CN112699932A - 一种故障诊断方法及装置 - Google Patents

一种故障诊断方法及装置 Download PDF

Info

Publication number
CN112699932A
CN112699932A CN202011579265.3A CN202011579265A CN112699932A CN 112699932 A CN112699932 A CN 112699932A CN 202011579265 A CN202011579265 A CN 202011579265A CN 112699932 A CN112699932 A CN 112699932A
Authority
CN
China
Prior art keywords
data
matrix
classification model
historical
telemetry data
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
Application number
CN202011579265.3A
Other languages
English (en)
Inventor
罗凯
孙健
张乐飞
房红征
樊焕贞
李蕊
王晓栋
杨浩
王信峰
刘勇
胡伟钢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aerospace Measurement and Control Technology Co Ltd
Original Assignee
Beijing Aerospace Measurement and Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Measurement and Control Technology Co Ltd filed Critical Beijing Aerospace Measurement and Control Technology Co Ltd
Priority to CN202011579265.3A priority Critical patent/CN112699932A/zh
Publication of CN112699932A publication Critical patent/CN112699932A/zh
Pending legal-status Critical Current

Links

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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提供的一种故障诊断方法及装置，所述方法通过获取固放设备的在轨遥测数据，将在轨遥测数据输入预先训练好的故障诊断模型，通过故障诊断模型中的降维矩阵对在轨遥测数据进行降维，在通过故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果，进而根据分类结果确定固放设备的故障类型。通过本方案可以实现基于在线遥测数据对固放设备的自动故障诊断，相比于人为进行故障诊断，提高了故障诊断效率。

Description

一种故障诊断方法及装置
技术领域
本申请涉及航天器领域，尤其涉及一种故障诊断方法及装置。
背景技术
固放设备(即固态功率放大器)是航天器载荷分系统的核心设备，属于卫星导航分系统中关键设备，其主要功能是将输入的射频信号进行多级放大，使输出达到任务要求的功率电平值。由于固放设备具有工作频段高、输出功率大、效率高等优点，固放设备被广泛应用于航天器的测控过程中。
固放设备常常会因其内部存在的过压保护、放大器过流等因素，导致在轨运行时异常关机，从而影响卫星使用。
目前，航天器系统内的固放设备因受空间使用及成本因素影响，在轨遥测数据中通常只能采集到工作电流、两个测点的工作温度和功率这四个指标。由于指标数量少，采样频率低等问题，使得利用遥测数据进行故障诊断、定位变得异常困难，通常只能通过人工基于遥测数据进行故障诊断，导致故障诊断效率低。
发明内容
为了解决固放设备故障诊断效率低的技术问题，本申请提供了一种故障诊断方法及装置。
第一方面，本申请实施例提供了一种故障诊断方法，包括：
获取固放设备的在轨遥测数据；
将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果；
根据所述分类结果确定所述固放设备是否存在故障；
所述故障诊断模型采用下述方式训练：
获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据；
根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵；
采用PCA算法对所述数据矩阵进行降维，得到降维矩阵；
将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵；
为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集；
利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型；
将所述分类模型和所述降维矩阵组成故障诊断模型。
作为一种可能的实现方式，所述获取样本数据集，包括：
获取设定时间段内固放设备的多条历史在轨遥测数据，所述在轨遥测数据包含多个指标数据；
确定任意指标数据发生突变时对应的时间点，作为窗口分割时间点；
根据所述窗口分割时间点对所述设定时间段进行划分，得到多个时间窗口；
