CN110262417A - 一种生产设备故障预测诊断方法 - Google Patents

Abstract

本发明提供一种生产设备故障预测诊断方法，包含步骤：S1、采集生产设备的M类历史工作数据V_i和M类实时工作数据S_i，i∈[1,M]；S2、清洗、预处理V_i、S_i；S3、整秒采样V_i、S_i，建立对应的整秒采样数据集V_i′、S_i′；S4、通过机器学习训练V_i′，生成对应的数据预测模型YC_i；S5、根据V_i′建立训练样本向量集合X，通过机器学习训练X得到设备故障诊断模型；S6、将S_i′输入YC_i，得到对应的设备工作数据预测数据集S_i″；根据S_i″建立故障诊断向量集合Y，将Y输入设备故障诊断模型，预判设备是否会发生故障。本发明能够提起预测设备故障的产生，保证了企业生产安全。

Description

一种生产设备故障预测诊断方法

技术领域

本发明涉及企业生产自动化管理领域，具体涉及一种生产设备故障预测诊断方法。

背景技术

为保持企业的长期稳定发展，增强企业竞争力，必须不断提高企业工作效率，降低企业维护成本和运营成本，促使企业的经济利益最大化。企业自动化管理水平是提高企业竞争力的关键。

时序工作数据是生产设备带时间标签的工作数据，其典型特点是产生频率快、依赖于采集时间、测点多信息量大。企业在进行自动化管理时，为了保证设备安全、稳定、高效地运行，也会采集生产设备的时序工作数据，例如通过温度、湿度、压力、振动、应变传感器等采集生产设备的温度、湿度、压力、振动、应力信息。同时企业也会专门记录生产厂房的温度、噪声数据，以及生产设备上下游物料数据等。然而在生产设备出现故障时，记录的时序工作数据并没有得到充分的利用。主要是由于采集的数据比较庞杂，数据处理方式落后，处理数据需要占用额外的资源、人力和时间，不少企业宁愿通过维修人员采用传统的方法对设备故障进行诊断。然而传统的设备故障诊断方法中，对故障的定位基本都是先依靠维修人员的经验进行初步定位，然后再进一步测试进行准确定位以找到故障问题之所在。传统的设备故障诊断方式在一定程度上存在人为的主观错误，并延长了设备检修时间。目前更是没有很好的方法对机器故障进行预测。如何快速、高效、及时地处理对生产设备采集的海量时序工作数据，一直是企业自动化管理面临的一项重大课题。

因此，需要一种自动化的生产设备故障预测诊断方法，能够根据实时采集的生产设备工作数据，评估设备运行状态、对设备进行可靠性分析，并对设备故障进行准确定位。

发明内容

本发明的目的是提供一种生产设备故障预测诊断方法，通过自动分析采集的生产设备的各类历史工作数据，建立对应的数据预测模型和设备故障诊断模型。并根据现有的设备工作数据通过数据预测模型生成对应的设备工作数据预测数据集，将设备工作数据预测数据集输入设备故障诊断模型，根据设备故障诊断模型的输出结果预判生产设备是否会产生故障。

为了达到上述目的，本发明提供一种生产设备故障预测诊断方法，包含步骤：

S1、采集生产设备的M类历史工作数据，建立对应的数据集V_i，其中i∈[1,M]，V_i对应第i类历史工作数据，每类历史工作数据包含若干条历史工作数据，一条历史工作数据对应一个时间戳；

采集生产设备的M类实时工作数据，建立对应的数据集S_i，其中i∈[1,M]，S_i对应第i类实时工作数据，每类实时工作数据包含若干条实时工作数据，一条实时工作数据对应一个时间戳；一类历史工作数据对应一类实时工作数据；

S2、清洗、预处理V_i、S_i，其中i∈[1,M]；

S3、整秒采样V_i，建立对应的整秒采样数据集V_i′；整秒采样S_i，建立对应的整秒采样数据集S_i′，其中i∈[1,M]；

S4、通过机器学习的方法，训练V_i′，生成对应的数据预测模型YC_i，其中i∈[1,M]；

S5、建立训练样本向量集合对有x_j＝{x_{j_1},...,x_{j_M}}，其中x_{j_r}∈V_r′，r∈[1,M]，且x_{j_1}、...、x_{j_M}均对应相同的整秒时间；

