CN112632854A - 基于类人学习能力的tsk模糊模型的故障预测方法及系统 - Google Patents
基于类人学习能力的tsk模糊模型的故障预测方法及系统 Download PDFInfo
- Publication number
- CN112632854A CN112632854A CN202011492049.5A CN202011492049A CN112632854A CN 112632854 A CN112632854 A CN 112632854A CN 202011492049 A CN202011492049 A CN 202011492049A CN 112632854 A CN112632854 A CN 112632854A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- fuzzy model
- fault
- learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于TSK模糊模型构建技术领域,公开了一种基于类人学习能力的TSK模糊模型的故障预测方法及系统,所述基于类人学习能力的TSK模糊模型的故障预测系统包括:信息采集模块、信息分类模块、信息分析模块、中央控制模块、特征提取模块、TSK模糊模型构建模块、辅助训练模块、存储模块、新数据采集模块、类人学习模块、学习后模型输出模块、数据输入模块、故障预测模块。本发明不但能够根据历史数据进行当前场景下的信息弥补,还能实现对未来信息的预测的准确性的提升。同时,本发明基于类人学习能力的TSK模糊模型进行故障预测,增强了预测的准确性与鲁棒性,极大的提高了机器故障预警的可靠性与精确性,能够减少不必要的损失。
Description
技术领域
本发明属于TSK模糊模型构建技术领域,尤其涉及一种基于类人学习能力的TSK模糊模型的故障预测方法及系统。
背景技术
目前,随着无人机、隐身飞机、弹道导弹、临近空间目标新型威胁目标的探测要求,相控阵和数字化技术在雷达中获得广泛应用。相控阵雷达中系统,数字收发组件的数量多、成本高,是雷达系统最关键部分,其性能的正常与否直接影响到雷达系统性能的发挥。随着计算机技术和智能技术的发展,越来越多的研究者尝试利用模式识别和机器学习的方法对无人机等机器的故障信息进行预测,然而神经网络是基于梯度下降算法,在进行故障预测过程中存在训练速度慢的问题,且需要大量的数据样本进行训练测试,小样本情况下预测误差较大。因此,亟需一种新的故障预测方法。
通过上述分析,现有技术存在的问题及缺陷为:神经网络是基于梯度下降算法,在进行故障预测过程中存在训练速度慢的问题,且需要大量的数据样本进行训练测试,小样本情况下预测误差较大。
发明内容
针对现有技术存在的问题,本发明提供了一种基于类人学习能力的TSK模糊模型的故障预测方法及系统。
本发明是这样实现的,一种基于类人学习能力的TSK模糊模型的故障预测方法,所述基于类人学习能力的TSK模糊模型的故障预测方法包括以下步骤:
步骤一,通过键盘接收用户根据实际工业现场的情况选定的需要采集的数据样本数N,通过信息采集模块发出采集样本命令;当故障预测系统的检测部分接到中央处理器发出的采样命令后,利用信息采集程序对工业过程机器的输入输出数据进行采样,由模拟量输入通道将采样信号送入检测变送单元,再经A/D转换得到数字信号,得到N组输入输出数据组成的机器信息样本;
步骤二,通过信息分类模块初始化机器信息样本的类标签,给出类标签集;在类标签集下,利用信息分类程序基于给定的信息增益阈值,导出最小支持度阈值;采用模式增长策略进行子序列枚举,生成模式候选,挖掘其中的区分序列;采用削减策略,生成最终的区分序列结果集;
步骤三,对区分序列结果集检查,利用闭序列检测算法判断序列结果集中的每个候选区分序列是否为概率频繁闭序列;若概率频繁闭序列,则将满足条件的区分序列加入结果集;结合基于规则的分类方法或支持向量机已有的成熟数据分类方法对机器信息分类,得到机器基础信息、历史运行信息和故障信息;
步骤四,通过信息分析模块利用信息分析程序进行采集信息的分析;通过中央控制模块利用中央处理器控制所述基于类人学习能力的TSK模糊模型的故障预测系统各个模块的正常运行;通过特征提取模块基于对分类数据的分析,得到数据之间的相关性,利用特征提取程序将具有相关性的特征的数据进行复制,分别进行数据集的建立,得到故障特征;
步骤五,通过TSK模糊模型构建模块提取故障特征集合,并对所述故障特征集合构建多输出回归数据集;将不同目标划分到不同模糊集,计算所述故障特征集合中各特征相对第k’个模糊规则的模糊隶属度;基于所述多输出回归数据集以及所述模糊隶属度,训练出第j个稳定航迹的TSK模糊分类器的后件参数;利用TSK模糊模型构建程序基于训练得到的后件参数进行TSK模糊模型的构建;通过辅助训练模块利用辅助训练程序进行TSK模糊模型的辅助训练;
