CN110188823A - 一种故障诊断决策方法及计算机可读介质 - Google Patents
一种故障诊断决策方法及计算机可读介质 Download PDFInfo
- Publication number
- CN110188823A CN110188823A CN201910464483.3A CN201910464483A CN110188823A CN 110188823 A CN110188823 A CN 110188823A CN 201910464483 A CN201910464483 A CN 201910464483A CN 110188823 A CN110188823 A CN 110188823A
- Authority
- CN
- China
- Prior art keywords
- cost
- fault
- information gain
- tree
- sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种故障诊断决策方法及计算机可读介质,基于故障样本数据集及每种执行诊断操作动作的成本,对故障样本信息增益进行改进,得到成本信息增益表达;根据遍历操作动作的成本信息增益选择操作动作生成决策树模型;通过计算决策树的期望成本,确定成本最优故障诊断决策树。本申请能够准确寻找到期望成本最低的故障诊断操作动作的先后顺序,最大限度的保证完成故障诊断的同时所花费的成本最低。
Description
技术领域
本发明涉及建筑机电故障诊断技术领域,具体涉及一种故障诊断决策方法及计算机可读介质。
背景技术
现有的建筑机电系统中,报警和故障不是一一对应的,一个报警可能对应多个故障,存在若干种诊断操作动作来进行报警类型确认。同样,每个故障和可能原因通常也不是一一对应的,一个故障可能对应若干个诊断操作动作来进行可能原因类型确认。实际现场中各可能原因发生的概率不同,而排查可能原因类型的诊断操作动作所花费的成本(时间、人员、材料成本等综合考虑)也是不同的。在针对某个故障进行可能原因类型排查的过程中,选择诊断操作动作的先后顺序会影响到最终的故障诊断成本。现有技术中,对故障诊断还是更多的依赖于运维人员的经验,诊断操作动作执行顺序不同,使得诊断成本及效率更多的依赖于人,更不能保证成本最优。
因此,如何在有限的维护成本下,以最短时间最小成本进行故障决策用来指导运维人员进行故障诊断显得尤为重要。
发明内容
有鉴于此,本发明实施例提供一种故障诊断决策方法及计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,提供了一种故障诊断决策方法,故障样本中每种故障对应至少一种可能原因,存在若干种诊断操作动作进行可能原因类型诊断,每种诊断操作动作都有各自的成本,该方法包括:
对故障样本信息增益进行改进,得到成本信息增益;
根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型;
计算决策树的期望成本,确定成本最优故障诊断决策树;
其中,所述成本信息增益为故障样本执行某个操作动作后得到的与其成本相关的信息增益。
优选的,所述方法还包括,预设成本调整指数,响应于成本调整指数的给定值,根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型,
其中,所述成本调整指数为一个常数。
优选的,所述成本调整指数的给定值通过在成本调整指数预设范围内按照预定步长进行遍历的方式给定。
优选的,所述对故障样本信息增益进行改进,得到成本信息增益,计算公式如下
其中,F(D,ai,Ci)表示故障样本D执行操作动作ai后的成本信息增益,Ci表示执行操作动作ai的成本,Gain(D,ai)表示故障样本D执行操作动作ai后的信息增益,ai表示第i个诊断操作动作(i为整数且i≥1),q表示成本调整指数。
优选的,所述计算决策树的期望成本,确定成本最优故障诊断决策树包括,
计算决策树的期望成本,选择期望成本最小的决策树作为成本最优故障诊断决策树。
优选的,计算故障样本D执行操作动作ai后的信息增益,包括:
获取故障样本数据集、每种诊断操作动作的成本、每个样本诊断结果类别及各可能原因发生的概率;
根据诊断结果类别及各可能原因发生的概率计算样本数据信息熵;
遍历所有诊断操作动作,响应于每次操作动作的结果,计算相应的信息增益。
优选的,所述操作动作的成本包括时间成本、人员成本、材料成本中的一种或多种。
优选的,所述根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型包括,
根据遍历操作动作的结果,选择操作动作执行后成本信息增益最大的操作动作,按照该操作动作的分类结果生成决策树节点。