通过机器学习的方法，训练X得到设备故障诊断模型；

S6、将S_i′输入对应的数据预测模型YC_i，得到对应的工作数据预测数据集S_i″，其中i∈[1,M]；

建立故障诊断向量集合对有s_j＝{s_{j_1},...,s_{j_M}}，其中s_{j_r}∈S″_r，r∈[1,M]，且s_{j_1}、...、s_{j_M}均对应相同的整秒时间；

将Y输入所述设备故障诊断模型，预判设备是否会发生故障。

步骤S2具体包含：

S21、对于v为一条历史工作数据，当v不满足下述条件时，删除v；

u_i-3σ_i≤v≤u_i+3σ_i

其中，i∈[1,M]，u_i表示V_i的期望，σ_i表示V_i的标准差；

S22、用固定值，或V_i的均值，或V_i的中位数，或V_i的众数填充V_i中所有缺失值，i∈[1,M]；

S23、对于s为一条实时工作数据，当s不满足下述条件时，删除s；

u′_i-3σ′_i≤s≤u′_i+3σ′_i

其中，i∈[1,M]，u′_i表示S_i的期望，σ′_i表示S_i的标准差；

S24、用固定值，或S_i的均值，或S_i的中位数，或S_i的众数填充S_i中所有缺失值，i∈[1,M]。

步骤S3具体包含：

S31、当V_i的采集频率等于1HZ时V_i′＝V_i；当S_i的采集频率等于1HZ时，S_i′＝S_i；当V_i的采集频率大于1HZ时，进入S32；当V_i的采集频率小于1HZ时，进入S33或者进入S32；当S_i的采集频率大于1HZ时，进入S34；当S_i的采集频率小于1HZ时，进入S35或者进入S34；

S32、采用线性插值法计算V_i在整秒时间k的采样值v_{i_k}，V_i′＝{v_{i_k}}_k∈N，N表示自然数的集合，t₁＝|k-t′₁|，t₂＝|t′₂-k|；

其中，t′₁、t′₂为历史工作数据的时间戳，满足t′₁＜k＜t′₂且|t′₁-t′₂|＝T；T为V_i的采集周期，v₁、v₂为V_i中分别与时间戳t′₁、t′₂对应的历史工作数据；

S33、采用均值法计算V_i在整秒时间k的采样值v_{i_k}＝0.5×(v′₁+v′₂)，V_i′＝{v_{i_k}}_k∈N，N表示自然数的集合；其中v′₁、v′₂为V_i中采集的两次历史工作数据，v′₁、v′₂的时间戳分别为t″₁、t″₂，满足t″₁＜k＜t″₂且|t″₁-t″₂|＝T；T为V_i的采集周期；

S34、采用线性插值法计算S_i在整秒时间k的采样值s_{i_k}，S_i′＝{s_{i_k}}_k∈N，N表示自然数的集合，m₁＝|k-m′₁|，m₂＝|m′₂-k|；

其中，m′₁、m′₂为实时工作数据的时间戳，满足m′₁＜k＜m′₂且|m′₁-m′₂|＝T′；T′为S_i的采集周期，s₁、s₂为S_i中分别与时间戳m′₁、m′₂对应的实时工作数据；

S35、采用均值法计算S_i在整秒时间k的采样值s_{i_k}＝0.5×(s′₁+s′₂)，S_i′＝{s_{i_k}}_k∈N，N表示自然数的集合；其中s′₁、s′₂为S_i中采集的两次实时工作数据，s′₁、s′₂的时间戳分别为m″₁、m″₂，满足m″₁＜k＜m″₂且|m″₁-m″₂|＝T′；T′为S_i的采集周期。

步骤S4具体包含：

随机选取样本数据集将V_iA′作为训练样本，通过机器学习的方法，得到对应的数据预测模型YC_i，并用样本数据集V_iB′＝V_i′-V_iA′测试YC_i。

步骤S5所述通过机器学习的方法，训练X得到设备故障诊断模型，具体包含：

随机选取X中的若干个样本向量建立样本向量集合由专家为X′中的样本向量设置正常标签和异常标签，所述正常标签表示设备正常工作，所述异常标签表示设备发生故障；采用机器学习的方法，训练X′，得到设备故障诊断模型；通过样本向量集合X″测试所述设备故障诊断模型，其中X″＝X-X′。

