CN111680727A - 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 - Google Patents
基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 Download PDFInfo
- Publication number
- CN111680727A CN111680727A CN202010476712.6A CN202010476712A CN111680727A CN 111680727 A CN111680727 A CN 111680727A CN 202010476712 A CN202010476712 A CN 202010476712A CN 111680727 A CN111680727 A CN 111680727A
- Authority
- CN
- China
- Prior art keywords
- fault
- probability
- parameter
- abnormal
- naive bayes
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种基于朴素贝叶斯的故障诊断方法,包括:对目标设备的至少一种工作参数进行主成分分析,提取至少一种工作参数中贡献率满足预设条件的至少一种关键参数;根据市场维护信息,获取目标设备的至少一种可能故障及其对应的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率;根据至少一种参数异常概率、至少一种故障发生概率和条件概率构建改进的朴素贝叶斯故障诊断模型;根据改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。本发明还公开了诊断设备和存储介质。本发明可以有效提升故障诊断结果的准确性和可靠性,有效提升故障诊断的工作效率。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质。
背景技术
设备在运行时会发生故障,导致无法工作,而同一种故障的表象可能对应着多种不同的起因,用户无法直接推断出导致故障的根本原因,如果采用逐个排查的方法,耗时耗力,即使依靠专家经验对故障设备的运行数据进行分析,也很难做到对故障原因的准确排查,严重影响的设备的正常运转。
发明内容
基于此,有必要针对上述问题,提出了基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质。
一种基于朴素贝叶斯的故障诊断方法,包括:对目标设备的至少一种工作参数进行主成分分析,提取所述至少一种工作参数中贡献率满足预设条件的至少一种关键参数;根据市场维护信息,获取所述目标设备的至少一种可能故障及每种所述可能故障的故障发生概率、每种所述关键参数发生异常的参数异常概率和每种所述可能故障发生时每种所述关键参数发生异常的条件概率;根据至少一种所述参数异常概率、所述至少一种故障发生概率和所述条件概率构建改进的朴素贝叶斯故障诊断模型;在目标设备运行异常时,获取至少一个异常参数,将所述异常参数输入所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。
一种诊断设备,包括:提取模块,用于对至少一种工作参数进行主成分分析,提取所述至少一种工作参数中贡献率满足预设条件的至少一种关键参数;概率模块,用于根据市场维护信息,获取所述目标设备的至少一种可能故障及其对应的故障发生概率、每种所述关键参数发生异常的参数异常概率和每种所述可能故障发生时每种所述关键参数发生异常的条件概率;模型模块,用于根据至少一种所述参数异常概率和所述至少一种故障发生概率构建改进的朴素贝叶斯故障诊断模型;诊断模块,用于在目标设备运行异常时,获取至少一个异常参数,将所述异常参数输入所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。
一种诊断设备,包括:处理器和存储器,所述处理器耦接所述存储器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序以实现如上所述的方法。
一种可读存储介质,存储有计算机程序,所述计算机程序能够被处理器执行以实现如上所述的方法。
采用本发明实施例,具有如下有益效果:
对目标设备的至少一种工作参数进行主成分分析,提取的至少一种关键参数之间的相关性较小,根据目标设备的每种可能故障的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率构建改进的朴素贝叶斯故障诊断模型,根据所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障,可以有效提升朴素贝叶斯诊断故障模型的可靠性和准确性,从而有效提升故障诊断结果的可靠性和准确性,且有效提升了故障诊断的工作效率。