优选的,所述方法还包括,根据所述成本最优故障诊断决策树确定最优成本调整指数q。
第二方面,提供了一种计算机可读介质,存储有程序指令,
该程序指令被处理器执行时,执行如上述第一方面所述的方法。
本发明提出一种故障诊断决策方法及计算机可读介质,故障样本中每种故障对应至少一种可能原因,存在若干种诊断操作动作进行可能原因类型诊断,基于故障样本数据集及每种诊断操作动作的成本,对故障样本信息增益进行改进,得到成本信息增益;根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型;通过计算决策树的期望成本,确定成本最优故障诊断决策树。本申请能够准确寻找到期望成本最低的故障诊断操作动作的先后顺序,最大限度的保证完成故障诊断的同时所花费的成本最低。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明具体实施例提供的一种故障诊断决策方法流程图;
图2为本发明具体实施例提供的一种生成决策树模型的流程图;
图3为本发明具体实施例的成本调整指数与最优成本期望的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
下面结合附图对本发明做进一步的详细描述。
图1是本发明具体实施例提供的一种故障诊断决策方法流程图。具体包括:
步骤100:对故障样本信息增益进行改进,得到成本信息增益。
在建筑机电系统中,建筑机电故障种类很多,有些故障是在实际建筑运行过程中出现的,有些是理论上可能出现的机电故障。无论哪种类型的故障,都可以采用本方案的故障诊断决策方法。为了便于对故障信息进行管理,可以将故障依据不同的机电系统进行分类,如暖通机电故障,供配电机电故障,动力设备故障、给排水设备故障等等。
本实施例中,针对每一类故障都对应至少一种可能原因,针对可能原因,存在若干种诊断操作动作进行可能原因类型诊断,每种诊断操作动作都有其各自的成本,各种可能原因发生的概率不同。本发明目的是实现在有限的维护成本下,以最短时间最小成本进行故障决策用来指导运维人员进行故障诊断。当然,针对一种报警对应多个故障以实现最短时间最小成本进行故障决策时,本方案同样适用。
为了更加清楚的理解本方案,以具体实例进行说明。
针对每一类故障,先要确认导致该故障的多种可能原因,所述可能原因可以是根据理论和实践经验确定出来的。每一类故障存在若干种诊断操作动作进行可能原因类型确认。
表1
如表1所示,是针对某类故障的一个可能原因列表,对该类故障的一个或多个可能原因进行可能原因编码,示意为Code1、Code2、Code3……Codem、Code m+1、Codem+2……,所述每个可能原因可以是一个单独的原因,也可以是多个单独可能原因的集合。依据理论知识和实践经验,给出该类故障下,Code1、Code2、Code3……Codem、Code m+1、Codem+2……的初始概率为P1、P2、P3……Pm、P1+P2、P2+P3+Pm……,其中,对于一个可能原因为多个单独可能原因的集合的情况,该种可能原因的概率为独立的多个可能原因初始概率之和。若干种诊断操作动作进行可能原因类型诊断,例如诊断操作动作1、2、3……m、m+1、m+2……,采用所述诊断操作动作能够对单独的可能原因类型或者集合的可能原因类型进行诊断。依据理论知识和实践经验,给出诊断各可能原因类型的诊断操作动作的成本为C1、C2、C3……Cm、Cm+1、Cm+2……,表示样本执行诊断操作动作对可能原因类型进行诊断需要的成本。
其中,包括单独原因的所有可能原因的初始概率之和为1,即
P1+P2+P3+……Pm=1。
本发明实施例采用改进的ID3算法来进行决策树分裂。在信息论中,信息增益越大,有序程度提高的越多。信息增益是针对每个特征(例如某个诊断操作动作)而言,是量化衡量执行一步操作前后的有序性变化的。ID3算法的原理就是以信息增益来度量特征,选择信息增益最大的特征进行分裂。本实施例目的是实现成本最优,如果成本优先就是要找单位成本花费下的信息增益最大。
首先,根据可能原因发生的概率生成一定数量级的故障样本。一定数量级的故障样本能够保证最小概率可能原因发生。获取故障样本数据集、每个诊断操作动作的成本、每个样本诊断结果类别及各可能原因发生的概率。其中,每个可能原因都独立编码,样本采用的诊断操作动作进行独立编码,并对样本采用诊断操作的动作的结果进行类别标记。
步骤1001:根据诊断结果类别及各可能原因发生的概率计算样本数据信息熵。计算方法参见公式1。
其中,H(X)表示变量X的信息熵,pk表示第k类样本与总样本的比,N表示所有类的个数。
结合表1,本实施例中,各可能原因诊断结果的类别都不同。H(X)表示各可能原因的信息熵,pk表示第k类诊断结果的样本的可能原因发生概率。信息熵可以被认为是系统有序化程度的一个度量。一个系统越是有序,信息熵就越低,反之,一个系统越是混乱,它的信息熵就越高。一个变量的变化情况越多,那么信息熵越大越不稳定。
