，第i个实例的轮廓系数为

a_i表示为第i个实例所属簇中所有其他实例的平均距离，b_i表示为第i个实例到不包含该实例的任意簇中所有实例的平均距离；

则最佳聚类数目为bestn＝arg max(s(N))；

S3：根据bestn输出k-means聚类结果；

S4：对于识别到的未知故障类型传送到故障分类层，更新整个诊断模型。

Images