步骤S6所述预判设备是否会发生故障，具体是根据所述设备故障诊断模型对Y中每个故障诊断向量设置标签，当故障诊断向量的标签为正常标签时，说明设备不会发生故障；当故障诊断向量的标签为异常标签时，说明设备将发生故障。

所述生产设备故障预测诊断方法，还包含：利用S_i′更新V_i′；通过机器学习的方法，训练更新后的V_i′，更新对应的数据预测模型YC_i，其中i∈[1,M]。

所述生产设备故障预测诊断方法，还包含：利用更新的V_i′更新训练样本向量集合通过机器学习的方法，训练更新后的X得到更新的设备故障诊断模型；其中i∈[1,M]。

V_iA′包含V_i′中80％的值。

X′包含X中80％的值。

与现有技术相比，本发明能够完全自动化的处理、分析采集的设备工作数据，计算过程简单，处理速度快，节约了大量人力成本。本发明能够根据采集的各类设备工作数据，生成对应的设备工作数据预测数据集，并根据所述预测值自动判断生产设备是否会发生故障。本发明不仅能够自动诊断设备故障，并且可以预测设备故障。在企业生产中，能够有效避免事故的发生，保证了企业生产安全，提高了企业的经济效益。

附图说明

为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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为本发明的生产设备故障预测诊断方法流程示意图；

图2为本发明的方法中生成数据预测模型和设备故障诊断模型流程示意图；

图3为本发明的方法中对实时采集的数据进行数据预测与故障诊断示意图。

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。

本发明提供本发明提供一种生产设备故障预测诊断方法，如图1所示，包含步骤：

S1、采集生产设备的M类历史工作数据，建立对应的数据集V_i，其中i∈[1,M]，V_i对应第i类历史工作数据，每类历史工作数据包含若干条历史工作数据，一条历史工作数据对应一个时间戳；

采集生产设备的M类实时工作数据，建立对应的数据集S_i，其中i∈[1,M]，S_i对应第i类实时工作数据，每类实时工作数据包含若干条实时工作数据，一条实时工作数据对应一个时间戳；一类历史工作数据对应一类实时工作数据，对应的历史工作数据和实时工作数据具有相同的数据源；

S2、清洗、预处理V_i、S_i，其中i∈[1,M]；

步骤S2具体包含：

S21、对于v为一条历史工作数据，当v不满足下述条件时，删除v；

u_i-3σ_i≤v≤u_i+3σ_i

其中，i∈[1,M]，u_i表示V_i的期望，σ_i表示V_i的标准差；

S22、用固定值，或V_i的均值，或V_i的中位数，或V_i的众数填充V_i中所有缺失值，i∈[1,M]；

S23、对于s为一条实时工作数据，当s不满足下述条件时，删除s；

u′_i-3σ′_i≤s≤u′_i+3σ′_i

其中，i∈[1,M]，u′_i表示S_i的期望，σ′_i表示S_i的标准差；

S24、用固定值，或S_i的均值，或S_i的中位数，或S_i的众数填充S_i中所有缺失值，i∈[1,M]。

S3、整秒采样V_i，建立对应的整秒采样数据集V_i′；整秒采样S_i，建立对应的整秒采样数据集S_i′，其中i∈[1,M]；

步骤S3具体包含：

S31、当V_i的采集频率等于1HZ时V_i′＝V_i；当S_i的采集频率等于1HZ时，S_i′＝S_i；当V_i的采集频率大于1HZ时，进入S32；当V_i的采集频率小于1HZ时，进入S32或S33；当S_i的采集频率大于1HZ时，进入S34；当S_i的采集频率小于1HZ时，进入S34或S35；

S32、采用线性插值法计算V_i在整秒时间k的采样值v_{i_k}，V_i′＝{v_{i_k}}_k∈N，N表示自然数的集合，t₁＝|k-t′₁|，t₂＝|t′₂-k|；

