CN112001440A - 一种故障诊断逻辑算法及系统 - Google Patents
一种故障诊断逻辑算法及系统 Download PDFInfo
- Publication number
- CN112001440A CN112001440A CN202010845592.2A CN202010845592A CN112001440A CN 112001440 A CN112001440 A CN 112001440A CN 202010845592 A CN202010845592 A CN 202010845592A CN 112001440 A CN112001440 A CN 112001440A
- Authority
- CN
- China
- Prior art keywords
- training
- sample set
- trained
- test
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 132
- 238000012360 testing method Methods 0.000 claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000002087 whitening effect Effects 0.000 claims abstract description 14
- 238000007477 logistic regression Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000007306 turnover Effects 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出了一种故障诊断逻辑算法及系统,涉及机器学习及故障诊断技术领域。本申请实施例提供一种故障诊断逻辑算法,分别获取正常工况下的训练样本集和异常工况下的测试样本集;计算正常工况下的样本均值和标准差并进行均值归一化预处理;计算异常工况下的样本均值和标准差并进行白化预处理;将训练样本集以及测试样本集分别输入训练好的稀疏模型进行处理;将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵分别得到训练特征矩阵和测试特征矩阵;将训练特征输入二分类模型进行训练,获取最优回归参数向量及训练好的二分类模型;通过训练好的二分类模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果。
Description
技术领域
本发明涉及机器学习及故障诊断技术领域,具体而言,涉及一种故障诊断逻辑算法及系统。
背景技术
轨道交通负荷强,车速变化频繁,停站时间短,行车密度大,随着运营时间的增加,城市轨道交通运行状态处于不断变化之中,在大负荷、变速环境下工作,转向架各零部件之间反复作用,其关键部件的故障如轴承发生疲劳剥落、磨损、塑性变形,齿轮发生腐蚀、断裂、压痕、胶合等现象,往往会导致车辆各部位振动加剧、性能下降,甚至脱轨翻车等严重事故。
随着轨道交通的跨越式发展,发生了一系列安全事故。提高轨道车辆运行的安全可靠性的关键在于对关键机械装备的健康状态评估,并预测其发展趋势。如果在轨道车辆机械系统故障潜伏阶段,即故障萌芽、刚刚出现或者故障程度尚轻微时,能及时准确地予以状态评估和识别,并据此指导保养和维修工作,就能及时采取措施,防止造成严重损失及交通事故。
而故障检测与诊断作为异常工况管理最有力的工具,给过程安全提供了一定的保障。随着控制系统的快速发展,异常工况管理过程变得越来越自动化。故障检测与诊断自提出以来已经有40余年,实际生产中却并不能够实现自动化,这与过程的复杂性、方法的适用性都有很大关联。
发明内容
本发明的目的在于提供一种故障诊断逻辑算法,其能够更进一步由已知推未知,收集整个设备全生命周期的一些状态数据,把原来只能依靠人工手工做的,故障原因的分析以及设备状态、生命周期的预测,由一个局部的、人工的状态向全量的、智能化的状态进行演进,形成一个促进轨道交通提高效率,产生帮助的效果。
本发明的另一目的在于提供一种故障诊断逻辑系统,其能够运行一种故障诊断逻辑算法。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种故障诊断逻辑算法,其包括分别获取正常工况下的训练样本集和异常工况下的测试样本集;计算正常工况下的样本均值和标准差并进行均值归一化预处理;计算异常工况下的样本均值和标准差并进行白化预处理;将预处理后的训练样本集输入LASSO稀疏模型进行训练以得到训练好的LASSO稀疏模型;将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理;将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵的输入层,通过权重矩阵的间隐层与输出层,分别得到训练特征矩阵和测试特征矩阵;将训练特征输入逻辑回归二分类模型进行训练,获取最优回归参数向量及训练好的逻辑回归二分类模型;通过训练好的逻辑回归二分类模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果。