步骤六,通过存储模块利用存储器进行TSK模糊模型的存储;通过新数据采集模块利用新数据采集程序进行机器当前数据的采集;通过类人学习模块对训练后的TSK模糊模型进行初始化;在训练后的TSK模糊模型的基础上融入采集的机器当前数据;进行历史数据的可靠性的验证,保留可靠的历史数据;利用类人学习程序利用采集的机器当前数据结合可靠的历史数据进行类人学习的辅助训练项;
步骤七,通过学习后模型输出模块利用学习后模型输出程序进行具有类人学习能力的TSK模糊模型的输出;通过数据输入模块利用数据输入模块将采集的新数据输入具有类人学习能力的TSK模糊模型;通过故障预测模块利用故障预测程序进行机器的故障预测。
进一步,步骤二中,所述基于给定的信息增益阈值导出最小支持度阈值,包括:由信息增益阈值导出最小支持度阈值,利用最小支持度的设定算法MinSupGen求出最小支持度阈值。
进一步,步骤三中,所述对机器信息进行分类的方法,还包括:
根据用户设定的样本的归类个数c,采用G-K模糊聚类算法对输入模块传送过来的N组数据样本分类,将N组数据样本分成c类,得到c个I型模糊集,同时得到每个类的中心值,以及样本的隶属度矩阵,所述故障预测系统建立的TSK模糊模型由c条规则组成。
进一步,步骤三中,所述机器基础信息包括:机器类型、机器生产商、机器出厂信息;所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息;所述故障信息包括故障发生时间、故障原因。
进一步,步骤四中,所述通过信息分析模块利用信息分析程序进行采集信息的分析,包括:对分类后的数据间进行可视化的皮尔森相关性分析。
进一步,步骤四中,所述得到数据之间的相关性前,利用专家知识对所有特征进行初筛,形成候选特征集合。
进一步,步骤七中,所述通过故障预测模块利用故障预测程序进行机器的故障预测,包括:预测每个正在运行的机器发生故障的概率以及数量。
本发明的另一目的在于提供一种应用所述的基于类人学习能力的TSK模糊模型的故障预测方法的基于类人学习能力的TSK模糊模型的故障预测系统,所述基于类人学习能力的TSK模糊模型的故障预测系统包括:
信息采集模块、信息分类模块、信息分析模块、中央控制模块、特征提取模块、TSK模糊模型构建模块、辅助训练模块、存储模块、新数据采集模块、类人学习模块、学习后模型输出模块、数据输入模块、故障预测模块;
信息采集模块,与中央控制模块连接,用于通过信息采集程序进行机器信息的采集;
信息分类模块,与中央控制模块连接,用于通过信息分类程序进行采集信息的分类,得到机器基础信息、历史运行信息和故障信息;
信息分析模块,与中央控制模块连接,用于通过信息分析程序进行采集信息的分析;
中央控制模块,与信息采集模块、信息分类模块、信息分析模块、特征提取模块、TSK模糊模型构建模块、辅助训练模块、存储模块、新数据采集模块、类人学习模块、学习后模型输出模块、数据输入模块、故障预测模块连接,用于通过中央处理器控制所述基于类人学习能力的TSK模糊模型的故障预测系统各个模块的正常运行;
特征提取模块,与中央控制模块连接,用于通过特征提取程序进行故障特征的提取;
TSK模糊模型构建模块,与中央控制模块连接,用于通过TSK模糊模型构建程序进行TSK模糊模型的构建;
辅助训练模块,与中央控制模块连接,用于通过辅助训练程序进行TSK模糊模型的辅助训练;
存储模块,与中央控制模块连接,用于通过存储器进行TSK模糊模型的存储;
新数据采集模块,与中央控制模块连接,用于通过新数据采集程序进行机器当前数据的采集;
类人学习模块,与中央控制模块连接,用于通过类人学习程序进行类人学习;
学习后模型输出模块,与中央控制模块连接,用于通过学习后模型输出程序进行具有类人学习能力的TSK模糊模型的输出;
数据输入模块,与中央控制模块连接,用于通过数据输入模块将采集的新数据输入具有类人学习能力的TSK模糊模型;
故障预测模块,与中央控制模块连接,用于通过故障预测程序进行机器的故障预测。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的基于类人学习能力的TSK模糊模型的故障预测方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的基于类人学习能力的TSK模糊模型的故障预测方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于类人学习能力的TSK模糊模型的故障预测方法,通过TSK模糊模型的构建并对学习实现类人学习能力的TSK模糊模型的获取,不需要大量历史数据的支持,仅是继承简洁的TSK历史模型参数,不但能够根据历史数据进行当前场景下的信息弥补,还能实现对未来信息的预测的准确性的提升,这是传统的TSK模糊系统建模方法不具备的。同时,本发明基于类人学习能力的TSK模糊模型进行故障预测,增强了预测的准确性与鲁棒性,极大的提高了机器故障预警的可靠性与精确性,能够减少不必要的损失。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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。
