CN111967535A - 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 - Google Patents

Abstract

本发明公开了一种储粮管理场景温度传感器故障诊断方法及其诊断装置。该诊断方法包括以下步骤：将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集；建立温度传感器的故障诊断模型；将采集到的样本数据划分为训练集和测试集；对训练集的数据进行标准化处理，进行建模，对极端梯度提升算法模型训练获得故障检测模型；先对测试集的数据标准化处理，再进行故障检测，最后根据检测结果，判断出温度传感器是否为故障传感器。本发明能够帮助管理人员发现故障传感器并对其进行修理，有利于节省人工成本，提高管理效率。该方法有利于消除储粮安全隐患，减少因传感器故障带来的粮食损失，具有较高的使用价值。

Description

一种储粮管理场景温度传感器故障诊断方法及其诊断装置

技术领域

本发明涉及储粮管理技术领域的一种诊断方法，尤其涉及一种储粮管理场景温度传感器故障诊断方法，还涉及一种储粮管理场景温度传感器故障诊断装置。

背景技术

粮食安全是关系国运民生的压舱石，是维护国家安全的重要基础。对于中国这样一个发展中大国，粮食安全更是治国理政的头等大事，保障国家粮食安全这根弦任何时候都不能松。温度传感器作为粮情信息化系统重要部件，在管理不到位情况影响下，直接导致无法知晓粮仓温度实时变化，久而久之便导致粮食的变质，造成了不可挽回的损失。而现有的粮仓中温度传感器故障诊断方法对传感器分类效果不佳，准确度低，不能满足粮站的粮仓内部传感器故障诊断的需求。

发明内容

为解决现有的温度传感器故障诊断方法对传感器分类效果不佳，准确度低的技术问题，本发明提供一种储粮管理场景温度传感器故障诊断方法及其诊断装置。

本发明采用以下技术方案实现：一种储粮管理场景温度传感器故障诊断方法，其包括以下步骤：

(1)将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集；其中，所述温度传感器数据集中包括各个温度传感器的温度历史数据的特征向量与其标签信息所组成的序列；

(2)根据所述温度传感器数据集，建立所述温度传感器的故障诊断模型且模型建立方法包括以下步骤：

(2.1)将所述故障诊断模型的目标函数定义为损失函数与正则项的组成；

(2.2)设定初始基分类器预测值为0，并确定其他的基分类器预测值的函数；

(2.3)通过所述基分类器预测值对所述目标函数进行多次迭代，确定迭代后的目标函数；

(2.4)先通过二阶近似对所述迭代后的目标函数进行优化，获得优化后的目标函数，再通过删除决策树的复杂性函数中的常数项，对所述优化后的目标函数进行重写，获得重写后的目标函数，并确定目标函数最小值；

(2.5)先通过比较所述决策树分裂中分割前后的目标函数，计算分割的信息增益，再利用所述决策树分裂完成时最终叶子节点具有的信息量构建所述温度传感器的故障分裂树以挖掘故障数据中的隐藏特征信息；以及

(2.6)利用所述隐藏特征信息，建立所述故障诊断模型；

(3)将采集到的样本数据划分为训练集和测试集；

(4)先对所述训练集的数据进行标准化处理，再使用所述故障诊断模型对标准化处理后的数据进行建模以获得极端梯度提升算法模型，最后对所述极端梯度提升算法模型进行训练，获得所述传感器的故障检测模型；以及

(5)先使用(4)中的标准化参数对所述测试集的数据进行标准化处理，再使用所述故障检测模型对标准化处理后的所述测试集数据进行故障检测，最后根据检测结果，判断出所述温度传感器是否为故障传感器。