确定各时间窗口内的历史在轨遥测数据的类型，所述类型为故障或正常；
针对每条历史在轨遥测数据，根据该历史在轨遥测数据对应的类型，设置该历史在轨遥测数据对应的分类标签；
将多条设置有分类标签的历史在轨遥测数据组成样本数据集。
作为一种可能的实现方式，根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵，包括：
在轨遥测数据包含多个指标值，根据所述样本数据集中的多条历史在轨遥测数据，生成以指标数量为列数，以历史在轨遥测数据数量为行数的数据矩阵；
所述采用PCA算法对所述数据矩阵进行降维，得到降维矩阵，包括：
对所述数据矩阵的每一行进行去均值化处理；
计算所述数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述协方差矩阵的特征值及对应的特征向量；
将特征向量按照对应特征值从大到小进行排列，选取排在前k位的特征向量组成降维矩阵，其中k为设定值。
作为一种可能的实现方式，利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型，包括：
从所述特征数据集中划分出训练集和验证集；
获取预设的初始分类模型，所述初始分类模型中包含分类器和所述分类器对应的核函数和超参数，所述超参数包含惩罚系数和核函数系数；
利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型；
利用所述验证集验证训练后的所述分类模型的准确率；
若所述准确率不大于设定阈值，则调整所述超参数，并继续使用所述训练集对所述分类模型进行训练，直至所述分类模型的准确率大于设定阈值。
作为一种可能的实现方式，利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型，包括：
所述核函数为高斯径向基核函数，利用所述高斯径向基核函数对所述训练集进行计算，得到所述分类器对应的特征向量；
根据所述特征向量计算协方差矩阵空间；
对所述协方差矩阵空间进行超平面变换，得到所述协方差矩阵对应的超平面矩阵；
根据所述协方差矩阵和所述超平面矩阵计算所述特征向量中各特征的特征系数；
利用所述特征系数对所述协方差矩阵进行缩放；
对缩放后的协方差矩阵求逆后，计算模型参数；
将所述模型参数代入所述分类器，得到训练后的分类模型。
第二方面，本发明实施例还提供了一种故障诊断装置，包括：
数据获取模块，用于获取固放设备的在轨遥测数据；
诊断模块，用于将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果；
诊断结果确定模块，用于根据所述分类结果确定所述固放设备是否存在故障；
所述故障诊断模型采用下述方式训练：
获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据；
根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵；
采用PCA算法对所述数据矩阵进行降维，得到降维矩阵；
将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵；
为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集；
利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型；
将所述分类模型和所述降维矩阵组成故障诊断模型。
作为一种可能的实现方式，所述获取样本数据集，包括：
获取设定时间段内固放设备的多条历史在轨遥测数据，所述在轨遥测数据包含多个指标数据；
确定任意指标数据发生突变时对应的时间点，作为窗口分割时间点；
根据所述窗口分割时间点对所述设定时间段进行划分，得到多个时间窗口；
确定各时间窗口内的历史在轨遥测数据的类型，所述类型为故障或正常；
针对每条历史在轨遥测数据，根据该历史在轨遥测数据对应的类型，设置该历史在轨遥测数据对应的分类标签；
将多条设置有分类标签的历史在轨遥测数据组成样本数据集。
作为一种可能的实现方式，根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵，包括：
在轨遥测数据包含多个指标值，根据所述样本数据集中的多条历史在轨遥测数据，生成以指标数量为列数，以历史在轨遥测数据数量为行数的数据矩阵；
所述采用PCA算法对所述数据矩阵进行降维，得到降维矩阵，包括：
对所述数据矩阵的每一行进行去均值化处理；
计算所述数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述协方差矩阵的特征值及对应的特征向量；
将特征向量按照对应特征值从大到小进行排列，选取排在前k位的特征向量组成降维矩阵，其中k为设定值。
作为一种可能的实现方式，利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型，包括：
从所述特征数据集中划分出训练集和验证集；
获取预设的初始分类模型，所述初始分类模型中包含分类器和所述分类器对应的核函数和超参数，所述超参数包含惩罚系数和核函数系数；
利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型；
利用所述验证集验证训练后的所述分类模型的准确率；
若所述准确率不大于设定阈值，则调整所述超参数，并继续使用所述训练集对所述分类模型进行训练，直至所述分类模型的准确率大于设定阈值。