图1是本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测方法流程图。
图2是本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测系统结构框图;
图中:1、信息采集模块;2、信息分类模块;3、信息分析模块;4、中央控制模块;5、特征提取模块;6、TSK模糊模型构建模块;7、辅助训练模块;8、存储模块;9、新数据采集模块;10、类人学习模块;11、学习后模型输出模块;12、数据输入模块;13、故障预测模块。
图3是本发明实施例提供的通过信息分类模块利用信息分类程序进行采集信息分类的方法流程图。
图4是本发明实施例提供的通过TSK模糊模型构建模块利用TSK模糊模型构建程序进行TSK模糊模型构建的方法流程图。
图5是本发明实施例提供的通过类人学习模块利用类人学习程序进行类人学习的方法流程图。
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仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于类人学习能力的TSK模糊模型的故障预测方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测方法包括以下步骤:
S101,通过信息采集模块利用信息采集程序进行机器信息的采集;通过信息分类模块利用信息分类程序进行采集信息的分类,得到机器基础信息、历史运行信息和故障信息;
S102,通过信息分析模块利用信息分析程序进行采集信息的分析;通过中央控制模块利用中央处理器控制所述基于类人学习能力的TSK模糊模型的故障预测系统各个模块的正常运行;
S103,通过特征提取模块利用特征提取程序进行故障特征的提取;通过TSK模糊模型构建模块利用TSK模糊模型构建程序进行TSK模糊模型的构建;
S104,通过辅助训练模块利用辅助训练程序进行TSK模糊模型的辅助训练;通过存储模块利用存储器进行TSK模糊模型的存储;
S105,通过新数据采集模块利用新数据采集程序进行机器当前数据的采集;通过类人学习模块利用类人学习程序进行类人学习;
S106,通过学习后模型输出模块利用学习后模型输出程序进行具有类人学习能力的TSK模糊模型的输出;
S107,通过数据输入模块利用数据输入模块将采集的新数据输入具有类人学习能力的TSK模糊模型;通过故障预测模块利用故障预测程序进行机器的故障预测。
本发明实施例提供的步骤S101中,通过信息采集模块利用信息采集程序进行机器信息采集的方法,包括:通过键盘接收用户根据实际工业现场的情况选定的需要采集的数据样本数N,通过信息采集模块发出采集样本命令;当故障预测系统的检测部分接到中央处理器发出的采样命令后,利用信息采集程序对工业过程机器的输入输出数据进行采样,由模拟量输入通道将采样信号送入检测变送单元,再经A/D转换得到数字信号,得到N组输入输出数据组成的机器信息样本。
本发明实施例提供的步骤S101中,对机器信息进行分类的方法,还包括:根据用户设定的样本的归类个数c,采用G-K模糊聚类算法对输入模块传送过来的N组数据样本分类,将N组数据样本分成c类,得到c个I型模糊集,同时得到每个类的中心值,以及样本的隶属度矩阵,所述故障预测系统建立的TSK模糊模型由c条规则组成。
本发明实施例提供的步骤S101中,机器基础信息包括:机器类型、机器生产商、机器出厂信息;所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息;所述故障信息包括故障发生时间、故障原因。
本发明实施例提供的步骤S102中,通过信息分析模块利用信息分析程序进行采集信息的分析,包括:对分类后的数据间进行可视化的皮尔森相关性分析。
本发明实施例提供的步骤S103中,通过特征提取模块利用特征提取程序进行故障特征的提取,包括:基于对分类数据的分析,得到数据之间的相关性,将具有相关性的特征的数据进行复制,分别进行数据集的建立,得到故障特征。
本发明实施例提供的得到数据之间的相关性前,利用专家知识对所有特征进行初筛,形成候选特征集合。
本发明实施例提供的步骤S107中,通过故障预测模块利用故障预测程序进行机器的故障预测,包括:预测每个正在运行的机器发生故障的概率以及数量。
如图2所示,本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测系统包括:信息采集模块1、信息分类模块2、信息分析模块3、中央控制模块4、特征提取模块5、TSK模糊模型构建模块6、辅助训练模块7、存储模块8、新数据采集模块9、类人学习模块10、学习后模型输出模块11、数据输入模块12、故障预测模块13。
信息采集模块1,与中央控制模块4连接,用于通过信息采集程序进行机器信息的采集;