在本发明的一些实施例中,上述训练特征包括根据训练好的稀疏过滤模型进行特征学习得到训练样本的训练特征。
在本发明的一些实施例中,上述进行预测测试特征的概率包括获取正常工况和异常工况下的测试样本集。
在本发明的一些实施例中,上述根据正常工况下的测试样本均值和标准差进行预处理。
在本发明的一些实施例中,上述根据训练好的稀疏过滤模型进行特征学习得到测试样本的测试特征。
在本发明的一些实施例中,上述分别获取正常工况的训练样本集和异常工况下的测试样本集包括,训练样本集为α×β的矩阵,α为样本个数,β为变量个数,通过第一预设算法获取均值归一化预处理后的训练样本集。
在本发明的一些实施例中,上述将经过均值归一化预处理后的数据进行白化预处理,通过第二预设算法获取训练样本集的协方差矩阵,训练样本集的协方差矩阵的维度为β×β。
在本发明的一些实施例中,上述通过训练好的逻辑回归模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果包括,初始化逻辑回归二分类模型的参数θ,然后通过预测函数求解样本属于1类的概率;对损失函数J(θ)采用梯度下降法求解出最优化的逻辑回归二分类模型的参数θ;将训练好的逻辑回归二分类模型用于测试样本预测;判断测试样本预测的概率值是否大于第一预设值,若是,则判定为故障,若不是,则判定为正常。
第二方面,本申请实施例提供一种故障诊断逻辑系统,其包括获取模块,用于分别获取正常工况下的训练样本集和异常工况下的测试样本集;第一计算模块,用于计算正常工况下的样本均值和标准差并进行均值归一化预处理;第二计算模块,用于计算异常工况下的样本均值和标准差并进行白化预处理;第一训练模块,用于将预处理后的训练样本集输入LASSO稀疏模型进行训练以得到训练好的LASSO稀疏模型;处理模块,用于将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理;第三计算模块,用于将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵的输入层,通过权重矩阵的间隐层与输出层,分别得到训练特征矩阵和测试特征矩阵;第二训练模块,用于将训练特征输入逻辑回归二分类模型进行训练,获取最优回归参数向量及训练好的逻辑回归二分类模型;输出模块,通过训练好的逻辑回归二分类模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果。
在本发明的一些实施例中,上述用于存储计算机指令的至少一个存储器;与存储器通讯的至少一个处理器,其中当至少一个处理器执行计算机指令时,至少一个处理器使系统执行:获取模块、第一计算模块、第二计算模块、第三计算模块、第一训练模块、第二训练模块、处理模块以及输出模块。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
其能够更进一步由已知推未知,收集整个设备全生命周期的一些状态数据,把原来只能依靠人工手工做的,故障原因的分析以及设备状态、生命周期的预测,由一个局部的、人工的状态向全量的、智能化的状态进行演进,形成一个促进轨道交通提高效率,产生帮助的效果。具有能够适应大数据建模,故障检出率更高、泛化能力强等特点,并且能够快速地预警出故障数据,更及时有效地保障轨道交通的安全。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种故障诊断逻辑算法的步骤示意图;
图2为本发明实施例提供的一种故障诊断逻辑算法的详细步骤示意图;
图3为本发明实施例提供的一种故障诊断逻辑系统的模块示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1所示为本申请实施例提供的图1为本发明实施例提供的一种故障诊断逻辑算法的步骤示意图,具体如下:
步骤S100,分别获取正常工况下的训练样本集和异常工况下的测试样本集;
具体的,进行数据采集。
在一些实施方式中,采集正常工况下和异常工况下的数据,分为训练样本集和测试样本集。训练样本集可以包含正常工况样本1048个,各个异常工况下的样本420个。测试样本集包含正常样本840个,异常工况样本840个。
步骤S110,计算正常工况下的样本均值和标准差并进行均值归一化预处理;
具体的,将数据映射到指定的范围内进行处理,把有量纲表达式变成无量纲表达式,便于不同单位或量级的指标能够进行比较和加权。经过归一化后,将有量纲的数据集变成纯量,还可以达到简化计算的作用。
在一些实施方式中,对训练数据中的1268个正常样本求取各变量的均值和标准差。然后利用均值和标准差对训练样本集进行均值归一化预处理。
步骤S120,计算异常工况下的样本均值和标准差并进行白化预处理;
具体的,求取训练样本集正常工况下时序数据的均值和标准差,然后将训练样本集和测试样本集都利用上述求得的均值和标准差进行标准化预处理。