作为一种可能的实现方式，利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型，包括：
所述核函数为高斯径向基核函数，利用所述高斯径向基核函数对所述训练集进行计算，得到所述分类器对应的特征向量；
根据所述特征向量计算协方差矩阵空间；
对所述协方差矩阵空间进行超平面变换，得到所述协方差矩阵对应的超平面矩阵；
根据所述协方差矩阵和所述超平面矩阵计算所述特征向量中各特征的特征系数；
利用所述特征系数对所述协方差矩阵进行缩放；
对缩放后的协方差矩阵求逆后，计算模型参数；
将所述模型参数代入所述分类器，得到训练后的分类模型。
第三方面，本发明实施例还提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的故障诊断程序，以实现第一方面所述的故障诊断方法。
第四方面，本发明实施例还提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面所述的故障诊断方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的一种故障诊断方法，获取固放设备的在轨遥测数据，将在轨遥测数据输入预先训练好的故障诊断模型，通过故障诊断模型中的降维矩阵对在轨遥测数据进行降维，在通过故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果，进而根据分类结果确定固放设备的故障类型。通过本方案可以实现基于在线遥测数据对固放设备的自动故障诊断，相比于人为进行故障诊断，提高了故障诊断效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种故障诊断方法的流程图；
图2为本申请实施例提供的一种故障诊断模型训练方法的流程图；
图3为本申请实施例提供的一种样本数据集获取方法的流程图；
图4为本申请实施例提供的一种折线图的示意图；
图5为本申请实施例提供的一种时间窗口分割的示意图；
图6为本申请实施例提供的一种故障诊断装置的框图；
图7为本申请实施例提供的一种电子设备的示意图。
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的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
图1为本发明实施例提供的一种故障诊断方法的流程图，该方法可以用于对航天器中的固放设备进行故障诊断，如图1所示，该方法可以包含如下步骤：
S11.获取固放设备的在轨遥测数据。
作为一个实施例，固放设备的在轨遥测数据可以由特定的设备进行采集和存储，因此可以从特定的设备中获取固放设备的在轨遥测数据。
S12.将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果。
在本实施例中，预先基于固放设备的历史在轨遥测数据采用机器学习算法训练故障诊断模型，以实现利用故障诊断模型，根据在轨遥测数据自动对固放设备进行故障诊断。
进一步的，本实施例中的故障诊断模型包含降维矩阵和分类模型，先通过降维矩阵对在轨遥测数据进行降维，在通过分类模型对降维后的在轨遥测数据进行分类，从而实现了自动分类，提高了分类效率。
作为一个实施例，若降维矩阵是以原始维度为行，以降维后的维度为列的矩阵，则在通过降维矩阵对在轨遥测数据进行降维时，可以先将在轨遥测数据生成一个以1为行，以包含的指标数量为列数的矩阵，然后在于降维矩阵相乘，即可实现降维。
作为一个实施例，如图2所示，对故障诊断模型的训练可以包括如下步骤：
S21.获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据，所述分类标签用于标识是否有故障。
作为一个实施例，如图3所示，可以采用下述方式获取样本数据集：
S31.获取设定时间段内固放设备的多条历史在轨遥测数据，所述在轨遥测数据包含多个指标数据。
其中，设定时间段可以为根据实际需求设定的历史时间段，例如当前时间的前一个月或一年内。
作为一个实施例，固放设备的在轨遥测数据通常包含多个指标的指标值，例如其中多个指标可以包括工作电流、第一测点温度、第二测点温度和功率等，具体的指标由用于采集在轨遥测数据的设备决定，但需要保证用于模型训练的历史在轨遥测数据中包含的指标要与S11中获取的在轨遥测数据包含的指标一致，例如S11中获取的在轨遥测数据的包含的指标为工作电流、第一测点温度、第二测点温度和功率，则历史在轨遥测数据中包含的指标也要是工作电流、第一测点温度、第二测点温度和功率。
S32.确定任意指标数据发生突变时对应的时间点，作为窗口分割时间点。
作为一个实施例，S31中获取的是同一设定时间段内的多条历史在轨遥测数据，进一步的，历史在轨遥测数据的采集时间可以是连续，因此可以根据采集到的多条历史遥测数据生成以采集时间为横坐标，指标值为纵坐标的折线图，例如图4所述的折线图。
进一步的，当某一在轨遥测数据中的任意指标值与其相邻的在轨遥测数据相比发生了突变，例如指标值突然升高第一阈值或突然降低第二阈值，其中第一阈值和第二阈值可以根据需求设定，则说明该在轨遥测数据对应的固放设备的运行状态可能发生了变化。因此本方案可以在设定时间段内通过查找存在指标数据突变的时间点，来确定可能存在运行状态变化的时间点。进而可以将指标数据发生突变的时间点确定为窗口分割时间点，便于后续对设定时间段内的多条历史在轨遥测数据进行时间窗口分割。
S33.根据所述窗口分割时间点对所述设定时间段进行划分，得到多个时间窗口。
作为一个实施例，可以利用时间窗口分割技术，按照窗口分割时间点将设定时间段划分为多个时间窗口，例如图5所示，共有两个窗口分割时间点，根据两个窗口分割时间点可以将设定时间段划分为了三个时间窗口。