本发明通过先将预测诊断分为两个等级，并确定数据集，再根据数据集，通过对原始目标函数进行迭代、优化等重构目标函数，而后通过比较决策树分裂前后的目标函数而计算出信息增益，构建故障分裂树以挖掘故障数据中的隐藏特征信息，建立故障诊断模型，然后将样本数据划分为训练集和测试集，再然后对训练集进行标准化处理、建模并进行训练，得到故障检测模型，再然后利用同样的标准化参数对测试集数据进行标准化处理，利用故障检测模型对处理后数据进行故障检测，最后根据检测结果判断出温度传感器是否发生故障，从而完成传感器故障诊断全过程。由于诊断过程利用极端梯度提升算法，并且诊断的模型经过多次处理和训练，这样诊断更加准确和有效，解决了现有的温度传感器故障诊断方法对传感器分类效果不佳，准确度低的技术问题，得到了节省人工成本，提高管理效率，有利于消除储粮安全隐患，减少因传感器故障带来的粮食损失，并且准确度高，分类效果好的技术效果。

作为上述方案的进一步改进，所述温度传感器数据集为：

D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}

式中，x_i∈R^l，y_i∈{1,-1},i＝1,2,...,n，n为正整数；x_i为所述温度传感器数据集中第i个传感器温度历史数据的特征向量，y_i为所述温度传感器对应的标签信息，且用1表示故障传感器，-1表示正常传感器；

所述故障诊断模型的目标函数为：

O^t＝L(θ)+Ω(θ)

式中，L(θ)表示损失函数，Ω(θ)表示正则项，θ表示参数。

作为上述方案的进一步改进，所述初始基分类器预测值定义为

其中x_i、

是所述温度传感器数据集中的特征向量和标签信息；第t个基分类器预测值为：

式中，t为正整数，f_k(x_i)表示k_th估计函数，f_t(x_i)表示第t次迭代的估计函数。

作为上述方案的进一步改进，所述迭代后的目标函数为：

式中，l(，)是一个可微分的损失函数，用于测量预测值和目标值之间的差异；Ω用于表示所述决策树的复杂性。

作为上述方案的进一步改进，所述优化后的目标函数为：

式中，

g_i表示损失函数的一阶导数，

表示求导函数；

h_i表示损失函数的二阶导数。

作为上述方案的进一步改进，设置T每个决策树的叶子是ω₁,ω₂,...,ω_γ，所述决策树的复杂性函数为：

式中，γ、λ表示惩罚系数；

所述重写后的目标函数为：

式中，

作为上述方案的进一步改进，通过一元二次函数对所述重写后的目标函数的极值进行求解：

所述目标函数最小值为：

其中，O表示所述目标函数最小值。

作为上述方案的进一步改进，所述信息增益的计算公式为：

式中，下标L、R分别代表左子树和右子树；

为左子树的信息分数；

为右子树的信息分数；

为当前不可分割的信息分数。

作为上述方案的进一步改进，对于其中一个温度传感器及其相邻的2个温度传感器，三个温度传感器第i次温度检测数据可表示为

则所述温度传感器的n次测量数据用以下矩阵进行表示：

其中，设此矩阵X被提取特征后得到的特征向量为μ，设所述正常传感器与所述故障传感器的特征向量共有s个且构成的向量集合为{μ_j|1≤j≤s,s∈N^*}；在所述向量集合划分为两个集合U₁和U₂，其中U₁为所述故障传感器的特征向量所构成的集合，U₂为所述正常传感器的特征向量所构成的集合。

本发明还提供一种储粮管理场景温度传感器故障诊断装置，其应用上述任意所述的储粮管理场景温度传感器故障诊断方法，其包括：

数据集获取模块，其用于将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集；其中，所述温度传感器数据集中包括各个温度传感器的温度历史数据的特征向量与其标签信息所组成的序列；