在一些实施方式中,对测试数据中的940个正常样本求取各变量的均值和标准差。然后利用均值和标准差对测试样本集进行白化预处理。
步骤S130,将预处理后的训练样本集输入LASSO稀疏模型进行训练以得到训练好的LASSO稀疏模型;
具体的,将预处理后的训练样本集作为模型的输入,对稀疏模型进行训练。
在一些实施方式中,高维数据,即p>n的情况,现在随着数据采集能力的提高,特征数采集的多,但是其中可能有很多特征是不重要的,系数很小,用Lasso稀疏模型的方法,把这些不重要变量的系数压缩为0,实现了较为准确的参数估计和变量选择(降维)。
步骤S140,将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理;
具体的,采用训练好的稀疏过滤模型学习训练样本的训练特征。
在一些实施方式中,初始化权重矩阵,输入特征数量L为1000,其中,L是可调的参数,将白化后的训练样本集进行特征变换,得到初步特征矩阵,然后对其进行行列规范化,以达到稀疏性的原则。
步骤S150,将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵的输入层,通过权重矩阵的间隐层与输出层,分别得到训练特征矩阵和测试特征矩阵;
在一些实施方式中,白化后的训练样本集和测试样本集,利用已经训练好的最优化解权重矩阵得到中间隐层的训练样本特征矩阵和测试样本特征矩阵,再将训练样本特征矩阵和测试样本特征矩阵作为模型输入,利用已经训练好的最优化解权重矩阵得到输出层的训练样本特征矩阵和测试样本特征矩阵,该特征矩阵即为最终学习好的训练特征和测试特征,可以用于后续分类。
步骤S160,将训练特征输入逻辑回归二分类模型进行训练,获取最优回归参数向量及训练好的逻辑回归二分类模型;
在一些实施方式中,首先初始化逻辑回归二分类模型的参数,将训练样本特征矩阵和对应的标签集合输入到逻辑回归二分类模型中训练,求解损失函数最小时的逻辑回归二分类模型的参数。
步骤S170,通过训练好的逻辑回归二分类模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果。
在一些实施方式中,利用训练好的逻辑回归二分类模型对测试样本特征矩阵采用预测函数求解预测概率,当预测概率值大于0.8时,认为该样本是故障,当预测概率值小于等于0.8时,即样本认定为正常,统计各故障的检出率。
实施例2
请参阅图2,图2为本发明实施例提供的一种故障诊断逻辑算法的详细步骤示意图,具体如下:
步骤S200,分别获取正常工况下的训练样本集和异常工况下的测试样本集;
具体的,进行数据采集。
在一些实施方式中,采集正常工况下和异常工况下的数据,分为训练样本集和测试样本集。训练样本集可以包含正常工况样本1048个,各个异常工况下的样本420个。测试样本集包含正常样本840个,异常工况样本840个。
步骤S210,训练样本集为α×β的矩阵,所述α为样本个数,所述β为变量个数,通过第一预设算法获取均值归一化预处理后的训练样本集;
在一些实施方式中,M,iJ表示训练样本集中正常工况下时序数据的第i个样本的第J个变量的值,M,i,J表示训练样本集和测试样本集中第i个样本的第J个变量的值,Mi,J表示训练样本集和测试样本集中第i个样本的第J个变量经过标准化处理后的值,MJ表示训练样本集中正常工况下时序数据的第J个变量的标准差,MJ表示训练样本集中正常工况下时序数据的第J个变量的均值。
步骤S220,将经过均值归一化预处理后的数据进行白化预处理,通过第二预设算法获取训练样本集的协方差矩阵,所述训练样本集的协方差矩阵的维度为β×β;
具体的,通过对均值归一化预处理后的数据进行白化预处理,目的是降低输入数据的冗余性,使特征之间的相关性降低。
步骤S230,计算正常工况下的样本均值和标准差并进行均值归一化预处理;
具体的,将数据映射到指定的范围内进行处理,把有量纲表达式变成无量纲表达式,便于不同单位或量级的指标能够进行比较和加权。经过归一化后,将有量纲的数据集变成纯量,还可以达到简化计算的作用。
在一些实施方式中,对训练数据中的1268个正常样本求取各变量的均值和标准差。然后利用均值和标准差对训练样本集进行均值归一化预处理。
步骤S240,计算异常工况下的样本均值和标准差并进行白化预处理;
具体的,求取训练样本集正常工况下时序数据的均值和标准差,然后将训练样本集和测试样本集都利用上述求得的均值和标准差进行标准化预处理。
在一些实施方式中,对测试数据中的940个正常样本求取各变量的均值和标准差。然后利用均值和标准差对测试样本集进行白化预处理。
步骤S250,将预处理后的训练样本集输入LASSO稀疏模型进行训练以得到训练好的LASSO稀疏模型;
具体的,采用训练好的稀疏过滤模型学习训练样本的训练特征。
在一些实施方式中,初始化权重矩阵,输入特征数量L为1000,其中,L是可调的参数,将白化后的训练样本集进行特征变换,得到初步特征矩阵。
步骤S260,将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理;