S34.确定各时间窗口内的历史在轨遥测数据的类型，所述类型为故障或正常。
作为一个实施例，可以根据时间窗口对获取的多个历史在轨遥测数据进行划分。具体的，采集时间位于同一时间窗口内的历史在轨遥测数据对应的指标数据相似，也就说明对应的固放设备运行状态(下称运行状态)应该相同，因此可以分为一类；而采集时间位于不同时间窗口内的历史在轨遥测数据，因为对应的指标数据差距较大，因此对应的运行状态应该不同，因此分为不同的类。
作为一个实施例，因为目前无法自动根据在轨遥测数据确定是否发生故障，因此可以采用采用专家经验法确定各时间窗口对应的历史在轨遥测数据的类型。
进一步的，因为位于同一时间窗口内的历史在轨遥测数据对应的运行状态相同，因此，针对每个时间窗口，可以从中选取几个(例如5个等)历史在轨遥测数据，基于专家经验来确定对应的运行状态(正常或故障)，然后将确定的运行状态作为该时间窗口内所有历史在轨遥测数据对应的运行状态，并将历史在轨遥测数据对应的运行状态作为该历史在轨遥测数据对应的类型。
通过此方式，只需对少量历史在轨遥测数据的类型检测，即可确定获取到的所有历史在轨遥测数据对应的类型，无需针对每条历史在轨遥测数据均进行类型检测，节省了时间，效率高。
S35.针对每条历史在轨遥测数据，根据该历史在轨遥测数据对应的类型，设置该历史在轨遥测数据对应的分类标签。
作为一个实施例，分类标签可以为0/1标签，例如0标识正常，1表示故障，针对类型为故障的历史在轨遥测数据，设置的分类标签就是1，针对类型为正常的历史在轨遥测数据，设置的分类标签就是0。
当然，上述分类标签的只是示例性的，并不构成对本申请的限定。
S36.将多条设置有分类标签的历史在轨遥测数据组成样本数据集。
S22.根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵。
作为一个实施例，样本数据集中既包含历史在轨遥测数据又包含历史在轨遥测数据对应的分类标签。可以将历史在轨遥测数据生成数据矩阵，然后将对应的分类标签生成对应的标签矩阵。
作为一个实施例，在轨遥测数据通常包含多个指标，所以根据所述样本数据集中的多条历史在轨遥测数据生成的数据矩阵可以是以指标数量为列数，以历史在轨遥测数据数量为行数的矩阵，例如共有100条历史在轨遥测数据，每条历史在轨遥测数据中包含4个指标，则生成的数据矩阵就是4列100行的矩阵。
S23.采用PCA算法对所述数据矩阵进行降维，得到降维矩阵。
作为一个实施例，采用PCA算法对所述数据矩阵进行降维，可以包括如下步骤：
步骤1：对所述数据矩阵的每一行进行去均值化处理，将一行中的每个元素均除以该行的均值，同时进行归一化处理。
作为一个实施例，可以通过归一化处理将矩阵中的元素的值缩放到-0.5～0.5。
本步骤1即为对数据矩阵进行规范化处理，避免算法变成局部最优，而不是全局最优。
步骤2：计算所述数据矩阵的协方差矩阵。
步骤3：对所述协方差矩阵进行奇异值分解，得到所述协方差矩阵的特征值及对应的特征向量。
步骤4：将特征向量按照对应特征值从大到小进行排列，选取排在前k位的特征向量组成降维矩阵，其中k为设定值。
其中k的值可以根据实际需求设定，但是需要保证k的值小于在轨遥测数据包含的指标的数量，例如若在轨遥测数据包含4个指标，则k的值可以为2。
以数据矩阵为100行4列的矩阵为例，若k的值为2，则降维矩阵就是一个4行2列的矩阵。对降维矩阵进行保存，以便将其作为故障诊断模型的一部分，用于对待分类数据进行降维。
S24.将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵。
作为一个实施例，将所述数据矩阵映射到所述降维矩阵，即为将数据矩阵与降维矩阵相乘，例如将100行4列的数据矩阵与4行2列的降维矩阵相乘，会得到100行2列的矩阵，将该矩阵作为特征数据矩阵。
S25.为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集。
作为一个实施例，特征数据矩阵中的特征数据即为与样本数据对应的降维后的数据。因此可以根据分类标签矩阵映射特征数据矩阵中每条特征数据对应的分类标签。
将特征矩阵中的特征数据与对应的分类标签组成特征数据集。
在本实施例中，在对模型进行训练之前先对样本数据集进行降维是为了突出有效的、信息量更高的特征，去除噪声和重复的特征，从而减少后续模型训练的计算量。
S26.利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型。
作为一个实施例，利用所述特征数据集对预设的初始分类模型进行训练，可以包含如下步骤：
步骤1：从所述特征数据集中划分出训练集和验证集。
作为一个实施例，可以按照设定的比例从特征数据集中划分出训练集和验证集。
例如按照6:2:2的比例，将特征数据集划分为训练集、验证集和测试集。
步骤2：获取预设的初始分类模型，所述初始分类模型中包含分类器和所述分类器对应的核函数和超参数，所述超参数包含惩罚系数和核函数系数。
作为一个实施例，核函数可以根据需求选取，例如本实施例可以选取高斯径向基核函数作为分类模型的核函数，高斯径向基核函数具有对数据进行升维，保证数据在当前维度上可分的优点。
步骤3：利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型。
作为一个实施例，采用训练集对初始分类模型进行训练可以包含如下步骤：
步骤3-1：所述核函数为高斯径向基核函数，利用所述高斯径向基核函数对所述训练集进行计算，得到所述分类器对应的特征向量。
采用高斯径向基核函数可以对训练集进行升维，保证训练集在当前维度上可分。