模型建立模块，根据所述温度传感器数据集，建立所述温度传感器的故障诊断模型；所述模型建立模块包括定义单元、基分类器预测值确定单元、迭代单元、优化重写单元、信息增益计算单元、挖掘单元以及建模单元；所述定义单元用于将所述故障诊断模型的目标函数定义为损失函数与正则项的组成；所述基分类器预测值确定单元用于设定初始基分类器预测值为0，并确定其他的基分类器预测值的函数；所述迭代单元用于通过所述基分类器预测值对所述目标函数进行多次迭代，确定迭代后的目标函数；所述优化重写单元用于先通过二阶近似对所述迭代后的目标函数进行优化，获得优化后的目标函数，再通过删除决策树的复杂性函数中的常数项，对所述优化后的目标函数进行重写，获得重写后的目标函数，并确定目标函数最小值；所述信息增益计算单元用于通过比较所述决策树分裂中分割前后的目标函数，计算分割的信息增益；所述挖掘单元用于利用所述决策树分裂完成时最终叶子节点具有的信息量构建所述温度传感器的故障分裂树以挖掘故障数据中的隐藏特征信息；所述建模单元用于利用所述隐藏特征信息，建立所述故障诊断模型；

划分模块，其用于将采集到的样本数据划分为训练集和测试集；

模型训练模块，其用于先对所述训练集的数据进行标准化处理，再使用所述故障诊断模型对标准化处理后的数据进行建模以获得极端梯度提升算法模型，最后对所述极端梯度提升算法模型进行训练，获得所述传感器的故障检测模型；以及

故障检测模块，其用于先使用所述模型训练模块中的标准化参数对所述测试集的数据进行标准化处理，再使用所述故障检测模型对标准化处理后的所述测试集数据进行故障检测，最后根据检测结果，判断出所述温度传感器是否为故障传感器。

相较于现有的温度传感器故障诊断方法，本发明的储粮管理场景温度传感器故障诊断方法及其诊断装置具有以下有益效果：

1、该储粮管理场景温度传感器故障诊断方法，其通过先将预测诊断分为两个等级，并确定数据集，再根据数据集，通过对原始目标函数进行迭代、优化等重构目标函数，而后通过比较决策树分裂前后的目标函数而计算出信息增益，构建故障分裂树以挖掘故障数据中的隐藏特征信息，建立故障诊断模型，然后将样本数据划分为训练集和测试集，再然后对训练集进行标准化处理、建模并进行训练，得到故障检测模型，再然后利用同样的标准化参数对测试集数据进行标准化处理，利用故障检测模型对处理后数据进行故障检测，最后根据检测结果判断出温度传感器是否发生故障，从而完成传感器故障诊断全过程。由于诊断过程利用极端梯度提升算法，并且诊断的模型经过多次处理和训练，这样诊断的准确度高，分类效果好。

2、该储粮管理场景温度传感器故障诊断方法，其可以有效地检测出储粮场景中温度传感器存在地故障，能够帮助管理人员发现故障传感器并对其进行修理，有利于节省人工成本，提高管理效率。该方法有利于消除储粮安全隐患，减少因传感器故障带来的粮食损失，具有较高的使用价值。

3、该储粮管理场景温度传感器故障诊断装置，其有益效果与上述储粮管理场景温度传感器故障诊断方法的有益效果相同，在此不再做赘述。

附图说明

图1为本发明实施例1的储粮管理场景温度传感器故障诊断方法的流程图。

图2为本发明实施例2的储粮管理场景温度传感器故障诊断方法实验产生的ROC曲线图。

符号说明：

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

请参阅图1，本实施例提供了一种储粮管理场景温度传感器故障诊断方法，该诊断方法用于对诸如粮仓等储粮管理场景中的温度传感器进行诊断，确定各个温度传感器是否发生故障。本实施例针对储粮管理系统温度传感器故障检测问题，首先对温度传感器以及应用场景的特点进行分析，然后剖析粮情温度数据的内在关联，通过极端梯度提升算法(XGBoost)建立温度传感器故障检测模型进行故障检测，为粮站制定规范的传感器故障检测方案提供参考依据。其中，该故障诊断方法包括以下这些步骤，即步骤(1)-(5)。

(1)将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集。其中，温度传感器数据集中包括各个温度传感器的温度历史数据的特征向量与其标签信息所组成的序列。即，基于XGBoost对传感器故障判断的本质是一个二分类问题，因此温度传感器数据集为：