信息分类模块2,与中央控制模块4连接,用于通过信息分类程序进行采集信息的分类,得到机器基础信息、历史运行信息和故障信息;
信息分析模块3,与中央控制模块4连接,用于通过信息分析程序进行采集信息的分析;
中央控制模块4,与信息采集模块1、信息分类模块2、信息分析模块3、特征提取模块5、TSK模糊模型构建模块6、辅助训练模块7、存储模块8、新数据采集模块9、类人学习模块10、学习后模型输出模块11、数据输入模块12、故障预测模块13连接,用于通过中央处理器控制所述基于类人学习能力的TSK模糊模型的故障预测系统各个模块的正常运行;
特征提取模块5,与中央控制模块4连接,用于通过特征提取程序进行故障特征的提取;
TSK模糊模型构建模块6,与中央控制模块4连接,用于通过TSK模糊模型构建程序进行TSK模糊模型的构建;
辅助训练模块7,与中央控制模块4连接,用于通过辅助训练程序进行TSK模糊模型的辅助训练;
存储模块8,与中央控制模块4连接,用于通过存储器进行TSK模糊模型的存储;
新数据采集模块9,与中央控制模块4连接,用于通过新数据采集程序进行机器当前数据的采集;
类人学习模块10,与中央控制模块4连接,用于通过类人学习程序进行类人学习;
学习后模型输出模块11,与中央控制模块4连接,用于通过学习后模型输出程序进行具有类人学习能力的TSK模糊模型的输出;
数据输入模块12,与中央控制模块4连接,用于通过数据输入模块将采集的新数据输入具有类人学习能力的TSK模糊模型;
故障预测模块13,与中央控制模块4连接,用于通过故障预测程序进行机器的故障预测。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测方法如图1所示,作为优选实施例,如图3所示,本发明实施例提供的通过信息分类模块利用信息分类程序进行采集信息分类的方法包括:
S201,通过信息分类模块初始化类标签,给出类标签集;在类标签集下,利用信息分类程序基于给定的信息增益阈值导出最小支持度阈值:
S202,采用模式增长策略进行子序列枚举,生成模式候选,挖掘其中的区分序列;采用削减策略,生成最终的区分序列结果集;
S203,对区分序列结果集检查,利用闭序列检测算法判断序列结果集中的每个候选区分序列是否为概率频繁闭序列;若是概率频繁闭序列,则将满足条件的区分序列加入结果集;
S204,结合基于规则的分类方法或支持向量机已有的成熟数据分类方法,完成数据分类。
本发明实施例提供的步骤S202中,基于给定的信息增益阈值导出最小支持度阈值,包括:由信息增益阈值导出最小支持度阈值,利用最小支持度的设定算法MinSupGen求出最小支持度阈值。
实施例2
本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测方法如图1所示,作为优选实施例,如图4所示,本发明实施例提供的通过TSK模糊模型构建模块利用TSK模糊模型构建程序进行TSK模糊模型构建的方法包括:
S301,提取故障特征集合,并对所述故障特征集合构建多输出回归数据集;
S302,将不同目标划分到不同模糊集,计算所述故障特征集合中各特征相对第k’个模糊规则的模糊隶属度;
S303,基于所述多输出回归数据集以及所述模糊隶属度,训练出第j个稳定航迹的TSK模糊分类器的后件参数;
S304,基于训练得到的后件参数构建TSK模糊分类器。
实施例3
本发明实施例提供的基于类人学习能力的TSK模糊模型的故障预测方法如图1所示,作为优选实施例,如图5所示,本发明实施例提供的通过类人学习模块利用类人学习程序进行类人学习的方法包括:
S401,对训练后的TSK模糊模型进行初始化;
S402,在训练后的TSK模糊模型的基础上融入采集的机器当前数据;
S403,进行历史数据的可靠性的验证,保留可靠的历史数据;
S404,利用采集的机器当前数据结合可靠的历史数据进行类人学习的辅助训练项。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明较优的具体的实施方式,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,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,所述基于类人学习能力的TSK模糊模型的故障预测方法包括以下步骤:
步骤一,通过键盘接收用户根据实际工业现场的情况选定的需要采集的数据样本数N,通过信息采集模块发出采集样本命令;当故障预测系统的检测部分接到中央处理器发出的采样命令后,利用信息采集程序对工业过程机器的输入输出数据进行采样,由模拟量输入通道将采样信号送入检测变送单元,再经A/D转换得到数字信号,得到N组输入输出数据组成的机器信息样本;
步骤二,通过信息分类模块初始化机器信息样本的类标签,给出类标签集;在类标签集下,利用信息分类程序基于给定的信息增益阈值,导出最小支持度阈值;采用模式增长策略进行子序列枚举,生成模式候选,挖掘其中的区分序列;采用削减策略,生成最终的区分序列结果集;