步骤3-2：根据所述特征向量计算协方差矩阵空间。
步骤3-3：对所述协方差矩阵空间进行超平面变换，得到所述协方差矩阵对应的超平面矩阵。
步骤3-4：根据所述协方差矩阵和所述超平面矩阵计算所述特征向量中各特征的特征系数。
步骤3-5：利用所述特征系数对所述协方差矩阵进行缩放。
步骤3-6：对缩放后的协方差矩阵求逆后，计算模型参数。
步骤3-7：将所述模型参数代入所述分类器，得到训练后的分类模型。
步骤4：利用所述验证集验证训练后的所述分类模型的准确率。
作为一个实施例，可以采用下述方式验证训练后的分类模型的准确率：
针对所述验证集中的每条特征数据，执行以下步骤：
将所述特征数据输入所述分类模型，以使所述分类模型输出所述特征数据的分类结果，将所述分类结果与所述特征数据对应的分类标签进行比对，确定所述分类结果是否正确，在针对所述验证集中的所有特征数据均完成上述步骤后，确定所述验证集中对应的分类结果正确的特征数据的数量与所述验证集中所有特征数据的数量的比值，并将所述比值作为所述分类模型的准确率。
具体的，可以采用下式计算分类模型的准确率：
Figure BDA0002865473750000131
其中，r表示分类模型的准确率，n表示分类结果正确的特征数据的数量，N表示验证集中包含的所有特征数据的数量。
步骤5：若所述准确率不大于设定阈值，则调整所述超参数，并继续使用所述训练集对所述分类模型进行训练，直至所述分类模型的准确率大于设定阈值。
其中，设定阈值为根据实际需求设定的，例如0.999等。
作为一个实施例，可以采用网格搜索的方法对超参数进行调整优化。
作为一个实施例，对分类模型进行训练时，还可以包括：利用测试集对准确率大于设定阈值的分类模型进行评估，得到分类模型的评估结果。
S27.将所述分类模型和所述降维矩阵组成故障诊断模型。
本实施例提供的故障诊断方法，获取固放设备的在轨遥测数据，将在轨遥测数据输入预先训练好的故障诊断模型，通过故障诊断模型中的降维矩阵对在轨遥测数据进行降维，在通过故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果，进而根据分类结果确定固放设备的故障类型。通过本方案可以实现基于在线遥测数据对固放设备的自动故障诊断，相比于人为进行故障诊断，提高了故障诊断效率。
进一步的，本实施例提供的故障诊断模型是基于机器学习算法训练的，具有分类准确率高、效率高等优点。
本发明实施例还提供了一种故障诊断装置，如图6所示，该装置600可以包括：
数据获取模块601，用于获取固放设备的在轨遥测数据；
诊断模块602，用于将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果；
诊断结果确定模块603，用于根据所述分类结果确定所述固放设备是否存在故障；
所述故障诊断模型采用下述方式训练：
获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据；
根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵；
采用PCA算法对所述数据矩阵进行降维，得到降维矩阵；
将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵；
为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集；
利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型；
将所述分类模型和所述降维矩阵组成故障诊断模型。
作为一种可能的实现方式，所述获取样本数据集，包括：
获取设定时间段内固放设备的多条历史在轨遥测数据，所述在轨遥测数据包含多个指标数据；
确定任意指标数据发生突变时对应的时间点，作为窗口分割时间点；
根据所述窗口分割时间点对所述设定时间段进行划分，得到多个时间窗口；
确定各时间窗口内的历史在轨遥测数据的类型，所述类型为故障或正常；
针对每条历史在轨遥测数据，根据该历史在轨遥测数据对应的类型，设置该历史在轨遥测数据对应的分类标签；
将多条设置有分类标签的历史在轨遥测数据组成样本数据集。
作为一种可能的实现方式，根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵，包括：
在轨遥测数据包含多个指标值，根据所述样本数据集中的多条历史在轨遥测数据，生成以指标数量为列数，以历史在轨遥测数据数量为行数的数据矩阵；
所述采用PCA算法对所述数据矩阵进行降维，得到降维矩阵，包括：
对所述数据矩阵的每一行进行去均值化处理；
计算所述数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述协方差矩阵的特征值及对应的特征向量；
将特征向量按照对应特征值从大到小进行排列，选取排在前k位的特征向量组成降维矩阵，其中k为设定值。
作为一种可能的实现方式，利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型，包括：
从所述特征数据集中划分出训练集和验证集；
获取预设的初始分类模型，所述初始分类模型中包含分类器和所述分类器对应的核函数和超参数，所述超参数包含惩罚系数和核函数系数；
利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型；
利用所述验证集验证训练后的所述分类模型的准确率；
若所述准确率不大于设定阈值，则调整所述超参数，并继续使用所述训练集对所述分类模型进行训练，直至所述分类模型的准确率大于设定阈值。