D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}

式中，x_i∈R^l，y_i∈{1,-1},i＝1,2,...,n，n为正整数；x_i为温度传感器数据集中第i个传感器温度历史数据的特征向量，y_i为温度传感器对应的标签信息，即表示这个温度传感器是正常传感器还是故障传感器，且用1表示故障传感器，-1表示正常传感器。

(2)根据温度传感器数据集，建立所述温度传感器的故障诊断模型且模型建立方法包括以下步骤，即步骤(2.1)-(2.6)。

(2.1)将故障诊断模型的目标函数定义为损失函数与正则项的组成。在本实施例中，故障诊断模型的目标函数为：

O^t＝L(θ)+Ω(θ)

式中，L(θ)表示损失函数，Ω(θ)表示正则项，θ表示参数。

(2.2)设定初始基分类器预测值为0，并确定其他的基分类器预测值的函数。在本实施例中，初始基分类器预测值定义为

其中x_i、

是温度传感器数据集中的特征向量和标签信息。那么，第t个基分类器预测值为：

式中，t为正整数，f_k(x_i)表示k_th估计函数，f_t(x_i)表示第t次迭代的估计函数。

(2.3)通过基分类器预测值对目标函数进行多次迭代，确定迭代后的目标函数。在本实施例中，迭代后的目标函数为：

式中，l(，)是一个可微分的损失函数，用于测量预测值和目标值之间的差异。Ω用于表示决策树的复杂性。二阶近似可用于在一般情况下快速优化目标，因此，优化后的目标函数为：

式中，

g_i表示损失函数的一阶导数，

表示求导函数；

h_i表示损失函数的二阶导数。

(2.4)先通过二阶近似对迭代后的目标函数进行优化，获得优化后的目标函数，再通过删除决策树的复杂性函数中的常数项，对优化后的目标函数进行重写，获得重写后的目标函数，并确定目标函数最小值。

在本实施例中，设置T每个决策树的叶子是ω₁,ω₂,...,ω_γ，决策树的复杂性函数为：

式中，γ、λ表示惩罚系数，因此，通过删除常数项，目标函数可以重写为：

式中，

通过一元二次函数对重写后的目标函数的极值进行求解：

目标函数最小值为：

其中，O表示目标函数最小值。

(2.5)先通过比较决策树分裂中分割前后的目标函数，计算分割的信息增益，再利用决策树分裂完成时最终叶子节点具有的信息量构建温度传感器的故障分裂树以挖掘故障数据中的隐藏特征信息。在本实施例中，当每个决策树分裂时，一个分支会分裂成两个分支。分割的信息增益可以通过比较分割前后的目标函数来计算，即信息增益的计算公式为：

式中，下标L、R分别代表左子树和右子树；

为左子树的信息分数；

为右子树的信息分数；

为当前不可分割的信息分数。

增益Θ本质是从统计角度上纯化数据中包含的重要信息，并减少分割叶子节点前后的信息不确定性。然后，当整个树被分裂完成时，最终的叶子节点具有最大的信息量，并且信息的重要性也最高。因此，在传感器故障诊断中，可以使用此算法构建故障分裂树，以深挖故障数据中的隐藏特征信息。分裂树的深度越大，故障数据挖掘深度就越大，用挖掘提取出的故障信息可以建立更有效的温度传感器故障诊断模型。

(2.6)利用隐藏特征信息，建立故障诊断模型。在本实施例中，为了更准确地对储粮管理场景中地温度传感器故障检测问题进行描述，下面对其建立相应的数学模型。对于其中一个温度传感器及其相邻的2个温度传感器，三个温度传感器第i次温度检测数据可表示为

则温度传感器的n次测量数据用以下矩阵进行表示：

其中，设此矩阵X被提取特征后得到的特征向量为μ，设正常传感器与故障传感器的特征向量共有s个且构成的向量集合为{μ_j|1≤j≤s,s∈N^*}。在向量集合划分为两个集合U₁和U₂，其中U₁为故障传感器的特征向量所构成的集合，U₂为正常传感器的特征向量所构成的集合。