具体的,将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理,对其进行行列规范化,以达到稀疏性的原则。
步骤S270,根据训练好的稀疏过滤模型进行特征学习得到训练样本的训练特征;
步骤S280,将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵的输入层,通过权重矩阵的间隐层与输出层,分别得到训练特征矩阵和测试特征矩阵;
在一些实施方式中,对于经过白化预处理后的训练样本集和测试样本集,以及最优化解权重矩阵分别进行特征变换得到初步训练样本特征矩阵和初步测试样本特征矩阵,然后分别进行列规范化后得到中间隐层训练样本特征矩阵和中间隐层测试样本特征矩阵。
将学习到的中间隐层训练样本特征矩阵和中间隐层测试样本特征矩阵以及训练好的最优化解权重矩阵再次分别进行特征变换得到初步训练样本特征矩阵和测试样本特征矩阵,然后分别进行列规范化后得到输出层训练样本特征矩阵和输出层测试样本特征矩阵,特征矩阵和即为稀疏过滤无监督方式下最终学习到的训练特征和测试特征。
步骤S290,将训练特征输入逻辑回归二分类模型进行训练,获取最优回归参数向量及训练好的逻辑回归二分类模型;
在一些实施方式中,首先初始化逻辑回归二分类模型的参数,将训练样本特征矩阵和对应的标签集合输入到逻辑回归二分类模型中训练,求解损失函数最小时的逻辑回归二分类模型的参数。
步骤S300,通过训练好的逻辑回归二分类模型以及最优回归参数向量;
在一些实施方式中,对于特征学习阶段学习到的训练样本特征矩阵,首先初始化一个回归参数向量θ,然后将训练样本特征矩阵求取预测概率,然后结合标签集合解最优化损失函数,求解出损失函数最小时的回归参数θ,再利用训练好的逻辑回归模型对测试样本特征矩阵采用预测函数进行求解预测概率。
步骤S310,初始化逻辑回归二分类模型的参数θ,然后通过预测函数求解样本属于1类的概率;
在一些实施方式中,对于训练样本特征矩阵,是一个L×n的矩阵,因此对应的标签集合是一个1×n的向量,首先初始化逻辑回归二分类模型的参数θ,然后通过以下预测函数来求解样本属于1类的概率:其中,θ为逻辑回归二分类模型的参数,θ=(θa,θb,θc,...,θL)T,h(θT)表示预测概率。
步骤S320,对损失函数J(θ)采用梯度下降法求解出最优化的逻辑回归二分类模型的参数θ;
在一些实施方式中,由于该逻辑回归二分类模型的参数θ并不是最优的,所以要采用梯度下降法来求解,定义自然对数似然函数表示为逻辑回归二分类模型的损失函数L(θ)和J(θ)。
步骤S330,将训练好的逻辑回归二分类模型用于测试样本预测;
在一些实施方式中,为训练样本特征矩阵中第i列的向量,要使J(θ)最小,该模型才具有最优化的预测能力,所以只需对损失函数J(θ)采用梯度下降法即可求解出最优化的逻辑回归二分类模型的参数θ,再把训练好的逻辑回归二分类模型用于测试样本预测。
步骤S340,判断测试样本预测的概率值是否大于第一预设值;
具体的,第一预设值可以是0.5、0.6、0.7、0.8、0.9。
在一些实施方式中,判断测试样本预测的概率值是否大于0.8。若大于0.8,则进行步骤S350,若小于等于0.8,则进行步骤S360。
步骤S350,判定为故障。
步骤S360,判定为正常。
实施例3
请参阅图3,图3为本发明实施例提供的一种故障诊断逻辑系统的模块示意图,其包括获取模块、第一计算模块、第二计算模块、第三计算模块、第一训练模块、第二训练模块、处理模块以及输出模块。
一种故障诊断逻辑系统还包括存储器、处理器和通信接口,该存储器、处理器和通信接口相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块,处理器通过执行存储在存储器内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中,存储器可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示仅为示意,还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种故障诊断逻辑算法及系统,其能够更进一步由已知推未知,收集整个设备全生命周期的一些状态数据,把原来只能依靠人工手工做的,故障原因的分析以及设备状态、生命周期的预测,由一个局部的、人工的状态向全量的、智能化的状态进行演进,形成一个促进轨道交通提高效率,产生帮助的效果。具有能够适应大数据建模,故障检出率更高、泛化能力强等特点,并且能够快速地预警出故障数据,更及时有效地保障轨道交通的安全。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种故障诊断逻辑算法,其特征在于,包括如下步骤:
分别获取正常工况下的训练样本集和异常工况下的测试样本集;
计算正常工况下的样本均值和标准差并进行均值归一化预处理;
计算异常工况下的样本均值和标准差并进行白化预处理;
将预处理后的训练样本集输入LASSO稀疏模型进行训练以得到训练好的LASSO稀疏模型;