作为一种可能的实现方式，利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型，包括：
所述核函数为高斯径向基核函数，利用所述高斯径向基核函数对所述训练集进行计算，得到所述分类器对应的特征向量；
根据所述特征向量计算协方差矩阵空间；
对所述协方差矩阵空间进行超平面变换，得到所述协方差矩阵对应的超平面矩阵；
根据所述协方差矩阵和所述超平面矩阵计算所述特征向量中各特征的特征系数；
利用所述特征系数对所述协方差矩阵进行缩放；
对缩放后的协方差矩阵求逆后，计算模型参数；
将所述模型参数代入所述分类器，得到训练后的分类模型。
在本申请另一实施例中，还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信；
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现如下步骤：
获取固放设备的在轨遥测数据；
将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果；
根据所述分类结果确定所述固放设备是否存在故障；
所述故障诊断模型采用下述方式训练：
获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据；
根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵；
采用PCA算法对所述数据矩阵进行降维，得到降维矩阵；
将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵；
为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集；
利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型；
将所述分类模型和所述降维矩阵组成故障诊断模型。
上述电子设备提到的通信总线704可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线704可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口702用于上述电子设备与其他设备之间的通信。
存储器703可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器701可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。
在本申请另一实施例中，还提供了一种存储介质，所述存储介质上存储有故障诊断方法程序，所述故障诊断方法程序被处理器执行时实现上述任一所述的故障诊断方法的步骤。
本发明实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种故障诊断方法，其特征在于，包括：
获取固放设备的在轨遥测数据；
将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果；
根据所述分类结果确定所述固放设备是否存在故障；
所述故障诊断模型采用下述方式训练：
获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据，所述分类标签用于标识是否有故障；
根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵；
采用PCA算法对所述数据矩阵进行降维，得到降维矩阵；
将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵；
为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集；
利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型；
将所述分类模型和所述降维矩阵组成故障诊断模型。
2.根据权利要求1所述的方法，其特征在于，所述获取样本数据集，包括：
获取设定时间段内固放设备的多条历史在轨遥测数据，所述在轨遥测数据包含多个指标数据；
确定任意指标数据发生突变时对应的时间点，作为窗口分割时间点；
根据所述窗口分割时间点对所述设定时间段进行划分，得到多个时间窗口；
确定各时间窗口内的历史在轨遥测数据的类型，所述类型为故障或正常；
针对每条历史在轨遥测数据，根据该历史在轨遥测数据对应的类型，设置该历史在轨遥测数据对应的分类标签；
将多条设置有分类标签的历史在轨遥测数据组成样本数据集。
3.根据权利要求1所述的方法，其特征在于，根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵，包括：
在轨遥测数据包含多个指标值，根据所述样本数据集中的多条历史在轨遥测数据，生成以指标数量为列数，以历史在轨遥测数据数量为行数的数据矩阵；
所述采用PCA算法对所述数据矩阵进行降维，得到降维矩阵，包括：
对所述数据矩阵的每一行进行去均值化处理；
计算所述数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述协方差矩阵的特征值及对应的特征向量；
将特征向量按照对应特征值从大到小进行排列，选取排在前k位的特征向量组成降维矩阵，其中k为设定值。
4.根据权利要求3所述的方法，其特征在于，利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型，包括：
从所述特征数据集中划分出训练集和验证集；