(3)将采集到的样本数据划分为训练集和测试集。

(4)先对训练集的数据进行标准化处理，再使用故障诊断模型对标准化处理后的数据进行建模以获得极端梯度提升算法模型，最后对极端梯度提升算法模型进行训练，获得传感器的故障检测模型。

(5)先使用(4)中的标准化参数对测试集的数据进行标准化处理，再使用故障检测模型对标准化处理后的测试集数据进行故障检测，最后根据检测结果，判断出温度传感器是否为故障传感器，即判断温度传感器是故障传感器还是正常传感器。

综上所述，相较于现有的温度传感器故障诊断方法，本实施例的储粮管理场景温度传感器故障诊断方法具有以下优点：

1、该储粮管理场景温度传感器故障诊断方法，其通过先将预测诊断分为两个等级，并确定数据集，再根据数据集，通过对原始目标函数进行迭代、优化等重构目标函数，而后通过比较决策树分裂前后的目标函数而计算出信息增益，构建故障分裂树以挖掘故障数据中的隐藏特征信息，建立故障诊断模型，然后将样本数据划分为训练集和测试集，再然后对训练集进行标准化处理、建模并进行训练，得到故障检测模型，再然后利用同样的标准化参数对测试集数据进行标准化处理，利用故障检测模型对处理后数据进行故障检测，最后根据检测结果判断出温度传感器是否发生故障，从而完成传感器故障诊断全过程。由于诊断过程利用极端梯度提升算法，并且诊断的模型经过多次处理和训练，这样诊断的准确度高，分类效果好。

2、该储粮管理场景温度传感器故障诊断方法，其可以有效地检测出储粮场景中温度传感器存在地故障，能够帮助管理人员发现故障传感器并对其进行修理，有利于节省人工成本，提高管理效率。该方法有利于消除储粮安全隐患，减少因传感器故障带来的粮食损失，具有较高的使用价值。

实施例2

本实施例提供了一种储粮管理场景温度传感器故障诊断方法，该诊断方法在实施例1的基础上进行实验和结果分析。

一、样本来源

实验数据是进行温度传感器故障检测问题研究的基础。本次研究选取了DS18B20单总线数字温度传感器作为研究对象，根据设备说明得知它的测试温度范围在-55℃到+125℃之间，主要应用于粮仓、农业大棚测温、机房测温等场景中，它是储粮管理场景中最常用的温度传感器。本次实验采集到的DS18B20传感器的测温数据来自于安徽省不同地区的多个粮仓。数据的总组数为400组，包括200组正常传感器数据和200组故障传感器数据，每组包含15次的测温数据。每次测温数据中包含被检测传感器和临近的2个温度传感器的数值。如表1所示的是3组温度传感器所检测的12次温度数据，第一组为正常传感器检测数据，第二、三两组为故障传感器检测数据，时间代表距离采集截至的测温次数。

表1部分温度传感器数据表

二、结果分析

为了全方位地比较机器学习各算法预测结果，本文在二分类情况下，对温度数据经过标准化处理，采用交叉验证，将样本集按照8:2的比例划分为训练集和测试集，同时为了保证每种机器学习算法结果的可比性，都采用了相同的数据集，并给出了准确率、查准率、查全率和F1指数。

表2不同算法故障检测性能对比表

在表2中参与对比的机器学习算法中，使用XGBoost算法故障检测性能最好，它的各项指标均高于参与对比的其他机器学习算法，它的查准率和查全率较高，说明它判断为故障的传感器中实际为故障的传感器比例较高，判断为故障的传感器中实际为正常的传感器比例较低。