将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理;
将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵的输入层,通过权重矩阵的间隐层与输出层,分别得到训练特征矩阵和测试特征矩阵;
将训练特征输入逻辑回归二分类模型进行训练,获取最优回归参数向量及训练好的逻辑回归二分类模型;
通过训练好的逻辑回归二分类模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果。
2.如权利要求1所述的一种故障诊断逻辑算法,其特征在于,所述训练特征包括:
根据训练好的稀疏过滤模型进行特征学习得到训练样本的训练特征。
3.如权利要求1所述的一种故障诊断逻辑算法,其特征在于,所述进行预测测试特征的概率包括:
获取正常工况和异常工况下的测试样本集。
4.如权利要求3所述的一种故障诊断逻辑算法,其特征在于:
根据正常工况下的测试样本均值和标准差进行预处理。
5.如权利要求4所述的一种故障诊断逻辑算法,其特征在于:
根据训练好的稀疏过滤模型进行特征学习得到测试样本的测试特征。
6.如权利要求1所述的一种故障诊断逻辑算法,其特征在于,所述分别获取正常工况的训练样本集和异常工况下的测试样本集包括:
训练样本集为α×β的矩阵,α为样本个数,β为变量个数,通过第一预设算法获取均值归一化预处理后的训练样本集。
7.如权利要求6所述的一种故障诊断逻辑算法,其特征在于:
将经过均值归一化预处理后的数据进行白化预处理,通过第二预设算法获取训练样本集的协方差矩阵,所述训练样本集的协方差矩阵的维度为β×β。
8.如权利要求1所述的一种故障诊断逻辑算法,其特征在于,所述通过训练好的逻辑回归模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果包括:
初始化逻辑回归二分类模型的参数θ,然后通过预测函数求解样本属于1类的概率;
对损失函数J(θ)采用梯度下降法求解出最优化的逻辑回归二分类模型的参数θ;
将训练好的逻辑回归二分类模型用于测试样本预测;
判断测试样本预测的概率值是否大于第一预设值,若是,则判定为故障,若不是,则判定为正常。
9.一种故障诊断逻辑系统,其特征在于,包括:
获取模块,用于分别获取正常工况下的训练样本集和异常工况下的测试样本集;
第一计算模块,用于计算正常工况下的样本均值和标准差并进行均值归一化预处理;
第二计算模块,用于计算异常工况下的样本均值和标准差并进行白化预处理;
第一训练模块,用于将预处理后的训练样本集输入LASSO稀疏模型进行训练以得到训练好的LASSO稀疏模型;
处理模块,用于将训练样本集以及测试样本集分别输入训练好的LASSO稀疏模型进行处理;
第三计算模块,用于将经稀疏模型处理后的训练样本集以及测试样本集输入权重矩阵的输入层,通过权重矩阵的间隐层与输出层,分别得到训练特征矩阵和测试特征矩阵;
第二训练模块,用于将训练特征输入逻辑回归二分类模型进行训练,获取最优回归参数向量及训练好的逻辑回归二分类模型;
输出模块,通过训练好的逻辑回归二分类模型以及最优回归参数向量,进行预测测试特征的概率并输出诊断结果。
10.如权利要求9所述的一种故障诊断逻辑系统,其特征在于:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:获取模块、第一计算模块、第二计算模块、第三计算模块、第一训练模块、第二训练模块、处理模块以及输出模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845592.2A CN112001440A (zh) | 2020-08-20 | 2020-08-20 | 一种故障诊断逻辑算法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010845592.2A CN112001440A (zh) | 2020-08-20 | 2020-08-20 | 一种故障诊断逻辑算法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001440A true CN112001440A (zh) | 2020-11-27 |
Family
ID=73472392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010845592.2A Pending CN112001440A (zh) | 2020-08-20 | 2020-08-20 | 一种故障诊断逻辑算法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001440A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN112578213A (zh) * | 2020-12-23 | 2021-03-30 | 交控科技股份有限公司 | 轨道电源屏的故障预测方法及装置 |