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。
其中:
图1是本发明提供的基于朴素贝叶斯的故障诊断方法的第一实施例的流程示意图;
图2是本发明提供的基于朴素贝叶斯的故障诊断方法的第二实施例的流程示意图;
图3是本发明提供的诊断设备的第一实施例的结构示意图;
图4是本发明提供的诊断设备的第二实施例的结构示意图;
图5是本发明提供的存储介质的一实施例的结构示意图。
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作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。
产品投入市场之后,在使用过程中难免会出现故障,此时需要对故障的原因进行排查,例如通过获取设备出现故障之前一段时间采集的设备运行参数来判断故障的原因。由于同一故障的表象可能由不同的故障原因引起,例如电机温度过高,可能是散热风扇被异物卡住导致无法转动,或者电机中出现短路或者断路,因此,如果仅凭人力,依靠专家经验进行判断,可能需对故障可能发生的原因依次进行排查,可靠性不高,工作效率也低,极大地影响了设备的正常使用。
为了解决上述问题,在本实施例中提供了一种基于朴素贝叶斯的故障诊断方法。服务器获取目标设备的至少一种工作参数,根据改进的朴素贝叶斯故障诊断模型分析出目标设备的目标故障。
请参阅图1,图1是本发明提供的基于朴素贝叶斯的故障诊断方法的第一实施例的流程示意图。本发明提供的基于朴素贝叶斯的故障诊断方法包括如下步骤:
S101:对目标设备的至少一种工作参数进行主成分分析,提取至少一种工作参数中贡献率满足预设条件的至少一种关键参数。
在一个具体的实施场景中,用户可以设定需要监测的运行数据的种类,例如,进气口压力、出气口压力、电机电流、电机电压等。对用户设定的种类的运行数据进行采样,可以获取到至少一种工作参数。在本实施场景中,是针对目标设备的运行数据进行采样,在其他实施场景中,还可以针对市面上与目标设备同型号的其他设备也进行采样。
在本实施场景中,可以设置目标设备定时对自身的运行数据进行采样,获取至少一种工作参数,并将至少一种工作参数上传至云端,或者还可以设置一采样设备定时对目标设备进行采样,将实时获取的至少一种工作参数上传至云端。服务器通过从云端获取至少一种工作参数,并对至少一种工作参数进行进行主成分分析,提取至少一种工作参数中贡献率满足预设条件的至少一种关键参数。
在本实施场景中,假设目标设备具有n种工作参数,分别表示为a1、a2、…、an。对目标设备的运行数据进行l次采样,则每种工作参数,例如a1,具有l个数值,例如a11、a12…、a1l。将目标设备的至少一种工作参数以列向量的形式表示:
根据上述的公式可知,至少一种工作参数的集合记为DATA,DATA为一个n维的列向量,对应的数据量较大。
服务器对至少一种工作参数进行主成分分析。主成分分析(Principal ComponentAnalysis,PCA),是一种统计方法。通过主成分分析可将所有参数映射到一组正交向量中(称为主成分)。通过计算,如果某个或某些参数对所有主成分的贡献率都很低,则将其视为不重要参数,予以剔除,那么剩下的都是重要参数,即实现的降维目的。
进一步地,可以获取n种工作参数的h种主成分,分别获取每种工作参数对于每种主成分的贡献率,具体地,可以参阅下表,下表为每种工作参数对于每种主成分的贡献率的表格:
a<sub>1</sub> | a<sub>2</sub> | … | a<sub>n</sub> | |
主成分1 | t<sub>11</sub> | t<sub>12</sub> | … | t<sub>1n</sub> |
主成分2 | t<sub>21</sub> | t<sub>22</sub> | … | t<sub>2n</sub> |
… | … | … | … | … |
主成分h | t<sub>h1</sub> | t<sub>h2</sub> | … | t<sub>hn</sub> |
其中,tcd(c=1、2、…九,d=1、2、…n)表示参数ad(d=1、2、…n)对主成分c(c=1、2、…九)的贡献率。
贡献率tcd(c=1、2、…九,d=1、2、…n)的数值由主成分分析方法计算得到。
服务器提取出每种主成分中贡献率最大且该贡献率大于β(0≤β≤1)的参数,记为至少一种关键参数。在本实施场景中,预设条件为贡献率最大且该贡献率大于β,在其他实施场景中,预设条件还可以为贡献率最大,或者贡献率大于β等。β的值可以是用户根据专家经验自行设置,也可以是诊断设备自适应进行设置。
在本实施场景中,至少一种关键参数的种类为m种,m种关键参数的集合记为B,B=(b1,b2,…bm},其中,bj(j=1、2、…m)为第j种关键参数。
S102:根据市场维护信息,获取目标设备的至少一种可能故障及每种可能故障的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率。