步骤三,对区分序列结果集检查,利用闭序列检测算法判断序列结果集中的每个候选区分序列是否为概率频繁闭序列;若概率频繁闭序列,则将满足条件的区分序列加入结果集;结合基于规则的分类方法或支持向量机已有的成熟数据分类方法对机器信息分类,得到机器基础信息、历史运行信息和故障信息;
步骤四,通过信息分析模块利用信息分析程序进行采集信息的分析;通过中央控制模块利用中央处理器控制所述基于类人学习能力的TSK模糊模型的故障预测系统各个模块的正常运行;通过特征提取模块基于对分类数据的分析,得到数据之间的相关性,利用特征提取程序将具有相关性的特征的数据进行复制,分别进行数据集的建立,得到故障特征;
步骤五,通过TSK模糊模型构建模块提取故障特征集合,并对所述故障特征集合构建多输出回归数据集;将不同目标划分到不同模糊集,计算所述故障特征集合中各特征相对第k’个模糊规则的模糊隶属度;基于所述多输出回归数据集以及所述模糊隶属度,训练出第j个稳定航迹的TSK模糊分类器的后件参数;利用TSK模糊模型构建程序基于训练得到的后件参数进行TSK模糊模型的构建;通过辅助训练模块利用辅助训练程序进行TSK模糊模型的辅助训练;
步骤六,通过存储模块利用存储器进行TSK模糊模型的存储;通过新数据采集模块利用新数据采集程序进行机器当前数据的采集;通过类人学习模块对训练后的TSK模糊模型进行初始化;在训练后的TSK模糊模型的基础上融入采集的机器当前数据;进行历史数据的可靠性的验证,保留可靠的历史数据;利用类人学习程序利用采集的机器当前数据结合可靠的历史数据进行类人学习的辅助训练项;
步骤七,通过学习后模型输出模块利用学习后模型输出程序进行具有类人学习能力的TSK模糊模型的输出;通过数据输入模块利用数据输入模块将采集的新数据输入具有类人学习能力的TSK模糊模型;通过故障预测模块利用故障预测程序进行机器的故障预测。
2.如权利要求1所述的基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,步骤二中,所述基于给定的信息增益阈值导出最小支持度阈值,包括:由信息增益阈值导出最小支持度阈值,利用最小支持度的设定算法MinSupGen求出最小支持度阈值。
3.如权利要求1所述的基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,步骤三中,所述对机器信息进行分类的方法,还包括:
根据用户设定的样本的归类个数c,采用G-K模糊聚类算法对输入模块传送过来的N组数据样本分类,将N组数据样本分成c类,得到c个I型模糊集,同时得到每个类的中心值,以及样本的隶属度矩阵,所述故障预测系统建立的TSK模糊模型由c条规则组成。
4.如权利要求1所述的基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,步骤三中,所述机器基础信息包括:机器类型、机器生产商、机器出厂信息;所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息;所述故障信息包括故障发生时间、故障原因。
5.如权利要求1所述的基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,步骤四中,所述通过信息分析模块利用信息分析程序进行采集信息的分析,包括:对分类后的数据间进行可视化的皮尔森相关性分析。
6.如权利要求1所述的基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,步骤四中,所述得到数据之间的相关性前,利用专家知识对所有特征进行初筛,形成候选特征集合。
7.如权利要求1所述的基于类人学习能力的TSK模糊模型的故障预测方法,其特征在于,步骤七中,所述通过故障预测模块利用故障预测程序进行机器的故障预测,包括:预测每个正在运行的机器发生故障的概率以及数量。
8.一种应用如权利要求1~7任意一项所述的基于类人学习能力的TSK模糊模型的故障预测方法的基于类人学习能力的TSK模糊模型的故障预测系统,其特征在于,所述基于类人学习能力的TSK模糊模型的故障预测系统包括:
信息采集模块、信息分类模块、信息分析模块、中央控制模块、特征提取模块、TSK模糊模型构建模块、辅助训练模块、存储模块、新数据采集模块、类人学习模块、学习后模型输出模块、数据输入模块、故障预测模块;
信息采集模块,与中央控制模块连接,用于通过信息采集程序进行机器信息的采集;
信息分类模块,与中央控制模块连接,用于通过信息分类程序进行采集信息的分类,得到机器基础信息、历史运行信息和故障信息;
信息分析模块,与中央控制模块连接,用于通过信息分析程序进行采集信息的分析;
中央控制模块,与信息采集模块、信息分类模块、信息分析模块、特征提取模块、TSK模糊模型构建模块、辅助训练模块、存储模块、新数据采集模块、类人学习模块、学习后模型输出模块、数据输入模块、故障预测模块连接,用于通过中央处理器控制所述基于类人学习能力的TSK模糊模型的故障预测系统各个模块的正常运行;