CN112686389A (zh) * | 2020-12-25 | 2021-04-20 | 中能融安(北京)科技有限公司 | 一种设备参数最优值的预估方法及预估装置 |
CN112819053A (zh) * | 2021-01-25 | 2021-05-18 | 中国核电工程有限公司 | 模型库的建立方法及装置、诊断方法及装置、预测方法 |
CN113380417A (zh) * | 2021-06-17 | 2021-09-10 | 哈尔滨理工大学 | 基于lr-n的心血管疾病预测方法 |
CN113687972A (zh) * | 2021-08-30 | 2021-11-23 | 中国平安人寿保险股份有限公司 | 业务系统异常数据的处理方法、装置、设备及存储介质 |
CN113791429A (zh) * | 2021-08-10 | 2021-12-14 | 北京自动化控制设备研究所 | 一种基于svm的卫星接收机故障分析方法 |
CN114399321A (zh) * | 2021-11-15 | 2022-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种业务系统稳定性分析方法、装置和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203531A (zh) * | 2016-07-20 | 2016-12-07 | 清华大学 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
CN107436597A (zh) * | 2017-07-17 | 2017-12-05 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
CN109459993A (zh) * | 2018-12-06 | 2019-03-12 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
CN110320892A (zh) * | 2019-07-15 | 2019-10-11 | 重庆邮电大学 | 基于Lasso回归的污水处理设备故障诊断系统及方法 |
-
2020
- 2020-08-20 CN CN202010845592.2A patent/CN112001440A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203531A (zh) * | 2016-07-20 | 2016-12-07 | 清华大学 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
CN107436597A (zh) * | 2017-07-17 | 2017-12-05 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
CN109459993A (zh) * | 2018-12-06 | 2019-03-12 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
CN109800875A (zh) * | 2019-01-08 | 2019-05-24 | 华南理工大学 | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 |
CN110320892A (zh) * | 2019-07-15 | 2019-10-11 | 重庆邮电大学 | 基于Lasso回归的污水处理设备故障诊断系统及方法 |
Non-Patent Citations (2)
Title |
---|
张媛媛等: "基于 Lasso与 RFE特征消除的 RVM旋转机械故障预测", 计算机工程与应用, no. 8, 10 May 2017 (2017-05-10), pages 149 - 153 * |
江升;旷天亮;李秀喜;: "基于稀疏过滤特征学习的化工过程故障检测方法", 化工学报, no. 12 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN112578213A (zh) * | 2020-12-23 | 2021-03-30 | 交控科技股份有限公司 | 轨道电源屏的故障预测方法及装置 |
CN112686389A (zh) * | 2020-12-25 | 2021-04-20 | 中能融安(北京)科技有限公司 | 一种设备参数最优值的预估方法及预估装置 |
CN112819053A (zh) * | 2021-01-25 | 2021-05-18 | 中国核电工程有限公司 | 模型库的建立方法及装置、诊断方法及装置、预测方法 |
CN112819053B (zh) * | 2021-01-25 | 2024-04-16 | 中国核电工程有限公司 | 模型库的建立方法及装置、诊断方法及装置、预测方法 |
CN113380417A (zh) * | 2021-06-17 | 2021-09-10 | 哈尔滨理工大学 | 基于lr-n的心血管疾病预测方法 |