在本实施场景中,在日常对目标设备同型号的设备进行维护时,可以将市场维护信息上传至云端,服务器从云端获取市场维护信息,根据市场维护信息获取目标设备的至少一种可能故障及每种可能故障的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率。
在本实施场景中,假设目标设备的型号为Y,市面上型号为Y的设备共有N台。将关键参数bj(j=1、2、…m)发生异常这个事件记为事件Zj(j=1、2、…m),事件Zi(j=1、2、…m)组成参数异常事件集合Z,Z={z1,z2,…zm}。根据市场维护信息进行统计,可以获得N台Y型号的设备中,发生zj事件Nzj台次,则每种关键参数发生异常的参数异常概率P(zj),(j=1、2、…m)可通过以下公式得出:
根据市场维护信息进行统计,可以获得N台Y型号的设备可能出现的k种可能故障,将故障k发生的事件记为事件xi(i=1、2、…k),事件xi(i=1、2、…k)组成故障发生事件集合X,X={x1,x2,…xk}。根据市场维护信息进行统计,可以获得N台Y型号的设备中,发生xi事件Nxj台次,则每种可能故障发生的故障发生概率P(xi),(i=1、2、…k)可通过以下公式得出:
进一步地,获取发生xi事件Nxj台次中,同时发生zj事件Nxzij台次,则每种可能故障发生时每种关键参数发生异常的条件概率P(zj|xi),(i=1、2、…k),(j=1、2、…m)可通过以下公式得出:
S103:根据至少一种参数异常概率、至少一种故障发生概率和条件概率构建改进的朴素贝叶斯故障诊断模型。
朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化,即假定给定目标值时属性之间相互条件独立。朴素贝叶斯分类是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法,先通过已给定的训练集,以特征词之间独立作为前提假设,学习从输入到输出的联合概率分布,再基于学习到的模型,输入X求出使得后验概率最大的输出Y。
设有样本数据集D={d1,d2,…dn},对应样本数据的特征属性集为X={x1,x2,…xd},类变量为Y={y1,y2,…ym},即D可以分为ym类别。其中x1,x2,…xd相互独立且随机,则Y的先验概率Pprior=P(Y),Y的后验概率Ppost=P(Y|X),由朴素贝叶斯算法可得,后验概率可以由先验概率Pprior=P(Y)、证据P(X)、类条件概率P(X|Y)计算出:
在本实施场景中,Pprior为每种可能故障发生的故障发生概率P(xi),证据P(X)为每种关键参数发生异常的参数异常概率P(zj),类条件概率P(X|Y)为每种可能故障发生时每种关键参数发生异常的条件概率P(zj|xi)。因此,在本实施场景中,服务器可以根据这些参数构建改进的朴素贝叶斯故障诊断模型,计算出每种可能故障的后验概率Ppost。
S104:获取至少一个异常参数,将异常参数输入改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。
在本实施场景中,服务器获取至少一个异常参数,根据改进的朴素贝叶斯故障诊断模型获得每种可能故障的后验概率,根据后验概率的值的大小,可以推断出导致当前运行异常的目标故障。例如可以选择后验概率的值最大的一个或者多个可能故障的种类作为目标故障。在输出目标故障时,可以同步输出该目标故障的后验概率,以供用户参考。
根据上述描述可知,在本实施例中对目标设备的至少一种工作参数进行主成分分析,有效移除了不重要的工作参数,提升判断效率,降低误判率,根据目标设备的每种可能故障的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率构建改进的朴素贝叶斯故障诊断模型,根据所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障,可以有效提升朴素贝叶斯诊断故障模型的可靠性和准确性,从而有效提升故障诊断结果的可靠性和准确性,且有效提升了故障诊断的工作效率。
请参阅图2,图2是本发明提供的基于朴素贝叶斯的故障诊断方法的第二实施例的流程示意图。本发明提供的基于朴素贝叶斯的故障诊断方法包括如下步骤:
S201:根据预设采样频率进行采样,对采样获取的采样数据进行数据清洗,获取至少一种工作参数。
在一个具体的实施场景中,可以获取用户设定的预设采样频率,根据预设采样频率对目标设备的运行数据进行采样,采样时可能会获取到错误数据或者无效数据,例如时延造成数据时间错误,连接中断造成的采样数据缺失等等,因此需要服务器会对采样获取的采样数据进行数据清洗,数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序,包括检查数据一致性,处理无效值和缺失值等。
S202:对目标设备的至少一种工作参数进行主成分分析,提取至少一种工作参数中贡献率满足预设条件的至少一种关键参数。