特征提取模块,与中央控制模块连接,用于通过特征提取程序进行故障特征的提取;
TSK模糊模型构建模块,与中央控制模块连接,用于通过TSK模糊模型构建程序进行TSK模糊模型的构建;
辅助训练模块,与中央控制模块连接,用于通过辅助训练程序进行TSK模糊模型的辅助训练;
存储模块,与中央控制模块连接,用于通过存储器进行TSK模糊模型的存储;
新数据采集模块,与中央控制模块连接,用于通过新数据采集程序进行机器当前数据的采集;
类人学习模块,与中央控制模块连接,用于通过类人学习程序进行类人学习;
学习后模型输出模块,与中央控制模块连接,用于通过学习后模型输出程序进行具有类人学习能力的TSK模糊模型的输出;
数据输入模块,与中央控制模块连接,用于通过数据输入模块将采集的新数据输入具有类人学习能力的TSK模糊模型;
故障预测模块,与中央控制模块连接,用于通过故障预测程序进行机器的故障预测。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~7任意一项所述的基于类人学习能力的TSK模糊模型的故障预测方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~7任意一项所述的基于类人学习能力的TSK模糊模型的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492049.5A CN112632854B (zh) | 2020-12-17 | 2020-12-17 | 基于类人学习能力的tsk模糊模型的故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492049.5A CN112632854B (zh) | 2020-12-17 | 2020-12-17 | 基于类人学习能力的tsk模糊模型的故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112632854A true CN112632854A (zh) | 2021-04-09 |
CN112632854B CN112632854B (zh) | 2022-04-12 |
Family
ID=75316205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011492049.5A Active CN112632854B (zh) | 2020-12-17 | 2020-12-17 | 基于类人学习能力的tsk模糊模型的故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632854B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050061076A1 (en) * | 2003-09-22 | 2005-03-24 | Hyeung-Yun Kim | Sensors and systems for structural health monitoring |
CN102722753A (zh) * | 2012-06-01 | 2012-10-10 | 江南大学 | 一种具有类人学习能力的tsk模糊系统建模方法 |
CN102881019A (zh) * | 2012-10-08 | 2013-01-16 | 江南大学 | 一种具备迁移学习能力的模糊聚类图像分割方法 |
WO2017174580A1 (en) * | 2016-04-04 | 2017-10-12 | Boehringer Ingelheim Rcv Gmbh & Co Kg | Real time monitoring of product purification |
CN110349187A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊分类器的目标跟踪方法、装置及存储介质 |
-
2020
- 2020-12-17 CN CN202011492049.5A patent/CN112632854B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050061076A1 (en) * | 2003-09-22 | 2005-03-24 | Hyeung-Yun Kim | Sensors and systems for structural health monitoring |
CN102722753A (zh) * | 2012-06-01 | 2012-10-10 | 江南大学 | 一种具有类人学习能力的tsk模糊系统建模方法 |