获取预设的初始分类模型，所述初始分类模型中包含分类器和所述分类器对应的核函数和超参数，所述超参数包含惩罚系数和核函数系数；
利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型；
利用所述验证集验证训练后的所述分类模型的准确率；
若所述准确率不大于设定阈值，则调整所述超参数，并继续使用所述训练集对所述分类模型进行训练，直至所述分类模型的准确率大于设定阈值。
5.根据权利要求3所述的方法，其特征在于，利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型，包括：
所述核函数为高斯径向基核函数，利用所述高斯径向基核函数对所述训练集进行计算，得到所述分类器对应的特征向量；
根据所述特征向量计算协方差矩阵空间；
对所述协方差矩阵空间进行超平面变换，得到所述协方差矩阵对应的超平面矩阵；
根据所述协方差矩阵和所述超平面矩阵计算所述特征向量中各特征的特征系数；
利用所述特征系数对所述协方差矩阵进行缩放；
对缩放后的协方差矩阵求逆后，计算模型参数；
将所述模型参数代入所述分类器，得到训练后的分类模型。
6.一种故障诊断装置，其特征在于，包括：
数据获取模块，用于获取固放设备的在轨遥测数据；
诊断模块，用于将所述在轨遥测数据输入预先训练好的故障诊断模型，以通过所述故障诊断模型中的降维矩阵对所述在轨遥测数据进行降维，并通过所述故障诊断模型中的分类模型输出降维后的在轨遥测数据的分类结果；
诊断结果确定模块，用于根据所述分类结果确定所述固放设备是否存在故障；
所述故障诊断模型采用下述方式训练：
获取样本数据集，所述样本数据集包含多条设置有分类标签的历史在轨遥测数据；
根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵；
采用PCA算法对所述数据矩阵进行降维，得到降维矩阵；
将所述数据矩阵映射到所述降维矩阵，得到特征数据矩阵；
为所述特征数据矩阵中的特征数据设置分类标签，得到特征数据集；
利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型；
将所述分类模型和所述降维矩阵组成故障诊断模型。
7.根据权利要求6所述的装置，其特征在于，所述获取样本数据集，包括：
获取设定时间段内固放设备的多条历史在轨遥测数据，所述在轨遥测数据包含多个指标数据；
确定任意指标数据发生突变时对应的时间点，作为窗口分割时间点；
根据所述窗口分割时间点对所述设定时间段进行划分，得到多个时间窗口；
确定各时间窗口内的历史在轨遥测数据的类型，所述类型为故障或正常；
针对每条历史在轨遥测数据，根据该历史在轨遥测数据对应的类型，设置该历史在轨遥测数据对应的分类标签；
将多条设置有分类标签的历史在轨遥测数据组成样本数据集。
8.根据权利要求6所述的装置，其特征在于，根据所述样本数据集中的多条历史在轨遥测数据，生成所述样本数据集对应的数据矩阵，包括：
在轨遥测数据包含多个指标值，根据所述样本数据集中的多条历史在轨遥测数据，生成以指标数量为列数，以历史在轨遥测数据数量为行数的数据矩阵；
所述采用PCA算法对所述数据矩阵进行降维，得到降维矩阵，包括：
对所述数据矩阵的每一行进行去均值化处理；
计算所述数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到所述协方差矩阵的特征值及对应的特征向量；
将特征向量按照对应特征值从大到小进行排列，选取排在前k位的特征向量组成降维矩阵，其中k为设定值。
9.根据权利要求8所述的装置，其特征在于，利用所述特征数据集对预设的初始分类模型进行训练，得到准确率大于设定阈值的分类模型，包括：
从所述特征数据集中划分出训练集和验证集；
获取预设的初始分类模型，所述初始分类模型中包含分类器和所述分类器对应的核函数和超参数，所述超参数包含惩罚系数和核函数系数；
利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型；
利用所述验证集验证训练后的所述分类模型的准确率；
若所述准确率不大于设定阈值，则调整所述超参数，并继续使用所述训练集对所述分类模型进行训练，直至所述分类模型的准确率大于设定阈值。
10.根据权利要求8所述的装置，其特征在于，利用所述训练集对所述初始分类模型进行训练，得到训练后的分类模型，包括：
所述核函数为高斯径向基核函数，利用所述高斯径向基核函数对所述训练集进行计算，得到所述分类器对应的特征向量；
根据所述特征向量计算协方差矩阵空间；
对所述协方差矩阵空间进行超平面变换，得到所述协方差矩阵对应的超平面矩阵；
根据所述协方差矩阵和所述超平面矩阵计算所述特征向量中各特征的特征系数；
利用所述特征系数对所述协方差矩阵进行缩放；
对缩放后的协方差矩阵求逆后，计算模型参数；
将所述模型参数代入所述分类器，得到训练后的分类模型。
CN202011579265.3A 2020-12-28 2020-12-28 一种故障诊断方法及装置 Pending CN112699932A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011579265.3A CN112699932A (zh) 2020-12-28 2020-12-28 一种故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011579265.3A CN112699932A (zh) 2020-12-28 2020-12-28 一种故障诊断方法及装置

Publications (1)

Publication Number Publication Date