S203:根据市场维护信息,获取目标设备的至少一种可能故障及每种可能故障的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率。
在本实施场景中,步骤S202-S203本发明提供的基于朴素贝叶斯的故障诊断方法的第一实施例中的步骤S101-S102基本一致,此处不再进行赘述。
S204:判断至少一种关键参数是否发生异常。若是,则结束进程,若否,则执行步骤S205。
在本实施场景中,服务器获取至少一种关键参数之后判断至少一种关键参数是否发生异常。例如可以预设每种关键参数的正常阈值,若每种关键参数的数值均位于对应的正常阈值中,则可以判定至少一种关键参数未发生异常。若存在至少一种关键参数的数值不位于对应的正常阈值中,则可以判定至少一种关键参数发生异常。
在其他实施场景中,服务器还可以基于大数据学习或者人工智能技术根据以往至少一个关键参数的数值判断至少一个关键参数是否发生异常。
若服务器判定当前的至少一种关键参数存在异常,则将当前的至少一种关键参数作为异常参数。
S205:根据每种可能故障的故障发生概率和每种可能故障发生时每种关键参数发生异常的条件概率,计算每种可能故障发生的后验概率。
根据朴素贝叶斯算法可得,后验概率可以由先验概率Pprior=P(Y)、证据P(X)、类条件概率P(X|Y)计算出:
在本实施场景中,Pprior为每种可能故障发生的故障发生概率P(xi),证据P(X)为每种关键参数发生异常的参数异常概率P(zj),类条件概率P(X|Y)为每种可能故障发生时每种关键参数发生异常的条件概率P(zj|xi)。
在本实施场景中,服务器将每种可能故障发生时每种关键参数发生异常的条件概率除以对应的关键参数发生异常的参数异常概率,获取概率中间值,具体的可以根据以下公式获取概率中间值:
服务器计算每种故障发生时,至少一种关键参数发生异常的概率中间值之和:
服务器将每种可能故障的故障发生概率与对应的概率中间值之和相乘,获取每种可能故障发生的后验概率:
P=P(xi)×Pi
进一步地,服务器还可以通过矩阵的方法计算出每种可能故障发生的后验概率。
首先获取初始化单位矩阵Ek:
计算故障发生的概率指标矩阵C:
其中,·表示内积,*表示哈达玛积。
计算得出的C是一个k×k的对角矩阵:
S206:对后验概率进行归一化计算,获取归一后的后验概率。
在本实施场景中,服务器计算出的后验概率c1、c2…ck可能存在大于1的情况,因此服务器对后验概率c1、c2…ck进行归一化计算,具体地可通过下列公式进行归一化计算:
服务器可以将d1、d2…dk和x1、x2…xk整理成表格,请参阅下表,下表为每种可能故障及其归一后的后验概率的对照表。
可能故障 | x<sub>1</sub> | x<sub>2</sub> | … | x<sub>k</sub> |
归一后的后验概率 | d<sub>1</sub> | d<sub>2</sub> | … | d<sub>k</sub> |
S207:获取选择标准,根据选择标准与后验概率,从至少一种可能故障中确定目标故障。
在本实施场景中,服务器可以获取用户预先设置的选择标准,例如归一后的后验概率大于一预设概率值的可能故障作为目标故障,或者选择归一后的后验概率值最大的前预设个数的可能故障作为目标故障。根据选择标准从至少一个可能故障中确定一个或多个目标故障。
通过上述描述可知,在本实施例中对采集的运行数据进行数据清洗,提高了至少一种工作参数的准确性,对至少一种工作参数进行主成分分析,有效移除了不重要的工作参数,提升判断效率,降低误判率,从而使得改进的朴素贝叶斯故障诊断模型的运算结果可靠性和准确性更高,能快速且有效的诊断出设备的目标故障,提升工作效率。
请参阅图3,图3是本发明提供的诊断设备的第一实施例的结构示意图。本发明提供的诊断设备10包括提取模块11、概率模块12、模型模块13和诊断模块14。提取模块11用于对至少一种工作参数进行主成分分析,提取至少一种工作参数中贡献率满足预设条件的至少一种关键参数。概率模块12用于根据市场维护信息,获取目标设备的至少一种可能故障及每种可能故障的故障发生概率、每种关键参数发生异常的参数异常概率和每种可能故障发生时每种关键参数发生异常的条件概率。模型模块13用于根据至少一种参数异常概率和至少一种故障发生概率构建改进的朴素贝叶斯故障诊断模型。诊断模块14用于根据改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。
提取模块11还用于根据预设采样频率进行采样,对采样获取的采样数据进行数据清洗,获取至少一种工作参数。
概率模块12还用于判断至少一种关键参数是否发生异常,若至少一种关键参数发生异常,则执行根据至少一种参数异常概率和至少一种故障发生概率构建改进的朴素贝叶斯故障诊断模型以及后续步骤。
诊断模块14还用于根据每种可能故障的故障发生概率和每种可能故障发生时每种关键参数发生异常的条件概率,计算每种可能故障发生的后验概率。
诊断模块14还用于将每种可能故障发生时每种关键参数发生异常的条件概率除以对应的关键参数发生异常的参数异常概率,获取概率中间值;计算每种可能故障发生时,至少一种关键参数发生异常的概率中间值之和;将每种可能故障的故障发生概率与对应的概率中间值之和相乘,获取每种可能故障发生的后验概率。