CN113791429A (zh) * | 2021-08-10 | 2021-12-14 | 北京自动化控制设备研究所 | 一种基于svm的卫星接收机故障分析方法 |
CN113791429B (zh) * | 2021-08-10 | 2024-05-07 | 北京自动化控制设备研究所 | 一种基于svm的卫星接收机故障分析方法 |
CN113687972A (zh) * | 2021-08-30 | 2021-11-23 | 中国平安人寿保险股份有限公司 | 业务系统异常数据的处理方法、装置、设备及存储介质 |
CN113687972B (zh) * | 2021-08-30 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 业务系统异常数据的处理方法、装置、设备及存储介质 |
CN114399321A (zh) * | 2021-11-15 | 2022-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种业务系统稳定性分析方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001440A (zh) | 一种故障诊断逻辑算法及系统 | |
CN108459955B (zh) | 基于深度自编码网络的软件缺陷预测方法 | |
CN111858526B (zh) | 基于信息系统日志的故障时间空间预测方法及系统 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
Liu et al. | An adversarial bidirectional serial–parallel LSTM-based QTD framework for product quality prediction | |
Yacout | Fault detection and diagnosis for condition based maintenance using the logical analysis of data | |
Kim et al. | RDR-based knowledge based system to the failure detection in industrial cyber physical systems | |
Wang et al. | Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
Qin et al. | The fault diagnosis of rolling bearing based on improved deep forest | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN112488142A (zh) | 一种雷达故障的预测方法、装置及存储介质 | |
CN115456107A (zh) | 一种时间序列异常检测系统及方法 | |
CN113064976A (zh) | 基于深度学习算法的事故车判定方法 | |
CN114881173A (zh) | 基于自注意力机制的简历分类方法和装置 | |
Mobtahej et al. | An LSTM‐Autoencoder Architecture for Anomaly Detection Applied on Compressors Audio Data | |
Pham et al. | Transsentlog: Interpretable anomaly detection using transformer and sentiment analysis on individual log event | |
CN116467652A (zh) | 一种基于卷积降噪自编码器的轴承故障预测方法及系统 | |
CN116910657A (zh) | 一种基于无监督学习的故障诊断方法和设备 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
Azyus et al. | Determining rul predictive maintenance on aircraft engines using gru | |
Yang et al. | Feature extraction of sequence data based on LSTM and its application to fault diagnosis of industrial process | |
Ceylan et al. | Siamese inception time network for remaining useful life estimation |
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 |