其中，t′₁、t′₂为历史工作数据的时间戳，满足t′₁＜k＜t′₂且|t′₁-t′₂|＝T；T为V_i的采集周期，v₁、v₂为V_i中分别与时间戳t′₁、t′₂对应的历史工作数据；

S33、采用均值法计算V_i在整秒时间k的采样值v_{i_k}＝0.5×(v′₁+v′₂)，V_i′＝{v_{i_k}}_k∈N，N表示自然数的集合；其中v′₁、v′₂为V_i中采集的两次历史工作数据，v′₁、v′₂的时间戳分别为t″₁、t″₂，满足t″₁＜k＜t″₂且|t″₁-t″₂|＝T；T为V_i的采集周期；

S34、采用线性插值法计算S_i在整秒时间k的采样值s_{i_k}，S_i′＝{s_{i_k}}_k∈N，N表示自然数的集合，m₁＝|k-m′₁|，m₂＝|m′₂-k|；

其中，m′₁、m′₂为实时工作数据的时间戳，满足m′₁＜k＜m′₂且|m′₁-m′₂|＝T′；T′为S_i的采集周期，s₁、s₂为S_i中分别与时间戳m′₁、m′₂对应的实时工作数据；

S35、采用均值法计算S_i在整秒时间k的采样值s_{i_k}＝0.5×(s′₁+s′₂)，S_i′＝{s_{i_k}}_k∈N，N表示自然数的集合；其中s′₁、s′₂为S_i中采集的两次实时工作数据，s′₁、s′₂的时间戳分别为m₁″、m₂″，满足m₁″＜k＜m₂″且|m₁″-m₂″|＝T′；T′为S_i的采集周期。

在本发明的应用实施例中，采集生产设备的电流、温度两类工作数据,采样频率分别是2Hz和0.5Hz。采集结果如表1、表2所示。表1、表2中每条工作数据的时间戳并非严格与采样频率相符，是因为数据在传送与记录过程中存在误差。

表1：数据(电流)

表2：数据(温度)

表1数据，其采样率大于1Hz，采用线性插值法计算表1的整秒采样值。本发明所述的整秒时间为精确到秒的时间。根据表1中的第2条数据和第3条数据来计算整秒时间15时55分04秒的采样值。第2条数据的时间戳为15:55 03 670(15时55分03秒670毫秒)，与整秒时间15时55分04秒的时间差为330毫秒。第3条数据的时间戳为15:55 04 100(15时55分04秒100毫秒)，与整秒时间15时55分04秒的时间差为100毫秒。整秒时间15时55分04秒的整秒采样值为：

(330×1.274+100×1.312)/(330+100)＝1.2828。

表2数据，其采样率小于1Hz，还可以按照均值方法计算表2的整秒采样值。根据表2中的第1条数据和第2条数据计算整秒时间15:55 05时的整秒采样值为0.5×(51.7+52.1)＝51.9。

S4、随机选取样本数据集将V_iA′作为训练样本，如图2所示，通过机器学习的方法，得到对应的数据预测模型YC_i，并用样本数据集V_iB′＝V_i′-V_iA′测试YC_i。在本发明的应用实施例中，V_iA′包含V_i′中80％的值；

S5、建立训练样本向量集合对有x_j＝{x_{j_1},...,x_{j_M}}，其中x_{j_r}∈V_r′，r∈[1,M]，且x_{j_1}、...、x_{j_M}均对应相同的整秒时间；

随机选取X中的若干个样本向量建立样本向量集合由专家为X′中的样本向量设置正常标签和异常标签，所述正常标签表示设备正常工作，所述异常标签表示设备发生故障；如图2所示，采用机器学习的方法，训练X′，得到设备故障诊断模型；通过样本向量集合X″测试所述设备故障诊断模型，其中X″＝X-X′。在本发明的应用实施例中X′包含X中80％的值。

S6、如图3所示，将S_i′输入对应的数据预测模型YC_i，得到对应的工作数据预测数据集S_i″，其中i∈[1,M]；

建立故障诊断向量集合对有s_j＝{s_{j_1},...,s_{j_M}}，其中s_{j_r}∈S″_r，r∈[1,M]，且s_{j_1}、...、s_{j_M}均对应相同的整秒时间；