由于本次研究是通过温度数据来判断传感器是否发生故障的，采用二分类问题的评价标准来评价实验结果。AUC(Area Under Curve)被定义为ROC曲线下的面积。往往使用AUC值作为模型的评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。其中，ROC曲线全称为受试者工作特征曲线(receiver operating characteristic curve)，它是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(敏感性)为纵坐标，假阳性率(特异度)为横坐标绘制的曲线。AUC就是衡量学习器优劣的一种性能指标。从定义可知，AUC可通过对ROC曲线下各部分的面积求和而得。

请参阅图2，如ROC曲线对比图所示，可以发现使用XGBoost算法的AUC＝0.95，使用KPCA特征降维SVM算法的AUC＝0.93，使用SVM算法的AUC＝0.92，使用GBDT算法的AUC＝0.84,使用Adaboost算法的AUC＝0.83。通过对比可知，使用XGBoost算法的AUC较大，因此它的故障检测性能更好。

三、分析结论

针对储粮管理系统温度传感器故障检测问题，本实施通过选取储粮管理系统温度传感器数据的开路、短路和正常状态为特征，分别采用SVM、GBDT、Adaboost和本实施例的方法(XGBoost)这几种算法作为分类器，对大量的温度数据进行分析，系统地比较了本文所涉及的几种算法，结果证明了本实施例的算法(XGBoost)检测效果最优，可以有效地检测出储粮场景中温度传感器存在地故障，能够帮助管理人员发现故障传感器并对其进行修理，有利于节省人工成本，提高管理效率；有利于消除储粮安全隐患，减少因传感器故障带来的粮食损失，具有较高的使用价值。

实施例3

本实施例提供了一种储粮管理场景温度传感器故障诊断装置，其应用实施例1或2中的储粮管理场景温度传感器故障诊断方法。其中，该故障诊断装置包括数据集获取模块、模型建立模块、划分模块、模型训练模块以及故障检测模块。

数据集获取模块用于将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集。其中，温度传感器数据集中包括各个温度传感器的温度历史数据的特征向量与其标签信息所组成的序列。数据集获取模块能够实现实施例1中的步骤(1)，其主要功能是获取传感器的数据集。

模型建立模块根据温度传感器数据集，建立所述温度传感器的故障诊断模型。模型建立模块包括定义单元、基分类器预测值确定单元、迭代单元、优化重写单元、信息增益计算单元、挖掘单元以及建模单元。定义单元用于将故障诊断模型的目标函数定义为损失函数与正则项的组成。基分类器预测值确定单元用于设定初始基分类器预测值为0，并确定其他的基分类器预测值的函数。迭代单元用于通过基分类器预测值对目标函数进行多次迭代，确定迭代后的目标函数。优化重写单元用于先通过二阶近似对迭代后的目标函数进行优化，获得优化后的目标函数，再通过删除决策树的复杂性函数中的常数项，对优化后的目标函数进行重写，获得重写后的目标函数，并确定目标函数最小值。信息增益计算单元用于通过比较决策树分裂中分割前后的目标函数，计算分割的信息增益。挖掘单元用于利用决策树分裂完成时最终叶子节点具有的信息量构建温度传感器的故障分裂树以挖掘故障数据中的隐藏特征信息。建模单元用于利用隐藏特征信息，建立故障诊断模型。模型建立模块主要用于实现实施例1中的步骤(2)，基于XGBoost算法建立出诊断模型。

划分模块用于将采集到的样本数据划分为训练集和测试集。模型训练模块用于先对训练集的数据进行标准化处理，再使用故障诊断模型对标准化处理后的数据进行建模以获得极端梯度提升算法模型，最后对极端梯度提升算法模型进行训练，获得传感器的故障检测模型。故障检测模块用于先使用模型训练模块中的标准化参数对测试集的数据进行标准化处理，再使用故障检测模型对标准化处理后的测试集数据进行故障检测，最后根据检测结果，判断出温度传感器是否为故障传感器。这三个模块分别实现实施例1中的步骤(3)-(5)，实现基于XGBoost的温度传感器故障检测。

实施例4

本实施例提供了一种计算机终端，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行程序时实现实施例1的储粮管理场景温度传感器故障诊断方法的步骤。