步骤1002:根据样本信息熵,计算样本基于某个诊断操作动作的信息增益。计算方法参见公式2。
其中,Gain(D,a)表示样本D执行操作动作ai后的信息增益,V表示样本D执行操作动作ai后样本可分成的类别,D表示样本总数,Dv表示第v个类别的样本;H(Dv)表示Dv样本的信息熵。
信息增益针对单个特征而言,即看一个特征,系统有它和没它时的信息熵之差。例如表1中针对某个故障的一个故障样本数据集,关于诊断操作动作的不同执行顺序使得故障可能原因的诊断成本不同。在进行模型训练时,每执行一个诊断操作动作后,计算该诊断操作动作的信息增益。
根据所述信息增益计算样本基于相应诊断操作动作的成本信息增益,计算方法参见公式3。
其中,F(D,ai,Ci)表示故障样本D执行操作动作ai后的成本信息增益,Ci表示执行操作动作ai的成本,Gain(D,ai)表示故障样本D执行操作动作ai后的信息增益,ai表示第i个诊断操作动作(i为整数且i≥1)。
按照上述公式计算,能够得到基于故障样本计算执行某个操作动作后得到成本信息增益的通用方法。
步骤200:根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型。
决策树是一种常用的分类与回归方法,该方法从一组无序、无规律的事例中推理出决策树表示形式的分类规则。决策树分类算法采用自顶向下的递归方式,在决策树内部节点间进行属性值比较,根据不同属性值判断从该节点向下的分支,判断至叶子节点时即可得出分类结果。决策树中的节点表示一个属性,测试结果则输出在叶节点的分支中,不同条件对应的结果在下一层的节点中进一步验证。因此,从决策树的根到叶节点的每条路径便对应了一种选择办法,越靠近根部的节点属性权重值越高,整棵决策树对应了一组表达式规则。决策树的学习速度很快,做出预测的速度也很快。它们在大量问题中往往都很准确,而且不需要为数据做任何特殊的预处理准备。
决策树生成算法通过输入一组带有类别标记的样本参数来构造一棵二叉或多叉的决策树。对于二叉树,每个节点都代表一个输入变量(x)和一个基于该变量的分叉点(假设该变量是数值型的)。决策树的叶子结点包含一个用于做出预测的输出变量(y)。预测结果是通过在树的各个分叉路径上游走,直到到达一个叶子结点并输出该叶子结点的类别值而得出。对于多叉树,内部节点是样本集的属性,边是该属性的所有取值,属性值的数量决定了决策树边的数量,树的叶子节点是类别标记。
在决策树的每一个非叶子结点划分之前,先计算每一个诊断操作动作所带来的成本信息增益,选择最大成本信息增益的诊断操作动作来划分,因为信息增益越大,区分样本的能力就越强。在生成决策树模型的过程中,响应于遍历操作动作的成本信息增益最大时的操作动作,按照该操作动作的分类结果生成决策树节点。
步骤300:计算决策树的期望成本,确定成本最优故障诊断决策树。
计算决策树的期望成本,选择期望成本最小的决策树作为成本最优故障诊断决策树。
本方案适用于针对每类故障对应若干种故障可能原因,每种故障可能原因的诊断操作动作基于成本最优进行决策。
本实施例基于故障样本数据集及每个样本采用其诊断操作动作的成本,对故障样本信息增益进行改进,得到成本信息增益;根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型;通过计算决策树的期望成本,确定成本最优故障诊断决策树。本申请能够准确寻找到期望成本最低的故障诊断操作动作的先后顺序,最大限度的保证完成故障诊断的同时所花费的成本最低。
图2为本发明具体实施例提供的一种生成决策树模型的流程图。如图2所示,
步骤201:计算样本数据信息熵。
已知故障样本数据集、每个诊断操作动作的成本、每个样本诊断结果类别及各可能原因发生的概率;
根据诊断结果类别及各可能原因发生的概率计算样本数据信息熵。计算方法参见公式1。
其中,表示变量X的信息熵,表示第k类样本与总样本的比,N表示所有类的个数。
步骤202:判断遍历操作动作是否结束,响应于遍历操作动作结束,执行步骤206;响应于遍历操作动作未结束,执行步骤203。
本实施例中,以故障诊断操作动作作为分类特征采用ID3算法进行决策树分裂。ID3算法的原理就是以信息增益来度量特征,选择信息增益最大的特征进行分裂。
为了确定信息增益最大时的诊断操作动作,需要对故障样本集所有诊断操作动作进行遍历。样本执行一个诊断操作动作之后,相应的信息增益会不同。对诊断操作动作进行遍历的步骤可以按照顺序执行。
步骤203:选择一个诊断操作动作执行。
步骤204:计算样本执行当前诊断操作动作后的信息增益;
根据样本信息熵,计算样本基于当前诊断操作动作的信息增益。计算方法参见公式2。