诊断模块14还用于对后验概率进行归一化计算,获取归一后的后验概率。
诊断模块14还用于获取选择标准,根据选择标准与后验概率,从至少一种可能故障中选择目标故障。
通过上述描述可知,在本实施例中诊断设备首先对所有参数进行主成分分析,有效移除了不重要的参数,提升判断效率,降低误判率,根据至少一种关键参数发生异常的参数异常概率、至少一种可能故障的故障发生概率以及每种可能故障发生时每种关键参数发生异常的条件概率构建改进的朴素贝叶斯故障诊断模型,根据改进的朴素贝叶斯故障诊断模型获取目标故障,可以有效提升故障诊断的准确性和可靠性,以及有效提升工作效率。
请参阅图4,图4是本发明提供的诊断设备的第二实施例的结构示意图。诊断设备20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储有计算机程序,处理器21在工作时执行该计算机程序以实现如图1~图2所示的方法。详细的方法可参见上述,在此不再赘述。
通过上述描述可知,在本实施例中诊断设备首先对所有工作参数进行主成分分析,有效移除了不重要的工作参数,提升判断效率,降低误判率,根据至少一种关键参数发生异常的参数异常概率、至少一种可能故障的故障发生概率以及每种可能故障发生时每种关键参数发生异常的条件概率构建改进的朴素贝叶斯故障诊断模型,根据改进的朴素贝叶斯故障诊断模型获取目标故障,可以有效提升故障诊断的准确性和可靠性,以及有效提升工作效率。
请参阅图5,图5是本发明提供的存储介质的一实施例的结构示意图。存储介质30中存储有至少一个计算机程序31,计算机程序31用于被处理器执行以实现如图1~图2所示的方法,详细的方法可参见上述,在此不再赘述。在一个实施例中,可读存储介质30可以是终端中的存储芯片、硬盘或者是移动硬盘或者优盘、光盘等其他可读写存储的工具,还可以是服务器等等。
通过上述描述可知,在本实施例中存储介质中的计算机程序可用于对至少一种工作参数进行主成分分析,有效移除了不重要的工作参数,提升判断效率,降低误判率,根据至少一种关键参数发生异常的参数异常概率、至少一种可能故障的故障发生概率以及每种可能故障发生时每种关键参数发生异常的条件概率构建改进的朴素贝叶斯故障诊断模型,根据改进的朴素贝叶斯故障诊断模型获取目标故障,可以有效提升故障诊断的准确性和可靠性,以及有效提升工作效率。
区别于现有技术,本发明中对目标设备的至少一种工作参数进行主成分分析,有效移除了不重要的工作参数,提升判断效率,降低误判率,建立改进的朴素贝叶斯故障诊断模型,诊断出目标设备的目标故障,可以有效提升故障诊断的工作效率,也可以提升诊断结果的可靠性和准确性。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于朴素贝叶斯的故障诊断方法,其特征在于,包括:
对目标设备的至少一种工作参数进行主成分分析,提取所述至少一种工作参数中贡献率满足预设条件的至少一种关键参数;
根据市场维护信息,获取所述目标设备的至少一种可能故障及每种所述可能故障的故障发生概率、每种所述关键参数发生异常的参数异常概率和每种所述可能故障发生时每种所述关键参数发生异常的条件概率;
根据至少一种所述参数异常概率、所述至少一种故障发生概率和所述条件概率构建改进的朴素贝叶斯故障诊断模型;
在目标设备运行异常时,获取至少一个异常参数,将所述异常参数输入所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。
2.根据权利要求1所述的基于朴素贝叶斯的故障诊断方法,其特征在于,所述对目标设备的至少一种工作参数进行主成分分析的步骤之前,包括:
根据预设采样频率进行采样,对采样获取的采样数据进行数据清洗,获取所述至少一种工作参数。
3.根据权利要求1所述的基于朴素贝叶斯的故障诊断方法,其特征在于,所述提取所述至少一种工作参数中贡献率满足预设条件的至少一种关键参数的步骤之后,包括:
判断所述至少一种关键参数是否发生异常,若所述至少一种关键参数发生异常,则执行所述根据至少一种所述参数异常概率和所述至少一种故障发生概率构建改进的朴素贝叶斯故障诊断模型以及后续步骤。
4.根据权利要求1所述的基于朴素贝叶斯的故障诊断方法,其特征在于,所述根据至少一种所述参数异常概率和所述至少一种故障发生概率构建改进的朴素贝叶斯故障诊断模型的步骤,包括:
根据每种所述可能故障的故障发生概率和所述每种所述可能故障发生时每种所述关键参数发生异常的条件概率,计算每种所述可能故障发生的后验概率。
5.根据权利要求4所述的基于朴素贝叶斯的故障诊断方法,所述根据每种所述可能故障的故障发生概率和所述每种所述可能故障发生时每种所述关键参数发生异常的条件概率,计算每种所述可能故障发生的后验概率的步骤,包括:
将每种所述可能故障发生时每种所述关键参数发生异常的条件概率除以对应的所述关键参数发生异常的参数异常概率,获取概率中间值;
计算每种所述可能故障发生时,所述至少一种所述关键参数发生异常的概率中间值之和;