CN112699932A true CN112699932A (zh) 2021-04-23

Family

ID=75512614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011579265.3A Pending CN112699932A (zh) 2020-12-28 2020-12-28 一种故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN112699932A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291783A (zh) * 2020-01-15 2020-06-16 北京市燃气集团有限责任公司 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291783A (zh) * 2020-01-15 2020-06-16 北京市燃气集团有限责任公司 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质

Similar Documents

Publication Publication Date Title
JP6969637B2 (ja) 因果関係分析方法および電子デバイス
Chen et al. On the estimation of transfer functions, regularizations and Gaussian processes—Revisited
US20210342244A1 (en) Distributed architecture for fault monitoring
US8712929B1 (en) Dynamic data filtering system and method
US8195427B2 (en) Methods and systems for high sigma yield estimation using reduced dimensionality
US8219355B2 (en) Methods and systems for high sigma yield estimation
CN116910493B (zh) 基于多源特征提取的设备故障诊断模型的构建方法及装置
CN110472802B (zh) 一种数据特征评估方法、装置及设备
Zhang et al. Efficient factor garch models and factor-dcc models
Lee et al. Bayesian threshold selection for extremal models using measures of surprise
Gad et al. Performance evaluation of predictive models for missing data imputation in weather data
CN111967535A (zh) 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
CN113484817A (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN114463587A (zh) 一种异常数据检测方法、装置、设备及存储介质
CN117272145A (zh) 转辙机的健康状态评估方法、装置和电子设备
CN116627116B (zh) 一种流程工业故障定位方法、系统及电子设备
Huang et al. Fault classification in dynamic processes using multiclass relevance vector machine and slow feature analysis
CN112699932A (zh) 一种故障诊断方法及装置
CN111368837B (zh) 一种图像质量评价方法、装置、电子设备及存储介质
US20220215144A1 (en) Learning Apparatus, Learning Method and Learning Program
CN114637620A (zh) 一种基于svm算法的数据库系统异常分类预测方法
Hu et al. A sparse fault degradation oriented fisher discriminant analysis (FDFDA) algorithm for faulty variable isolation and its industrial application
Russell et al. Breaks and the statistical process of inflation: the case of estimating the ‘modern’long-run Phillips curve
Ceylan et al. A Comparison of differential evolution and harmony search methods for SVM model selection in hyperspectral image classification
Brown et al. Exploratory basis pursuit classification

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