实施例1的储粮管理场景温度传感器故障诊断方法在应用时，可以软件的形式进行应用，如设计成独立运行的程序，安装在计算机终端上，计算机终端可以是电脑、智能手机、控制系统以及其他物联网设备等。实施例1的储粮管理场景温度传感器故障诊断方法也可以设计成嵌入式运行的程序，安装在计算机终端上，如安装在单片机上。

实施例5

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序。程序被处理器执行时，实现实施例1的储粮管理场景温度传感器故障诊断方法的步骤。

实施例1的储粮管理场景温度传感器故障诊断方法在应用时，可以软件的形式进行应用，如设计成计算机可读存储介质可独立运行的程序，计算机可读存储介质可以是U盘，设计成U盾，通过U盘设计成通过外在触发启动整个方法的程序。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种储粮管理场景温度传感器故障诊断方法，其特征在于，其包括以下步骤：

(1)将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集；其中，所述温度传感器数据集中包括各个温度传感器的温度历史数据的特征向量与其标签信息所组成的序列；

(2)根据所述温度传感器数据集，建立所述温度传感器的故障诊断模型且模型建立方法包括以下步骤：

(2.1)将所述故障诊断模型的目标函数定义为损失函数与正则项的组成；

(2.2)设定初始基分类器预测值为0，并确定其他的基分类器预测值的函数；

(2.3)通过所述基分类器预测值对所述目标函数进行多次迭代，确定迭代后的目标函数；

(2.4)先通过二阶近似对所述迭代后的目标函数进行优化，获得优化后的目标函数，再通过删除决策树的复杂性函数中的常数项，对所述优化后的目标函数进行重写，获得重写后的目标函数，并确定目标函数最小值；

(2.5)先通过比较所述决策树分裂中分割前后的目标函数，计算分割的信息增益，再利用所述决策树分裂完成时最终叶子节点具有的信息量构建所述温度传感器的故障分裂树以挖掘故障数据中的隐藏特征信息；以及

(2.6)利用所述隐藏特征信息，建立所述故障诊断模型；

(3)将采集到的样本数据划分为训练集和测试集；

(4)先对所述训练集的数据进行标准化处理，再使用所述故障诊断模型对标准化处理后的数据进行建模以获得极端梯度提升算法模型，最后对所述极端梯度提升算法模型进行训练，获得所述传感器的故障检测模型；以及

(5)先使用(4)中的标准化参数对所述测试集的数据进行标准化处理，再使用所述故障检测模型对标准化处理后的所述测试集数据进行故障检测，最后根据检测结果，判断出所述温度传感器是否为故障传感器。

2.如权利要求1所述的储粮管理场景温度传感器故障诊断方法，其特征在于，所述温度传感器数据集为：

D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}

式中，x_i∈R^l，y_i∈{1,-1},i＝1,2,...,n，n为正整数；x_i为所述温度传感器数据集中第i个传感器温度历史数据的特征向量，y_i为所述温度传感器对应的标签信息，且用1表示故障传感器，-1表示正常传感器；

所述故障诊断模型的目标函数为：

O^t＝L(θ)+Ω(θ)