将每种所述可能故障的故障发生概率与对应的所述概率中间值之和相乘,获取每种所述可能故障发生的后验概率。
6.根据权利要求5所述的基于朴素贝叶斯的故障诊断方法,其特征在于,所述获取每种所述可能故障发生的后验概率的步骤之后,包括:
对所述后验概率进行归一化计算,获取归一后的所述后验概率。
7.根据权利要求4所述的基于朴素贝叶斯的故障诊断方法,其特征在于,所述根据所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障的步骤,包括:
获取选择标准,根据所述选择标准与所述后验概率,从所述至少一种可能故障中选择目标故障。
8.一种诊断设备,其特征在于,包括:
提取模块,用于对至少一种工作参数进行主成分分析,提取所述至少一种工作参数中贡献率满足预设条件的至少一种关键参数;
概率模块,用于根据市场维护信息,获取所述目标设备的至少一种可能故障及每种所述可能故障的故障发生概率、每种所述关键参数发生异常的参数异常概率和每种所述可能故障发生时每种所述关键参数发生异常的条件概率;
模型模块,用于根据至少一种所述参数异常概率和所述至少一种故障发生概率构建改进的朴素贝叶斯故障诊断模型;
诊断模块,用于在目标设备运行异常时,获取至少一个异常参数,将所述异常参数输入所述改进的朴素贝叶斯故障诊断模型获取导致当前运行异常的目标故障。
9.一种诊断设备,其特征在于,包括:处理器和存储器,所述处理器耦接所述存储器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序以实现如权利要求1~7任一项所述的方法。
10.一种可读存储介质,其特征在于,存储有计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476712.6A CN111680727B (zh) | 2020-05-29 | 2020-05-29 | 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476712.6A CN111680727B (zh) | 2020-05-29 | 2020-05-29 | 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680727A true CN111680727A (zh) | 2020-09-18 |
CN111680727B CN111680727B (zh) | 2023-12-26 |
Family
ID=72452751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010476712.6A Active CN111680727B (zh) | 2020-05-29 | 2020-05-29 | 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680727B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632274A (zh) * | 2020-10-29 | 2021-04-09 | 中科曙光南京研究院有限公司 | 一种基于文本处理的异常事件分类方法及系统 |
CN113887676A (zh) * | 2021-12-06 | 2022-01-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 设备故障预警方法、装置、设备、介质和计算机程序产品 |
CN114091565A (zh) * | 2021-07-01 | 2022-02-25 | 国电电力宁夏新能源开发有限公司 | 基于朴素贝叶斯算法的风机机舱振动故障诊断系统及方法 |
CN114358332A (zh) * | 2021-12-23 | 2022-04-15 | 国网江苏省电力有限公司南通供电分公司 | 一种基于概率的电网升级工单特征画像与分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134010A (zh) * | 2014-08-12 | 2014-11-05 | 哈尔滨工业大学 | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 |
CN108063676A (zh) * | 2016-11-08 | 2018-05-22 | 中国移动通信集团山西有限公司 | 通信网络故障预警方法及装置 |
JP2018173948A (ja) * | 2017-03-31 | 2018-11-08 | 西日本電信電話株式会社 | 故障診断装置、故障診断方法、及びコンピュータプログラム |
-
2020