将Y输入所述设备故障诊断模型，设备故障诊断模型对Y中每个故障诊断向量生成一个标签，当故障诊断向量的标签为正常标签时，说明设备不会发生故障；当故障诊断向量的标签为异常标签时，说明设备将发生故障。

在本应用实施例中，表3包含在相同的整秒时间，电流和温度对应的值以及通过专家根据电流值和温度值所设置的标签。故障诊断向量集合Y

包含至少{1.2828,51.9},{1.2724,51.9}两个向量。

表3：整秒时间的工作数据以及标签

所述生产设备故障预测诊断方法，还包含：删除V_i′中的部分数据，利用S_i′中的所有数据补入V_i′，删除的数据和补入的数据数量相等；通过机器学习的方法，训练更新后的V_i′，更新对应的数据预测模型YC_i，其中i∈[1,M]。

所述生产设备故障预测诊断方法，还包含：利用更新的V_i′更新训练样本向量集合通过机器学习的方法，训练更新后的X得到更新的设备故障诊断模型；其中i∈[1,M]。

与现有技术相比，本发明能够完全自动化的处理、分析采集的设备工作数据，计算过程简单，处理速度快，节约了大量人力成本。本发明能够根据采集的各类设备工作数据，生成对应的设备工作数据预测数据集，并根据所述预测值自动判断生产设备是否会发生故障。本发明不仅能够自动诊断设备故障，并且可以预测设备故障。在企业生产中，能够有效避免事故的发生，保证了企业生产安全，提高了企业的经济效益。

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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。

Claims (10)

1.一种生产设备故障预测诊断方法，其特征在于，包含步骤：

S1、采集生产设备的M类历史工作数据，建立对应的数据集V_i，其中i∈[1,M]，V_i对应第i类历史工作数据，每类历史工作数据包含若干条历史工作数据，一条历史工作数据对应一个时间戳；

采集生产设备的M类实时工作数据，建立对应的数据集S_i，其中i∈[1,M]，S_i对应第i类实时工作数据，每类实时工作数据包含若干条实时工作数据，一条实时工作数据对应一个时间戳；一类历史工作数据对应一类实时工作数据；

S2、清洗、预处理V_i、S_i，其中i∈[1,M]；

S3、整秒采样V_i，建立对应的整秒采样数据集V_i′；整秒采样S_i，建立对应的整秒采样数据集S_i′，其中i∈[1,M]；

S4、通过机器学习的方法，训练V_i′，生成对应的数据预测模型YC_i，其中i∈[1,M]；

S5、建立训练样本向量集合对有x_j＝{x_{j_1},...,x_{j_M}}，其中x_{j_r}∈V′_r，r∈[1,M]，且x_{j_1}、...、x_{j_M}均对应相同的整秒时间；

通过机器学习的方法，训练X得到设备故障诊断模型；

S6、将S_i′输入对应的数据预测模型YC_i，得到对应的工作数据预测数据集S_i″，其中i∈[1,M]；

建立故障诊断向量集合对有s_j＝{s_{j_1},...,s_{j_M}}，其中s_{j_r}∈S″_r，r∈[1,M]，且s_{j_1}、...、s_{j_M}均对应相同的整秒时间；

将Y输入所述设备故障诊断模型，预判设备是否会发生故障。

2.如权利要求1所述的生产设备故障预测诊断方法，其特征在于，步骤S2具体包含：

S21、对于v为一条历史工作数据，当v不满足下述条件时，删除v；

u_i-3σ_i≤v≤u_i+3σ_i

其中，i∈[1,M]，u_i表示V_i的期望，σ_i表示V_i的标准差；

S22、用固定值，或V_i的均值，或V_i的中位数，或V_i的众数填充V_i中所有缺失值，i∈[1,M]；

S23、对于s为一条实时工作数据，当s不满足下述条件时，删除s；

u′_i-3σ′_i≤s≤u′_i+3σ′_i

其中，i∈[1,M]，u′_i表示S_i的期望，σ′_i表示S_i的标准差；

S24、用固定值，或S_i的均值，或S_i的中位数，或S_i的众数填充S_i中所有缺失值，i∈[1,M]。

3.如权利要求1所述的生产设备故障预测诊断方法，其特征在于，步骤S3具体包含：

S31、当V_i的采集频率等于1HZ时V_i′＝V_i；当S_i的采集频率等于1HZ时，S_i′＝S_i；当V_i的采集频率大于1HZ时，进入S32；当V_i的采集频率小于1HZ时，进入S33或者进入S32；当S_i的采集频率大于1HZ时，进入S34；当S_i的采集频率小于1HZ时，进入S35或者进入S34；