式中，L(θ)表示损失函数，Ω(θ)表示正则项，θ表示参数。

3.如权利要求2所述的储粮管理场景温度传感器故障诊断方法，其特征在于，所述初始基分类器预测值定义为

其中x_i、

是所述温度传感器数据集中的特征向量和标签信息；

第t个基分类器预测值为：

式中，t为正整数，f_k(x_i)表示k_th估计函数，f_t(x_i)表示第t次迭代的估计函数。

4.如权利要求3所述的储粮管理场景温度传感器故障诊断方法，其特征在于，所述迭代后的目标函数为：

式中，l(，)是一个可微分的损失函数，用于测量预测值和目标值之间的差异；Ω用于表示所述决策树的复杂性。

5.如权利要求4所述的储粮管理场景温度传感器故障诊断方法，其特征在于，所述优化后的目标函数为：

式中，

g_i表示损失函数的一阶导数，

表示求导函数；

h_i表示损失函数的二阶导数。

6.如权利要求5所述的储粮管理场景温度传感器故障诊断方法，其特征在于，设置T每个决策树的叶子是ω₁,ω₂,...,ω_γ，所述决策树的复杂性函数为：

式中，γ、λ表示惩罚系数；

所述重写后的目标函数为：

式中，

7.如权利要求6所述的储粮管理场景温度传感器故障诊断方法，其特征在于，通过一元二次函数对所述重写后的目标函数的极值进行求解：

所述目标函数最小值为：

其中，O表示所述目标函数最小值。

8.如权利要求7所述的储粮管理场景温度传感器故障诊断方法，其特征在于，所述信息增益的计算公式为：

式中，下标L、R分别代表左子树和右子树；

为左子树的信息分数；

为右子树的信息分数；

为当前不可分割的信息分数。

9.如权利要求8所述的储粮管理场景温度传感器故障诊断方法，其特征在于，对于其中一个温度传感器及其相邻的2个温度传感器，三个温度传感器第i次温度检测数据可表示为

则所述温度传感器的n次测量数据用以下矩阵进行表示：

其中，设此矩阵X被提取特征后得到的特征向量为μ，设所述正常传感器与所述故障传感器的特征向量共有s个且构成的向量集合为{μ_j|1≤j≤s,s∈N^*}；在所述向量集合划分为两个集合U₁和U₂，其中U₁为所述故障传感器的特征向量所构成的集合，U₂为所述正常传感器的特征向量所构成的集合。

10.一种储粮管理场景温度传感器故障诊断装置，其应用如权利要求1-9中任意一项所述的储粮管理场景温度传感器故障诊断方法，其特征在于，其包括：

数据集获取模块，其用于将储粮管理场景中的温度传感器预测诊断分为两个等级，并确定温度传感器数据集；其中，所述温度传感器数据集中包括各个温度传感器的温度历史数据的特征向量与其标签信息所组成的序列；

模型建立模块，根据所述温度传感器数据集，建立所述温度传感器的故障诊断模型；所述模型建立模块包括定义单元、基分类器预测值确定单元、迭代单元、优化重写单元、信息增益计算单元、挖掘单元以及建模单元；所述定义单元用于将所述故障诊断模型的目标函数定义为损失函数与正则项的组成；所述基分类器预测值确定单元用于设定初始基分类器预测值为0，并确定其他的基分类器预测值的函数；所述迭代单元用于通过所述基分类器预测值对所述目标函数进行多次迭代，确定迭代后的目标函数；所述优化重写单元用于先通过二阶近似对所述迭代后的目标函数进行优化，获得优化后的目标函数，再通过删除决策树的复杂性函数中的常数项，对所述优化后的目标函数进行重写，获得重写后的目标函数，并确定目标函数最小值；所述信息增益计算单元用于通过比较所述决策树分裂中分割前后的目标函数，计算分割的信息增益；所述挖掘单元用于利用所述决策树分裂完成时最终叶子节点具有的信息量构建所述温度传感器的故障分裂树以挖掘故障数据中的隐藏特征信息；所述建模单元用于利用所述隐藏特征信息，建立所述故障诊断模型；

划分模块，其用于将采集到的样本数据划分为训练集和测试集；

模型训练模块，其用于先对所述训练集的数据进行标准化处理，再使用所述故障诊断模型对标准化处理后的数据进行建模以获得极端梯度提升算法模型，最后对所述极端梯度提升算法模型进行训练，获得所述传感器的故障检测模型；以及

故障检测模块，其用于先使用所述模型训练模块中的标准化参数对所述测试集的数据进行标准化处理，再使用所述故障检测模型对标准化处理后的所述测试集数据进行故障检测，最后根据检测结果，判断出所述温度传感器是否为故障传感器。

Images