- 2020-05-29 CN CN202010476712.6A patent/CN111680727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134010A (zh) * | 2014-08-12 | 2014-11-05 | 哈尔滨工业大学 | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 |
CN108063676A (zh) * | 2016-11-08 | 2018-05-22 | 中国移动通信集团山西有限公司 | 通信网络故障预警方法及装置 |
JP2018173948A (ja) * | 2017-03-31 | 2018-11-08 | 西日本電信電話株式会社 | 故障診断装置、故障診断方法、及びコンピュータプログラム |
Non-Patent Citations (1)
Title |
---|
张彩丽;杨帆;张玉杰;: "柴油机供油系统状态的朴素贝叶斯诊断方法研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632274A (zh) * | 2020-10-29 | 2021-04-09 | 中科曙光南京研究院有限公司 | 一种基于文本处理的异常事件分类方法及系统 |
CN112632274B (zh) * | 2020-10-29 | 2024-04-26 | 中科曙光南京研究院有限公司 | 一种基于文本处理的异常事件分类方法及系统 |
CN114091565A (zh) * | 2021-07-01 | 2022-02-25 | 国电电力宁夏新能源开发有限公司 | 基于朴素贝叶斯算法的风机机舱振动故障诊断系统及方法 |
CN113887676A (zh) * | 2021-12-06 | 2022-01-04 | 中国南方电网有限责任公司超高压输电公司广州局 | 设备故障预警方法、装置、设备、介质和计算机程序产品 |
CN114358332A (zh) * | 2021-12-23 | 2022-04-15 | 国网江苏省电力有限公司南通供电分公司 | 一种基于概率的电网升级工单特征画像与分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111680727B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680727B (zh) | 基于朴素贝叶斯的故障诊断方法、诊断设备和存储介质 | |
CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
WO2018103453A1 (zh) | 检测网络的方法和装置 | |
CN112118141B (zh) | 面向通信网络的告警事件关联压缩方法及装置 | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
CN112685324B (zh) | 一种生成测试方案的方法及系统 | |
KR102079359B1 (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
JP3718765B2 (ja) | プラント診断装置 | |
CN112000081B (zh) | 基于多块信息提取和马氏距离的故障监测方法及系统 | |
CN112785420A (zh) | 信用评分模型的训练方法、装置、电子设备及存储介质 | |
CN113554128B (zh) | 一种非常规异常检测方法、系统及存储介质 | |
CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
CN111504673A (zh) | 一种冷水机组故障诊断方法、系统及空调器 | |
CN115712874A (zh) | 基于时间序列特征的热能动力系统故障诊断方法及装置 | |
CN114936614A (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN112082769A (zh) | 一种基于专家系统和贝叶斯决策器的模拟量输入模块智能bit设计方法 | |
CN114528914B (zh) | 一种人在回路的冷水主机状态监测方法、终端及存储介质 | |
JP7182586B2 (ja) | 学習装置、推定装置、シーケンス推定システムおよび方法、プログラム | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
CN116994609B (zh) | 应用于智能生产线的数据分析方法及系统 | |
WO2023100242A1 (ja) | 障害情報推定装置、障害情報推定方法、および障害情報推定プログラム | |
CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及系统 |
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 |