S32、采用线性插值法计算V_i在整秒时间k的采样值v_{i_k}，V_i′＝{v_{i_k}}_k∈N，N表示自然数的集合，t₁＝|k-t′₁|，t₂＝|t′₂-k|；

其中，t′₁、t′₂为历史工作数据的时间戳，满足t′₁＜k＜t′₂且|t′₁-t′₂|＝T；T为V_i的采集周期，v₁、v₂为V_i中分别与时间戳t′₁、t′₂对应的历史工作数据；

S33、采用均值法计算V_i在整秒时间k的采样值v_{i_k}＝0.5×(v′₁+v′₂)，V_i′＝{v_{i_k}}_k∈N，N表示自然数的集合；其中v′₁、v′₂为V_i中采集的两次历史工作数据，v′₁、v′₂的时间戳分别为t″₁、t″₂，满足t″₁＜k＜t″₂且|t″₁-t″₂|＝T；T为V_i的采集周期；

S34、采用线性插值法计算S_i在整秒时间k的采样值s_{i_k}，S_i′＝{s_{i_k}}_k∈N，N表示自然数的集合，m₁＝|k-m′₁|，m₂＝|m′₂-k|；

其中，m′₁、m′₂为实时工作数据的时间戳，满足m′₁＜k＜m′₂且|m′₁-m′₂|＝T′；T′为S_i的采集周期，s₁、s₂为S_i中分别与时间戳m′₁、m′₂对应的实时工作数据；

S35、采用均值法计算S_i在整秒时间k的采样值s_{i_k}＝0.5×(s′₁+s′₂)，S_i′＝{s_{i_k}}_k∈N，N表示自然数的集合；其中s′₁、s′₂为S_i中采集的两次实时工作数据，s′₁、s′₂的时间戳分别为m″₁、m″₂，满足m″₁＜k＜m″₂且|m″₁-m″₂|＝T′；T′为S_i的采集周期。

4.如权利要求1所述的生产设备故障预测诊断方法，其特征在于，步骤S4具体包含：

随机选取样本数据集将V_iA′作为训练样本，通过机器学习的方法，得到对应的数据预测模型YC_i，并用样本数据集V_iB′＝V_i′-V_iA′测试YC_i。

5.如权利要求1所述的生产设备故障预测诊断方法，其特征在于，步骤S5所述通过机器学习的方法，训练X得到设备故障诊断模型，具体包含：

随机选取X中的若干个样本向量建立样本向量集合由专家为X′中的样本向量设置正常标签和异常标签，所述正常标签表示设备正常工作，所述异常标签表示设备发生故障；采用机器学习的方法，训练X′，得到设备故障诊断模型；通过样本向量集合X″测试所述设备故障诊断模型，其中X″＝X-X′。

6.如权利要求5所述的生产设备故障预测诊断方法，其特征在于，步骤S6所述预判设备是否会发生故障，具体是根据所述设备故障诊断模型对Y中每个故障诊断向量设置标签，当故障诊断向量的标签为正常标签时，说明设备不会发生故障；当故障诊断向量的标签为异常标签时，说明设备将发生故障。

7.如权利要求1所述的生产设备故障预测诊断方法，其特征在于，还包含：利用S′_i更新V_i′；通过机器学习的方法，训练更新后的V_i′，更新对应的数据预测模型YC_i，其中i∈[1,M]。

8.如权利要求7所述的生产设备故障预测诊断方法，其特征在于，还包含：利用更新的V_i′更新训练样本向量集合通过机器学习的方法，训练更新后的X得到更新的设备故障诊断模型；其中i∈[1,M]。

9.如权利要求4所述的生产设备故障预测诊断方法，其特征在于，V_iA′包含V_i′中80％的值。

10.如权利要求5所述的生产设备故障预测诊断方法，其特征在于，X′包含X中80％的值。