其中,Gain(D,a)表示样本D执行操作动作ai后的信息增益,V表示样本D执行操作动作ai后样本可分成的类别,D表示样本总数,Dv表示第v个类别的样本;H(Dv)表示Dv样本的信息熵。
遍历诊断操作动作,计算每个诊断操作动作执行以后划分的结果的信息熵。每执行一个诊断操作动作后,按照公式2计算相应的信息增益。
步骤205:计算样本执行当前诊断操作动作后的成本信息增益;
根据所述信息增益计算样本基于当前诊断操作动作的成本信息增益,计算方法参见公式3。
其中,F(D,ai,Ci)表示故障样本D执行操作动作ai后的成本信息增益,Ci表示执行操作动作ai的成本,Gain(D,ai)表示故障样本D执行操作动作ai后的信息增益,ai表示第i个诊断操作动作(i为整数且i≥1)。
步骤206:根据遍历操作动作后得到的成本信息增益,选择成本信息增益最大值时的诊断操作动作,执行步骤208;
步骤207:记录成本信息增益最大时的操作动作以及该操作动作的分类结果。
步骤208:判断是否确定可能原因类型,响应于判断结果可能原因类型已确认,执行步骤209;响应于判断结果可能原因类型未确认,执行步骤210。
操作动作遍历结束,通过计算相应操作动作的成本信息增益,能够得到成本信息增益最大值时的诊断操作动作,如果根据该诊断操作动作的结果能够得出该诊断操作动作对应的可能原因类型是导致故障的可能原因,执行下一步决策树节点生成的操作;如果根据该诊断操作动作的结果不能得出该诊断操作动作对应的可能原因类型是导致故障的可能原因,执行根据该诊断操作动作后类别进行样本分组的操作。步骤209:按照成本信息增益最大值时的诊断操作动作的结果生成决策树节点,从而生成决策树;
遍历完一轮诊断操作动作以后,选择成本信息增益最大的诊断操作动作作为分类属性。分完类之后,样本被分配到若干子节点。当子节点只有一种分类标签时结束。若子节点不止一种分类标签,对于本次遍历之后不是最终分类叶子节点的样本集继续进行遍历,直至样本被分配到叶子节点结束。
步骤210:根据步骤207确定的操作动作分类结果进行样本分组生成多个子样本集,针对分组后的子样本数据集,执行步骤201。
决策树算法可以看成是把多个逻辑回归算法集成起来。通过该算法,能够快速给出期望成本最低的故障诊断操作动作的先后顺序。
进一步的,上述实施例可以认为是成本调整指数q为1的情况下的决策树的生成步骤。在上述实施例的基础上,为了使得到的故障诊断决策结果更有效,对上述实施例进行进一步优化。
预设一个成本调整指数,所述成本调整指数作为成本的幂指数,对成本信息增益进行改进。当调整成本指数q不同时,故障诊断决策会存在很大的差异。
根据所述信息增益计算样本基于某个诊断操作动作的成本信息增益,计算方法参见公式4。
其中,F(D,ai,Ci)表示故障样本D执行操作动作ai后的成本信息增益,Ci表示执行操作动作ai的成本,Gain(D,ai)表示故障样本D执行操作动作ai后的信息增益,ai表示第i个诊断操作动作(i为整数且i≥1),q表示成本调整指数。
按照公式4的计算方法,能够得到基于故障样本计算执行某个操作动作后得到成本信息增益的另一种表达形式。
根据成本调整指数的给定值,计算成本信息增益;然后根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型,其中,所述成本调整指数为一个常数。
所述成本调整指数的给定值通过在成本调整指数预设范围内按照预定步长进行遍历的方式给定。优选的,成本调整指数q可以在一个预设的范围内选择,本实施例中预设范围为【0,2】。
假设预定步长为0.1,每执行一个给定的成本调整指数q时,按照前述方法会生成一棵决策树。按照成本调整指数的遍历范围,遍历完成后,会生成21棵决策树。
其中,当成本调整指数q的给定值为0时,根据遍历操作动作的成本信息增益选择操作动作,生成的决策树模型为基于执行步数最优为目的的故障诊断决策方案,此时的故障诊断决策非成本最优。
本方案基于故障可能原因发生的概率及若干种诊断操作动作的综合成本采用改进的ID3算法进行故障诊断决策树训练,通过引入成本调整指数进一步改进得到成本信息增益的方法,基于成本信息增益生成多棵决策树,通过计算多棵决策树的期望成本,选择成本最小的决策树作为最优故障诊断决策方案,该方案能够准确寻找到期望成本最低的故障诊断操作动作的先后顺序,最大限度的保证完成故障诊断的同时所花费的成本最低。
图3为本发明具体实施例的成本调整指数与最优成本期望的示意图。通过实际数据统计,本实施例给出了成本指数q选取不同值时,相应决策树的期望成本关系图。通过分析决策树期望成本及成本调整指数q之间的关系,能够很直观的得出期望成本最优的决策树及生成该决策树时的成本调整指数。由图中可知,当q取值为0.5时,决策树的期望成本最小。选择该决策树作为故障诊断最优方案。
本申请还公开一种处理设备。本实施例的处理设备包括:处理器和存储器。
存储器用于存储程序指令,处理器可以耦合到存储器,处理器被配置为基于存储器存储的指令执行如下步骤:
一种故障诊断决策方法,故障样本中每种故障对应至少一种故障可能原因,存在若干种诊断操作动作进行可能原因类型诊断,每种诊断操作动作都有各自的成本,该方法包括:
对故障样本信息增益进行改进,得到成本信息增益;
根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型;
计算决策树的期望成本,确定成本最优故障诊断决策树;
其中,所述成本信息增益为故障样本执行某个操作动作后得到的与其成本相关的信息增益。
优选的,所述方法还包括,预设成本调整指数,响应于成本调整指数的给定值,根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型,
其中,所述成本调整指数为一个常数。
优选的,所述成本调整指数的给定值通过在成本调整指数预设范围内按照预定步长进行遍历的方式给定。
优选的,所述对故障样本信息增益进行改进,得到成本信息增益,计算公式如下
其中,F(D,ai,Ci)表示故障样本D执行操作动作ai后的成本信息增益,Ci表示执行操作动作ai的成本,Gain(D,ai)表示故障样本D执行操作动作ai后的信息增益,ai表示第i个诊断操作动作(i为整数且i≥1),q表示成本调整指数。
优选的,所述计算决策树的期望成本,确定成本最优故障诊断决策树包括,
计算决策树的期望成本,选择期望成本最小的决策树作为成本最优故障诊断决策树。
优选的,计算故障样本D执行操作动作ai后的信息增益,包括:
获取故障样本数据集、每种诊断操作动作的成本、每个样本诊断结果类别及各可能原因发生的概率;
根据诊断结果类别及各可能原因发生的概率计算样本数据信息熵;
遍历所有诊断操作动作,响应于每次操作动作的结果,计算相应的信息增益。
优选的,所述操作动作的成本包括时间成本、人员成本、材料成本中的一种或多种。
优选的,所述根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型包括,
根据遍历操作动作的结果,选择操作动作执行后成本信息增益最大的操作动作,按照该操作动作的分类结果生成决策树节点。
优选的,所述方法还包括,根据所述成本最优故障诊断决策树确定最优成本调整指数q。
本实施例的处理设备还可以包括通信接口和总线。其中,通信接口用于与其它设备(例如,外部数据库)进行信息交互。同时,处理器、存储器以及通信接口通过总线完成相互间的通信。
存储器可以包含高速RAM存储器,也可还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。存储器也可以是存储器阵列。存储器还可能被分块,并且块可按一定的规则组合成虚拟卷。
此外,处理器可以是一个中央处理器CPU,或者可以是专用集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质,其中计算机可读存储介质存储有程序指令,指令被处理器执行时实现以上实施例涉及的方法。
本实施例提供的处理设备,基于故障样本数据集及每个样本采用其诊断操作动作的成本,对故障样本信息增益进行改进,得到成本信息增益;根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型;通过计算决策树的期望成本,确定成本最优故障诊断决策树。本申请能够准确寻找到期望成本最低的故障诊断操作动作的先后顺序,最大限度的保证完成故障诊断的同时所花费的成本最低。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种故障诊断决策方法,其特征在于,故障样本中每种故障对应至少一种可能原因,存在若干种诊断操作动作进行可能原因类型诊断,每种诊断操作动作都有各自的成本,该方法包括:
对故障样本信息增益进行改进,得到成本信息增益;
根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型;
计算决策树的期望成本,确定成本最优故障诊断决策树;
其中,所述成本信息增益为故障样本执行某个操作动作后得到的与其成本相关的信息增益。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括,预设成本调整指数,响应于成本调整指数的给定值,根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型,
其中,所述成本调整指数为一个常数。
3.根据权利要求2所述的方法,其特征在于,所述成本调整指数的给定值通过在成本调整指数预设范围内按照预定步长进行遍历的方式给定。
4.根据权利要求1或2所述的方法,其特征在于,所述对故障样本信息增益进行改进,得到成本信息增益,计算公式如下