CN102881019A (zh) * | 2012-10-08 | 2013-01-16 | 江南大学 | 一种具备迁移学习能力的模糊聚类图像分割方法 |
WO2017174580A1 (en) * | 2016-04-04 | 2017-10-12 | Boehringer Ingelheim Rcv Gmbh & Co Kg | Real time monitoring of product purification |
CN110349187A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊分类器的目标跟踪方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
范兴铎等: "基于模糊神经网络的压缩机运行状态预报模型的研究", 《压缩机技术》 * |
薛善良等: "基于模糊神经网络的WSN无线数据收发单元故障诊断", 《计算机科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112632854B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230385333A1 (en) | Method and system for building training database using automatic anomaly detection and automatic labeling technology | |
CN111597760B (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
Yu et al. | Spectrum availability prediction for cognitive radio communications: A DCG approach | |
CN111062036A (zh) | 恶意软件识别模型构建、识别方法及介质和设备 | |
CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
CN115272983B (zh) | 基于图像识别的接触网悬挂状态监测方法及系统 | |
CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
CN114491282B (zh) | 一种基于云计算的异常用户行为分析方法及系统 | |
Ruan et al. | Deep learning-based fault prediction in wireless sensor network embedded cyber-physical systems for industrial processes | |
CN112632854B (zh) | 基于类人学习能力的tsk模糊模型的故障预测方法及系统 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN116232925A (zh) | 基于数字金融服务的大数据挖掘方法及系统 | |
CN117037917A (zh) | 细胞类型预测模型训练方法、细胞类型预测方法和装置 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN115454473A (zh) | 基于深度学习漏洞决策的数据处理方法及信息安全系统 | |
CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN115438979B (zh) | 一种融合专家模型决策的数据风险识别方法及服务器 | |
Zuiev et al. | Multiple-choice Classification of Radio Navigation Systems Technical State | |
Martens et al. | A neural network approach to the validation of simulation models | |
CN116827603A (zh) | 一种考虑类别不平衡的电力系统网络攻击检测方法及系统 | |
CN117235618A (zh) | 基于深度特征拓展的多功能雷达工作模式增量识别方法 | |
CN118113503A (zh) | 一种智能运维系统故障预测方法、装置、设备和存储介质 | |
Du et al. | Satellite System Anomaly Detection Method Based on Intelligent Data Mining Technology | |
CN117892122A (zh) | 断路器故障检测模型的训练方法、故障检测方法及装置 |
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 |