其中,F(D,ai,Ci)表示故障样本D执行操作动作ai后的成本信息增益,Ci表示执行操作动作ai的成本,Gain(D,ai)表示故障样本D执行操作动作ai后的信息增益,ai表示第i个诊断操作动作(i为整数且i≥1),q表示成本调整指数。
5.根据权利要求1或2所述的方法,其特征在于,所述计算决策树的期望成本,确定成本最优故障诊断决策树包括,
计算决策树的期望成本,选择期望成本最小的决策树作为成本最优故障诊断决策树。
6.根据权利要求4所述的方法,其特征在于,计算故障样本D执行操作动作ai后的信息增益,包括:
获取故障样本数据集、每种诊断操作动作的成本、每个样本诊断结果类别及各可能原因发生的概率;
根据诊断结果类别及各可能原因发生的概率计算样本数据信息熵;
遍历所有诊断操作动作,响应于每次操作动作的结果,计算相应的信息增益。
7.根据权利要求1所述的方法,其特征在于,所述操作动作的成本包括时间成本、人员成本、材料成本中的一种或多种。
8.根据权利要求1或2所述的方法,其特征在于,所述根据遍历操作动作的成本信息增益选择操作动作,生成决策树模型包括,
根据遍历操作动作的结果,选择操作动作执行后成本信息增益最大的操作动作,按照该操作动作的分类结果生成决策树节点。
9.根据权利要求5所述的方法,其特征在于,所述方法还包括,
根据所述成本最优故障诊断决策树确定最优成本调整指数q。
10.一种计算机可读介质,存储有程序指令,其特征在于,该程序指令被处理器执行时,执行如权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464483.3A CN110188823A (zh) | 2019-05-30 | 2019-05-30 | 一种故障诊断决策方法及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464483.3A CN110188823A (zh) | 2019-05-30 | 2019-05-30 | 一种故障诊断决策方法及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188823A true CN110188823A (zh) | 2019-08-30 |
Family
ID=67719095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464483.3A Pending CN110188823A (zh) | 2019-05-30 | 2019-05-30 | 一种故障诊断决策方法及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188823A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及系统 |
CN115620884A (zh) * | 2022-12-06 | 2023-01-17 | 南京邮电大学 | 最小化经济成本的检查决策方法 |
CN116881818A (zh) * | 2023-09-07 | 2023-10-13 | 北京玖行智研交通科技有限公司 | 一种新能源车辆换电站故障处理方法及换电站 |
CN117520964A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211296A (zh) * | 2006-12-25 | 2008-07-02 | 华为技术有限公司 | 一种测试代价敏感的系统故障定位方法及其装置 |
CN106021545A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 用于车辆远程诊断与备件检索的方法 |
CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
-
2019
- 2019-05-30 CN CN201910464483.3A patent/CN110188823A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211296A (zh) * | 2006-12-25 | 2008-07-02 | 华为技术有限公司 | 一种测试代价敏感的系统故障定位方法及其装置 |
CN106021545A (zh) * | 2016-05-27 | 2016-10-12 | 大连楼兰科技股份有限公司 | 用于车辆远程诊断与备件检索的方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及系统 |
CN115620884A (zh) * | 2022-12-06 | 2023-01-17 | 南京邮电大学 | 最小化经济成本的检查决策方法 |
CN116881818A (zh) * | 2023-09-07 | 2023-10-13 | 北京玖行智研交通科技有限公司 | 一种新能源车辆换电站故障处理方法及换电站 |
CN117520964A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
CN117520964B (zh) * | 2024-01-04 | 2024-04-02 | 深圳市霆宝科技有限公司 | 基于人工智能的电机预诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188823A (zh) | 一种故障诊断决策方法及计算机可读介质 | |
Aldosari et al. | Fusion in sensor networks with communication constraints | |
CN106953802B (zh) | 一种基于深度学习的网络最优路径选择方法 | |
Kim et al. | Integration of inductive learning and neural networks for multi-objective FMS scheduling | |
Ding et al. | Detecting BGP anomalies using machine learning techniques | |
CN108989075A (zh) | 一种网络故障定位方法及系统 | |
CN110493025A (zh) | 一种基于多层有向图的故障根因诊断的方法及装置 | |
CN102163300A (zh) | 基于蚁群优化算法的故障诊断规则优化方法 | |
Li et al. | Data mining using genetic programming for construction of a semiconductor manufacturing yield rate prediction system | |
Viktorin et al. | Network based linear population size reduction in SHADE | |
US20220138533A1 (en) | Computer-implemented method for determining criticality values of a technical system | |
CN106603336B (zh) | 一种云计算环境的机器状态预测方法及装置 | |
CN111008705B (zh) | 一种搜索方法、装置及设备 | |
CN106487535B (zh) | 一种网络流量数据的分类方法及装置 | |
Podgorelec et al. | Evolutionary induced decision trees for dangerous software modules prediction | |
CN107155215A (zh) | 一种应用归属服务集群的分配方法和装置 | |
CN112347317B (zh) | 基于粒子群算法改进的否定选择算法的设备故障诊断方法 | |
CN115237091A (zh) | 一种机电装备故障溯源方法及系统 | |
Bonci et al. | Performance improvement in CPSs over self-similar system structures | |
Kassan et al. | Robustness analysis of hybrid machine learning model for anomaly forecasting in radio access networks | |
CN110110815A (zh) | 相似类型时间断面的确定方法、装置以及电子设备 | |
JP7506229B1 (ja) | 診断装置、診断方法、診断プログラム、及び診断システム | |
Kuranga et al. | Genetic programming-based regression for temporal data | |
CN115580487B (zh) | 一种网络异常流量检测模型构建方法及装置 | |
Abdevand et al. | Introducing a New Intrusion Detection Method in The SDN Network to Increase Security Using Decision Tree and Neural Network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |