CN112907781A - 一种系统故障诊断方法、装置、计算机设备和存储介质 - Google Patents
一种系统故障诊断方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112907781A CN112907781A CN202110169664.0A CN202110169664A CN112907781A CN 112907781 A CN112907781 A CN 112907781A CN 202110169664 A CN202110169664 A CN 202110169664A CN 112907781 A CN112907781 A CN 112907781A
- Authority
- CN
- China
- Prior art keywords
- value
- fault
- preset
- learning machine
- extreme 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
Abstract
本申请涉及一种系统故障诊断方法、装置、计算机设备和存储介质。所述方法包括:在第一阶段根据正常时系统历史输入、输出数据,采用即时高斯过程回归方法,获得即时局部模型,将当前书输入值输入到即时局部模型得到当前预测输出值,根据当前预测输出值和当前输出值确定残差值;第二阶段利用正常和故障时的历史残差值和对应的故障状态标签,采用极限学习机神经网络算法进行训练,得到离线极限学习机分类模型,将第一阶段得到的残差值输入到离线极限学习机分类模型,得到故障报警信号和故障类型。采用本方法可降低系统建模过程计算复杂度,解决了传统故障检测方法中残差阈值难以确定的问题,并且同时监测多个故障。
Description
技术领域
本申请涉及故障诊断技术领域,特别是涉及一种系统故障诊断方法、装置、计算机设备和存储介质。
背景技术
近年来,随着人工智能、计算科学和工业过程自动化的发展,相关系统的复杂性也随之提高。这种进步给系统的安全管理、依赖性和安全性带来了巨大的挑战。对于高智能化的无人车来说,其发生故障造成的损失是巨大的,甚至会威胁到乘客的生命安全。为了保证复杂系统的过程可靠,故障诊断策略在学术和工业应用中越来越受到重视。
传统的系统故障诊断方法主要为基于模型的方法,在过去的几十年里,基于模型的方法在系统故障检测中非常流行。但这种方法依赖于系统精确的数学模型,而这种模型在实际应用中往往难以建立。在这种情况下,基于解析模型的方法不再适用于故障检测。
基于数据的方法是在不知道系统准确分析模型的情况下,通过分析过程数据来完成故障诊断。在目前的基于数据的故障检测方法中,第一阶段是进过机器学习的方法进程过程估计,即用它代替解析模型来模拟真实的过程并生成残差,经过第一阶段过程估计后的第二阶段是利用残差阈值进行故障决策。确定适当的残差阈值也是一个挑战,通常无法事先知道。在相关的工作中,也提出了一些确定残差的方法。然而,设置阈值的方法自然只能同时监测一个故障,这意味着它不能同时对不同的残差特征做出反应。
综上,传统的基于数据的故障诊断方法不能解决残差阈值准确获取的问题和多故障诊断的问题
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确获取残差阈值并实现多故障诊断的系统故障诊断方法、装置、计算机设备和存储介质。
一种系统故障诊断方法,所述方法包括:
获取待测系统正常时的预设历史数据库。
获取待测系统的当前输入值和所述当前输入值对应的当前输出值,将所述当前输入值和所述当前输出值作为待测样本。
根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集。
根据所述子数据集,利用高斯过程回归算法,得到即时局部模型。
根据所述当前输入值,利用所述即时局部模型,得到预测输出值。
根据所述预测输出值和所述当前输出值,得到所述预测输出值与所述当前输出值之间的残差值。
获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签。
根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
根据所述残差值,利用所述离线极限学习机分类模型,得到故障报警信号和所述故障类型。
在其中一个实施例中,根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集,还包括:
设置权重参数,所述权重参数是大于等于0小于等于1的实数。
设置子数据集为空。
根据所述历史数据库中相邻两个相邻时刻的历史数据,得到历史差向量。
根据两个相邻时刻所述待测样本,得到待测样本差向量。
根据所述历史差向量和所述待测样本差向量,得到所述历史差向量和所述待测样本差向量之间的夹角。
根据所述预设历史数据库、所述待测样本、所述权重参数以及所述夹角的余弦值,得到所述预设历史数据库与所述待测样本的相似度。
当所述相似度满足预定相似度时,将所述历史数据添加到子数据集。
在其中一个实施例中,根据所述子数据集,利用高斯过程回归算法,得到即时局部模型,还包括:
将所述子数据集作为训练样本。
设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;所述预定单位矩阵的维数与所述训练样本中数据的数量相同。
根据所述预定协方差函数、所述预定观测白噪声的方差和所述预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵。
根据所述训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数。
对所述似然函数对超参数求偏导数,得到似然函数偏导数,并令所述似然函数偏导数等于0,得到似然函数偏微分方差组。
根据所述超参数初值,对所述似然函数偏微分方差进行求解,得到最优的超参数预测值。
根据所述训练数据输入值、所述输入值对应的所述输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
在其中一个实施例中,获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签,还包括:
获取所述待测系统有故障时系统故障输入值、对应的系统故障目标输出值以及对应的故障状态标签。
将所述系统输入值和对应的所述系统目标输出值作为故障数据库。
根据所述故障数据库、所述待测样本和所述预定相似度,得到一次局部模型子数据集。
根据所述一次局部模型子数据集,利用高斯过程回归算法,得到一次局部模型。
根据所述系统故障输入值,利用所述一次局部模型,得到预测系统故障输出值。
根据所述预测系统故障输出值、所述系统故障输入值对应的系统故障目标输出值以及所述故障输入状态对应的所述故障状态标签,得到所述预设历史残差值和与所述历史残差数据对应的故障状态标签。
在其中一个实施例中,根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型,还包括:
设置预设极限学习机神经网络的层数,所述预设极限学习机神经网络由输入层、隐含层和输出层三层组成。
设置所述预设极限学习机神经网络的输入节点数量、所述预设极限学习机神经网络的隐含节点数量和所述预设极限学习机神经网络的输出节点数量;其中所述输入节点数量为所述历史残差值的数量,所述输出节点的个数为故障类别数。
设置所述预设极限学习机神经网络的隐含层节点与所述预设极限学习机神经网络的输入层节点之间的第一权重向量值和所述预设极限学习机神经网络的隐含层节点的阈值,设置所述隐含层的激活函数。
根据所述层数、所述输入节点数量、所述隐含节点数量、所述输出节点数量、所述第一权重向量值、所述阈值以及所述激活函数,得到预设极限学习机神经网络。
根据所述故障状态标签确定期望输出,所述期望输出是一个二元向量,所述故障状态标签的数值对应位置元素的数值为1、其余位置元素的数值为0。
将所述历史残差值和所述期望输出作为训练数据,将所述训练数据输入到所述预设极限学习机神经网络,对所述预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
在其中一个实施例中,根据所述残差值,利用所述离线极限学习机分类模型,得到故障报警信号和所述故障类型,还包括:
将所述残差值输入到所述离线极限学习机分类模型进行故障诊断,得到故障报警信号和所述故障类型。
一种系统故障诊断装置,所述装置包括:
预设历史数据库获取模块,用于获取待测系统正常时的预设历史数据库。
待测样本获取模块,用于获取待测系统的当前输入值和所述当前输入值对应的当前输出值,将所述当前输入值和所述当前输出值作为待测样本。
子数据集确定模块,用于根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集。
局部模型确定模块,用于根据所述子数据集,利用高斯过程回归算法,得到即时局部模型。
预测输出值确定模块,用于根据所述当前输入值,利用所述即时局部模型,得到预测输出值。
残差值确定模块,用于根据所述预测输出值和所述当前输出值,得到所述预测输出值与所述当前输出值之间的残差值。
故障状态和历史残差获取模块,用于获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签。
极限学习机分类模型确定模块,用于根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型;
故障诊断模块,用于根据所述残差值和所述离线极限学习机分类模型,得到故障报警信号和所述故障类型。
在其中一个实施例中:局部模型确定模块,还用于:
将所述子数据集作为训练样本。
设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;所述预定单位矩阵的维数与所述训练样本中数据的数量相同。
根据所述预定协方差函数、所述预定观测白噪声的方差和所述预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵。
根据所述训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数。
对所述似然函数对超参数求偏导数,得到似然函数偏导数,并令所述似然函数偏导数等于0,得到似然函数偏微分方差组;
根据所述超参数初值,对所述似然函数偏微分方差进行求解,得到最优的超参数预测值;
根据所述训练数据输入值、所述输入值对应的所述输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待测系统正常时的预设历史数据库。
获取待测系统的当前输入值和所述当前输入值对应的当前输出值,将所述当前输入值和所述当前输出值作为待测样本。
根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集。
根据所述子数据集,利用高斯过程回归算法,得到即时局部模型。
根据所述当前输入值,利用所述即时局部模型,得到预测输出值。
根据所述预测输出值和所述当前输出值,得到所述预测输出值与所述当前输出值之间的残差值。
获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签。
根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
根据所述残差值,利用所述离线极限学习机分类模型,得到故障报警信号和所述故障类型。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待测系统正常时的预设历史数据库。
获取待测系统的当前输入值和所述当前输入值对应的当前输出值,将所述当前输入值和所述当前输出值作为待测样本。
根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集。
根据所述子数据集,利用高斯过程回归算法,得到即时局部模型。
根据所述当前输入值,利用所述即时局部模型,得到预测输出值。
根据所述预测输出值和所述当前输出值,得到所述预测输出值与所述当前输出值之间的残差值。
获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签。
根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
根据所述残差值,利用所述离线极限学习机分类模型,得到故障报警信号和所述故障类型。
上述系统故障诊断方法、装置、计算机设备和存储介质,方法中在第一阶段根据正常时的系统历史输入、输出数据,采用即时高斯过程建模方法进行过程分析建模,获得即时局部模型,根据即时局部模型获得当前预测输出值,根据当前预测输出值和系统当前输出值确定残差值,第二阶段根据系统正常时和故障时的历史残差值和与历史残差数据对应的故障状态标签,采用极限学习机神经网络学习算法进行训练,得到离线极限学习机分类模型,将第一阶段得到的残差值作为离线极限学习机分类模型的输入,得到故障报警信号和故障类型。本方法适用于非线性系统,采用本方法可降低系统建模过程计算复杂度,解决了传统故障检测方法中残差阈值难以确定的问题,并且同时监测多个故障。
附图说明
图1为一个实施例中系统故障诊断方法流程示意图;
图2为另一个实施例中极限学习机单隐层前馈神经网络结构;
图3为一个实施例中系统故障诊断装置的结构框图;
图4为一个实施例中计算机设备的内部结构图;
图5为另一个实施例中方法验证试验中车辆实验平台;
图6为另一个实施例中方法验证试验中数据采集地点及路径;
图7为另一个实施例中方法验证试验中200个无故障样本的横摆角速度预测结果对比图;
图8为另一个实施例中方法验证试验中200个无故障样本的横向加速度预测结果对比图;
图9为另一个实施例中方法验证试验中JITGPR算法横摆角速度的归一化残差结果图;
图10为另一个实施例中方法验证试验中JITGPR算法横向加速度的归一化残差结果图;
图11为另一个实施例中方法验证试验中JIT算法横摆角速度的归一化残差结果图;
图12为另一个实施例中方法验证试验中JIT算法横向加速度的归一化残差结果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的系统故障诊断方法,可以应用于非线性动力系统故障诊断,如:无人车辆系统。系统故障诊断方法可以在运行在终端装载在设备中,也可以运行在网络服务器上,进行远程故障诊断。
在一个实施例中,如图1所示,提供了一种系统故障诊断方法,包括以下步骤:
步骤100:获取待测系统正常时的预设历史数据库。
待测系统是非线性动力系统,作为优选,待测系统为无人地面车辆系统。
预设历史数据库是当前时刻之前待测系统正常时的系统输入值和对应输出值。如果待测系统为无人车辆系统,系统输入是无人车辆系统中各个传感器的输出值,系统输出值为系统输入对应的系统目标输出。
待测系统正常时是指待测系统没有故障状态的时候。
步骤102:获取待测系统的当前输入值和当前输入值对应的当前输出值,将当前输入值和当前输出值作为待测样本。
当前输入值和当前输入值对应的当前输出值是通过观测当前时刻待测系统中传感器输出值及对应的系统输出值获得。当前输入值为当前时刻待测系统中传感器输出值,当前输出值为当前输入值对应的系统输出值。
待测样本用于在预设历史数据库中提取满足预定相似度的子数据集,并用于确定当前输入对应的残差值。
步骤104:根据预设历史数据库、待测样本和预定相似度,得到子数据集。
预定相似度是在预设历史数据库中按照相似度量的理论提取子数据集的判断依据。
子数据集用于建立基于高斯过程回归的即时局部模型。
步骤106:根据子数据集,利用高斯过程回归算法,得到即时局部模型。
将子数据集作为高斯过程回归模型的训练数据,对高斯过程回归模型进行训练,得到即时局部模型。
步骤108:根据当前输入值,利用即时局部模型,得到预测输出值。
将当前输入值作为即时局部模型的输入值,输入到即时局部模型,得到预测输出值。
步骤110:根据预测输出值和当前输出值,得到预测输出值与当前输出值之间的残差值。
当前输出值减去当前输入值对应的预测输出值,得到预测输出值与当前输出值之间的残差值。
步骤112:获取待测系统正常时和有故障时的预设历史残差值和与历史残差数据对应的故障状态标签。
预设历史残差值是待测系统有故障是的系统输出值与预测输出值之间的差。
历史残差数据对应的故障状态标签代表系统故障类型,在故障分析是根据实际需要对故障类型进行编号,所以故障状态标签的值就是故障编号值。
步骤114:根据历史残差值和故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
预设极限学习机神经网络是三层网络,包括一个输入层、一个隐含层和一个输出层。
将历史残差值作为预设极限学习机神经网络的输入,故障状态标签对应的值作为预设极限学习机神经网络的输出,对预设极限学习机神经网络进行训练学习,得到离线极限学习机分类模型和代表故障状态决策的故障类型
步骤116:根据残差值,利用离线极限学习机分类模型,得到故障报警信号和故障类型。
将预测输出值与当前输出值之间的残差值输入到离线极限学习机分类模型,得到故障报警信号和故障类型。
上述系统故障诊断方法中,在第一阶段根据正常时的系统历史输入、输出数据,采用即时高斯过程建模方法进行过程分析建模,获得即时局部模型,根据即时局部模型获得当前预测输出值,根据当前预测输出值和系统当前输出值确定残差值,第二阶段根据系统正常时和故障时的历史残差值和与历史残差数据对应的故障状态标签,采用极限学习机神经网络学习算法进行训练,得到离线极限学习机分类模型,将第一阶段得到的残差值作为离线极限学习机分类模型的输入,得到故障报警信号和故障类型。本方法适用于非线性系统,采用本方法可降低系统建模过程计算复杂度,解决了传统故障检测方法中残差阈值难以确定的问题,并且同时监测多个故障。
对于步骤104,在一个实施例中:设置权重参数,权重参数是大于等于0小于等于1的实数。设置子数据集为空;根据历史数据库中相邻两个相邻时刻的历史数据,得到历史差向量;据两个相邻时刻待测样本,得到待测样本差向量。根据历史差向量和待测样本差向量,得到历史差向量和待测样本差向量之间的夹角。根据预设历史数据库、待测样本、权重参数以及夹角的余弦值,得到预设历史数据库与待测样本的相似度。当相似度满足预定相似度时,将历史数据添加到子数据集。
由于车辆运行过程中的系统的大多数是难以建模的,数据驱动的方法是过程监测的有吸引力的选择。为了解决高斯过程回归计算量大的问题,使用即时学习方法对过程建模,因为即时学习方法是自然自适应的,所以它可以通过将当前测量数据存储到数据库来实现。
使用即时学习进行模型预测有三个步骤:1)根据一定的相似性准则从数据库中选择一组样本;2)选取样本建立一次性局部模型,得到模型的预测输出;3)当需要对新的样本进行预测时,重复上述两个步骤,放弃原有的局部模型,建立新的局部模型。
在本发明中,使用的是高斯过程回归模型,而不是传统即时学习方法中经常使用的ARX模型。高斯过程回归具有许多显著的优点,包括良好的非线性逼近能力和通过方差输出预测值的不确定性表达能力。与即时学习一起,由于存在样本选择步骤,高斯过程回归的计算负担也显著减少。
下面详细介绍即时高斯过程回归的第一个步骤:相似性度量。
在即时高斯过程回归中,相似性评价是在数据库中选择一组与待测样本最接近的样本的标准。待测样本状态xq与历史数据库中数据状态xi之间的相似度定义为:
其中,γ∈[0,1]是一个权重参数,αi表示Δxq和Δxi之间的角度,Δxq和Δxi是通过Δxq=xq-xq-1和Δxi=xi-xi-1分别计算出来的向量。δi∈[0,1]代表相似度,δi越大代表xq与xi两个状态的相关性越大。
需要指出的是,cos(αi)必须小于0,就意味着角αi<90°,因为如果αi>90°,这两个向量就不会被认为是相似的,在建立局部模型时,对应在数据集中的状态xi就会被舍去。
当δi满足预定相似度时,将历史数据添加到子数据集。
对于步骤106,在一个实施例中:将子数据集作为训练样本。
设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;预定单位矩阵的维数与训练样本中数据的数量相同。
根据预定协方差函数、预定观测白噪声的方差和预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵。
根据训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数。
对似然函数对超参数求偏导数,得到似然函数偏导数,并令似然函数偏导数等于0,得到似然函数偏微分方差组。
根据超参数初值,对似然函数偏微分方差进行求解,得到最优的超参数预测值。
根据训练数据输入值、输入值对应的输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
因为子数据集的数据数量n远远小于预设历史数据库的数据量N,即n<<N,对于协方差矩阵求逆的计算要求就会显著降低。因此,该算法能够更好地满足实时性要求。
(1)基于高斯过程回归(GPR)的动态系统辨识方法
考虑一个非线性动态系统,其过程难以用显式数学公式表达。因此,只能根据系统的输入和输出数据推断其过程模型,即系统辨识。高斯过程回归(GPR)是利用历史数据预测过程当前输出的一种经典而有效的方法。发明中提出一种多输入多输出非线性动态系统辨识与预测的高斯过程回归方法。考虑一个具有多个输入和输出的回归模型,其中输出依赖于如下控制输入和延迟输出:
y(t)=f(yT(t-1),yT(t-2),...,yT(t-l),uT(t),uT(t-1),uT(t-2)∣,...,uT(t-l))+ε
其中u=[u1,u2,...,ud]T和y=[y1,y2,...,ym]T分别输入和输出向量,其中d和m表示u和y的维度,分别是系统的输入和输出的数量。ε为白噪声;t表示连续的样本数据个数。x(t)是状态向量,由历史l步的输出y和输入u构成:
x(t)=[yT(t-1),yT(t-2),...,yT(t-l),uT(t),uT(t-1),uT(t-2)∣,...,uT(t-l)]T
为了简化模型和减少计算量,我们假设的各个组成部分y在当前输出是独立的。因此,对y的预测可以分解成子问题yi=f(x)+ε,这是对y每个元素的预测。
(2)高斯过程先验模型
高斯函数是最简单和最常见的先验函数类型。高斯过程建模假设f(x)是在x点上的高斯随机变量其中μ和σ是独立的常数。变量样本上的多元高斯联合分布可以表示为其中∑∈RN×N是一个矩阵,∑pq可以表达为∑pq=C(xp,xq)表示f(xp)和f(xq)之间的协方差。协方差函数C(·,·)可以是任何形式,常见的形式是:
其中D是x的维数;θi>0是xi在f(x)中重要性的参数;参数υ1控制变分垂直刻度。
(2)模型参数估计
K=∑pq+υ0δpq
其中:
给定n个历史状态点x1,…,xN和目标输出y1,…,yN。通过概率分布p(Y|X,θ)给出训练数据的似然函数
其中Y=[y1,…,yn]T∈RN×1是训练目标输出,X=[x1,…,xn]T∈RN×D是训练状态,θ=[υ0,υ1,θ1,…θD]T是超参数向量,K∈RN×N为训练协方差矩阵。超参数可以通过最大化似然函数来估计:
其中,优化需要计算每一个超参数的偏导数:
令每一个超参数的偏导数等于0,得到超参数的偏微分方程组,结合预定超参数初值,对偏微分方程组进行求解得到超参数的最优估计值。
这里,计算要求可能很大,因为有一个对N×N阶矩阵K求逆计算的要求,在发明中这个问题可以通过即时学习(简称:JIT)的天然优势来解决。
(3)预测
μ(x*)=k(x*)TK-1Y
σ2(x*)=k(x*)-k(x*)TK-1k(x*)
其中,k(x*)=[C(x1,x*),...,C(xN,x*)]T是测试状态数据和训练状态数据的协方差向量,k(x*)=C(x*,x*)是测试集状态数据和其自身的协方差。
所以,对于Y*的无偏估计为:其均方误差为S=σ2(x*)。对于步骤112,在一个实施例中,获取待测系统正常时和有故障时系统故障输入值、对应的系统故障目标输出值以及对应的故障状态标签;将系统输入值和对应的系统目标输出值作为故障数据库;根据故障数据库、待测样本和预定相似度,得到一次局部模型子数据集;根据一次局部模型子数据集,利用高斯过程回归算法,得到一次局部模型;根据系统故障输入值,利用一次局部模型,得到预测系统故障输出值;根据预测系统故障输出值、系统故障输入值对应的系统故障目标输出值以及故障输入状态对应的故障状态标签,得到预设历史残差值和与历史残差数据对应的故障状态标签。
待测系统有故障时的每一个历史数据,都会根据故障状态的类别按照预先设定的规则约定故障状态标签。
预设历史残差值是根据系统正常时和有故障时的系统故障输入值和对应系统故障目标输出值采用即时高斯过程回归的方法得到一次局部模型,然后将故障输入作为一次局部模型的输入值,得到预测系统故障输出值与系统故障目标输出值之间的残差值。
为了生成残差用于故障检测和诊断,采用即时高斯过程回归作为过程模型,模拟实际过程的非线性和动态行为。即时高斯过程回归的预测结果与实际输出结果之间的差异就是故障检测的残差。残差消除了系统的动力学和非线性,提取了系统运行的关键信息。然后利用数据驱动的方法对残差进行分析,得出系统的检测结论报告。残差由下式产生:
对于步骤114,在一个实施例中,设置预设极限学习机神经网络的层数,预设极限学习机神经网络由输入层、隐含层和输出层三层组成;设置预设极限学习机神经网络的输入节点数量、预设极限学习机神经网络的隐含节点数量和预设极限学习机神经网络的输出节点数量;其中输入节点数量为历史残差值的数量,输出节点的个数为故障类别数。设置预设极限学习机神经网络的隐含层节点与预设极限学习机神经网络的输入层节点之间的第一权重向量值和预设极限学习机神经网络的隐含层节点的阈值,设置隐含层的激活函数。
根据层数、输入节点数量、隐含节点数量、输出节点数量、第一权重向量值、阈值以及激活函数,得到预设极限学习机神经网络。
根据故障状态标签确定期望输出,期望输出是一个二元向量,故障状态标签的数值对应位置元素的数值为1、其余位置元素的数值为0。
将历史残差值和期望输出作为训练数据,将训练数据输入到预设极限学习机神经网络,对预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
极限学习机是一种基于单隐层前馈神经网络(SLFNs)的机器学习方法,其隐含层参数由任意方式生成。图2所示为极限学习机(ELM)的网络结构。与单层感知器、支持向量机(SVM)等其他学习方法相比,极限学习机在学习速度和泛化能力方面具有优势。
极限学习机用于故障分类的原理如下,当一个单隐层前馈神经网络的输入是一个m维向量r,则输出为:
其中L表示隐含层节点的数量;wi=[wi1,...,wim]T连接输入和第i个隐含节点的输入权重向量;βi=[βi1,...,βio]Tis第i个隐含节点的输出权向量,其中o为输出节点的个数;g(·)为隐含层的激活函数,bi表示第i个隐含节点的阈值;hi(r)为输入r的第i个隐含节点的输出。
Hβ=T
其中:
H是隐含层输出矩阵,Hij是ri通过第j个隐含节点的输出,其可以在分配随机隐含节点参数(wj,bj)后进行计算得出。最小范数最小二乘解由下式得出
其中H+是H的Moore-Penrose广义逆。对于分类问题,极限学习机可以设置为多输出结构,输出节点的个数为分类数。如果分类标签为k,期望输出为其中第k的元素为1其余为0。对于多类问题,测试输入的预测类为输出节点的索引个数最大。使其中第j个节点的输出,那么对于r的分类结果为:
对于步骤116,在一个实施例中,将残差值输入到离线极限学习机分类模型进行故障诊断,得到故障报警信号和故障类型。
系统故障诊断方案的技术原理:将即时高斯过程回归算法(JITGRP)用于系统监控和极限学习机(ELM)用于故障识别相结合,简称即时高斯过程回归加极限学习机方法(JITGPR-ELM)。首先,即时高斯过程回归作为考虑过程非线性和动态的系统模型,对输出进行估计。通过比较预测的输出和实际的系统输出,可以得到残差。然后,在第二阶段,利用极限学习机(ELM)故障诊断模型对残差进行分析,判断故障是否存在以及故障类型,其中,将残差向量数据与对应的故障状态标签相结合,通过网络训练生成极限学习机模型。
为了建立即时高斯过程回归数据库,需要大量的离线正常数据。当前样本需要进行预测时,根据相似性度量,找出数据库中最相关的数据,建立局部模型。通过优化计算得到的超参数建立高斯过程回归局部模型。然后,由分布均值得到当前样本的输出预测,继而计算残差。
即时高斯过程回归建模后,将残差输入到极限学习机(ELM)故障诊断模型中,该模型的输出为代表故障状态决策的识别向量。为了训练离线极限学习机识别模型,需要不同的故障状态数据(包括正常数据和各种故障类型数据)。然后,利用即时高斯过程回归计算的训练数据和相应的目标标签的残差对极限学习机网络进行训练。在在线阶段,利用离线极限学习机(ELM)模型进行故障诊断决策。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种系统诊断装置,包括:预设历史数据库获取模块、待测样本获取模块、子数据集确定模块、局部模型确定模块、预测输出值确定模块、残差值确定模块、故障状态和历史残差获取模块、极限学习机分类模型确定模块以及故障诊断模块,其中:
预设历史数据库获取模块,用于获取待测系统正常时的预设历史数据库;
待测样本获取模块,用于获取待测系统的当前输入值和当前输入值对应的当前输出值,将当前输入值和当前输出值作为待测样本;
子数据集确定模块,用于根据预设历史数据库、待测样本和预定相似度,得到子数据集。
局部模型确定模块,用于根据子数据集,利用高斯过程回归算法,得到即时局部模型。
预测输出值确定模块,用于根据当前输入值,利用即时局部模型,得到预测输出值。
残差值确定模块,用于根据预测输出值和当前输出值,得到预测输出值与当前输出值之间的残差值。
故障状态和历史残差获取模块,用于获取待测系统正常时和有故障时的预设历史残差值和与历史残差数据对应的故障状态标签。
极限学习机分类模型确定模块,用于根据历史残差值和故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
故障诊断模块,用于根据残差值和离线极限学习机分类模型,得到故障报警信号和故障类型。
在其中一个实施例中:局部模型确定模块,还用于:将子数据集作为训练样本;设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;预定单位矩阵的维数与训练样本中数据的数量相同;根据预定协方差函数、预定观测白噪声的方差和预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵;根据训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数;对似然函数对超参数求偏导数,得到似然函数偏导数,并令似然函数偏导数等于0,得到似然函数偏微分方差组;根据超参数初值,对似然函数偏微分方差进行求解,得到最优的超参数预测值。根据训练数据输入值、输入值对应的输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
在其中一个实施例中,局部模型确定模块还用于:将子数据集作为训练样本。设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;预定单位矩阵的维数与训练样本中数据的数量相同。根据预定协方差函数、预定观测白噪声的方差和预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵。根据训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数。对似然函数对超参数求偏导数,得到似然函数偏导数,并令似然函数偏导数等于0,得到似然函数偏微分方差组。根据超参数初值,对似然函数偏微分方差进行求解,得到最优的超参数预测值。根据训练数据输入值、输入值对应的输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
在其中一个实施例中,故障状态和历史残差获取模块还用于:获取待测系统有故障时系统故障输入值、对应的系统故障目标输出值以及对应的故障状态标签。将系统输入值和对应的系统目标输出值作为故障数据库。根据故障数据库、待测样本和预定相似度,得到一次局部模型子数据集。根据一次局部模型子数据集,利用高斯过程回归算法,得到一次局部模型。根据系统故障输入值,利用一次局部模型,得到预测系统故障输出值。根据预测系统故障输出值、系统故障输入值对应的系统故障目标输出值以及故障输入状态对应的故障状态标签,得到预设历史残差值和与历史残差数据对应的故障状态标签。
在其中一个实施例中,极限学习机分类模型确定模块还用于:设置预设极限学习机神经网络的层数,预设极限学习机神经网络由输入层、隐含层和输出层三层组成。设置预设极限学习机神经网络的输入节点数量、预设极限学习机神经网络的隐含节点数量和预设极限学习机神经网络的输出节点数量;其中输入节点数量为历史残差值的数量,输出节点的个数为故障类别数。设置预设极限学习机神经网络的隐含层节点与预设极限学习机神经网络的输入层节点之间的第一权重向量值和预设极限学习机神经网络的隐含层节点的阈值,设置隐含层的激活函数。根据层数、输入节点数量、隐含节点数量、输出节点数量、第一权重向量值、阈值以及激活函数,得到预设极限学习机神经网络。根据故障状态标签确定期望输出,期望输出是一个二元向量,故障状态标签的数值对应位置元素的数值为1、其余位置元素的数值为0。将历史残差值和期望输出作为训练数据,将训练数据输入到预设极限学习机神经网络,对预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
在其中一个实施例中,故障诊断模块还用于:将残差值输入到离线极限学习机分类模型进行故障诊断,得到故障报警信号和故障类型。
关于系统故障诊断装置的具体限定可以参见上文中对于系统故障诊断方法的限定,在此不再赘述。上述系统故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种系统故障诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待测系统正常时的预设历史数据库。
获取待测系统的当前输入值和当前输入值对应的当前输出值,将当前输入值和当前输出值作为待测样本。
根据预设历史数据库、待测样本和预定相似度,得到子数据集。
根据子数据集,利用高斯过程回归算法,得到即时局部模型。
根据当前输入值,利用即时局部模型,得到预测输出值。
根据预测输出值和当前输出值,得到预测输出值与当前输出值之间的残差值。
获取待测系统正常时和有故障时的预设历史残差值和与历史残差数据对应的故障状态标签。
根据历史残差值和故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
根据残差值,利用离线极限学习机分类模型,得到故障报警信号和故障类型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待测系统正常时的预设历史数据库。
获取待测系统的当前输入值和当前输入值对应的当前输出值,将当前输入值和当前输出值作为待测样本。
根据预设历史数据库、待测样本和预定相似度,得到子数据集。
根据子数据集,利用高斯过程回归算法,得到即时局部模型。
根据当前输入值,利用即时局部模型,得到预测输出值。
根据预测输出值和当前输出值,得到预测输出值与当前输出值之间的残差值。
获取待测系统正常时和有故障时的预设历史残差值和与历史残差数据对应的故障状态标签。
根据历史残差值和故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
根据残差值,利用离线极限学习机分类模型,得到故障报警信号和故障类型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中,以无人车辆系统故障诊断为例,验证上述系统故障诊断算法的有效性。如图5所示,实验平台为带有线控转向(SBW)系统的轮式电动汽车。线控转向系统作为新一代转向系统,依靠电气系统代替传统的机械传动机构实现自主转向,成为车辆辅助或无人驾驶底盘的基础和保障。然而,电力系统的可靠性和安全性是一个值得关注的问题。这个案例研究考虑线对控转向系统中方向盘转角传感器、横摆角速度传感器和侧向加速度传感器的故障诊断。
故障诊断实验设计包括方向盘转角、横摆角速度和侧向加速度三种传感器故障。传感器的故障形式主要分为:传感器卡死、传感器恒增益变化、传感器恒偏差故障。在实验设计中,目的是通过分析观测值和预测输出值之间的残差的性能来检测和识别不同传感器故障,这就需要建立一个局部模型来计算预测输出来产生残差。需要指出的是,在某一时间内,一个部件可能发生故障,但两个或多个部件同时发生故障几乎是不可能的,因此在研究中可以忽略多个部件发生故障的可能性。因此,故障诊断的逻辑是:传感器对方向盘转角进行观测,将观测值作为车辆动力学的输入,得到当前输入值,估计横摆角速度和侧向加速度作为车辆动力学的输出,得到预测输出值。当横摆角速度和侧向加速度传感器的其中一个发生故障时,相应输出的观测值(即:当前输出值)与预测输出值之间的残差值将增大。另一种情况是方向盘角度传感器发生故障,这意味着对局部模型输入的观测是一个误差值。在这种情况下,对应两个输出(横摆角速度和侧向加速度)的残差值都将增加。虽然知道故障诊断的逻辑,但精确的残差阈值是我们无法掌握的。由于需要通过对方向盘转角的观测来估计横摆角速度和侧向加速度,因此需要考虑车辆的侧向动力学模型,这是一个动态非线性系统,很难用数学公式建立精确的模型。发明中提出的数据驱动方法,实验数据位置和车辆试验轨迹如图6所示,共采集10800个输入输出数据样本,频率为10Hz。
由于在测试过程中几乎不可能出现传感器的实际故障,为了在实验中模拟故障,我们将故障信号叠加在传感器信号上,以测试故障状态下系统故障诊断方法的效率。从收集到的10800个样本数据中,选择前6000个样本构建支持在线即时高斯过程回归算法的正常数据库,即预设历史数据库,建立过程的即时局部模型。从第6001~10000个样本构建故障识别训练数据库,共4000个样本,训练ELM网络进行故障决策将这4000个样本分为4类,每类1000个样本,分别标记为故障、故障1(横摆角速度传感器故障)、故障2(侧向加速度传感器故障)和故障3(方向盘转角传感器故障)4种故障状态。通过添加不同类型的故障信号得到故障样本。最后,将剩余的800个样本组成测试集进行算法测试,并将测试集分为4组,每组200个样本分别对应上述4种故障状态。200个正常样本的横摆角速度和横向加速度的估计结果如图7和图8所示。图9为使用JITGPR算法横摆角速度的归一化残差结果,图10使用JITGPR算法横向加速度的归一化残差结果,图11为使用JIT算法横摆角速度的归一化残差结果,图12使用JIT算法横向加速度的归一化残差结果。最后的算法的故障诊断结果正确率为99.9%。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种系统故障诊断方法,其特征在于,所述方法包括:
获取待测系统正常时的预设历史数据库;
获取待测系统的当前输入值和当前输入值对应的当前输出值,将所述当前输入值和所述当前输出值作为待测样本;
根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集;
根据所述子数据集,利用高斯过程回归算法,得到即时局部模型;
根据所述当前输入值,利用所述即时局部模型,得到预测输出值;
根据所述预测输出值和所述当前输出值,得到所述预测输出值与所述当前输出值之间的残差值;
获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签;
根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型;
根据所述残差值,利用所述离线极限学习机分类模型,得到故障报警信号和所述故障类型。
2.根据权利要求1所述的方法,其特征在于,根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集,包括:
设置权重参数,所述权重参数是大于等于0小于等于1的实数;
设置子数据集为空;
根据所述历史数据库中相邻两个相邻时刻的历史数据,得到历史差向量;
根据两个相邻时刻所述待测样本,得到待测样本差向量;
根据所述历史差向量和所述待测样本差向量,得到所述历史差向量和所述待测样本差向量之间的夹角;
根据所述预设历史数据库、所述待测样本、所述权重参数以及所述夹角的余弦值,得到所述预设历史数据库与所述待测样本的相似度;
当所述相似度满足预定相似度时,将所述历史数据添加到子数据集。
3.根据权利要求1所述的方法,其特征在于,根据所述子数据集,利用高斯过程回归算法,得到即时局部模型,包括:
将所述子数据集作为训练样本;
设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;所述预定单位矩阵的维数与所述训练样本中数据的数量相同;
根据所述预定协方差函数、所述预定观测白噪声的方差和所述预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵;
根据所述训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数;
对所述似然函数对超参数求偏导数,得到似然函数偏导数,并令所述似然函数偏导数等于0,得到似然函数偏微分方差组;
根据所述超参数初值,对所述似然函数偏微分方差进行求解,得到最优的超参数预测值;
根据所述训练数据输入值、所述输入值对应的所述输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
4.根据权利要求1项所述的方法,其特征在于,获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签,包括:
获取所述待测系统有故障时系统故障输入值、对应的系统故障目标输出值以及对应的故障状态标签;
将所述系统输入值和对应的所述系统目标输出值作为故障数据库;
根据所述故障数据库、所述待测样本和所述预定相似度,得到一次局部模型子数据集;
根据所述一次局部模型子数据集,利用高斯过程回归算法,得到一次局部模型;
根据所述系统故障输入值,利用所述一次局部模型,得到预测系统故障输出值;
根据所述预测系统故障输出值、所述系统故障输入值对应的系统故障目标输出值以及所述故障输入状态对应的所述故障状态标签,得到所述预设历史残差值和与所述历史残差数据对应的故障状态标签。
5.根据权利要求1所述的方法,其特征在于,根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型,包括:
设置预设极限学习机神经网络的层数,所述预设极限学习机神经网络由输入层、隐含层和输出层三层组成;
设置所述预设极限学习机神经网络的输入节点数量、所述预设极限学习机神经网络的隐含节点数量和所述预设极限学习机神经网络的输出节点数量;其中所述输入节点数量为所述历史残差值的数量,所述输出节点的个数为故障类别数;
设置所述预设极限学习机神经网络的隐含层节点与所述预设极限学习机神经网络的输入层节点之间的第一权重向量值和所述预设极限学习机神经网络的隐含层节点的阈值,设置所述隐含层的激活函数;
根据所述层数、所述输入节点数量、所述隐含节点数量、所述输出节点数量、所述第一权重向量值、所述阈值以及所述激活函数,得到预设极限学习机神经网络;
根据所述故障状态标签确定期望输出,所述期望输出是一个二元向量,所述故障状态标签的数值对应位置元素的数值为1、其余位置元素的数值为0;
将所述历史残差值和所述期望输出作为训练数据,将所述训练数据输入到所述预设极限学习机神经网络,对所述预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型。
6.根据权利要求1所述的方法,其特征在于,根据所述残差值,利用所述离线极限学习机分类模型,得到故障报警信号和所述故障类型,包括:
将所述残差值输入到所述离线极限学习机分类模型进行故障诊断,得到故障报警信号和所述故障类型。
7.一种系统故障诊断装置,其特征在于,所述装置包括:
预设历史数据库获取模块,用于获取待测系统正常时的预设历史数据库;
待测样本获取模块,用于获取待测系统的当前输入值和所述当前输入值对应的当前输出值,将所述当前输入值和所述当前输出值作为待测样本;
子数据集确定模块,用于根据所述预设历史数据库、所述待测样本和预定相似度,得到子数据集;
局部模型确定模块,用于根据所述子数据集,利用高斯过程回归算法,得到即时局部模型;
预测输出值确定模块,用于根据所述当前输入值,利用所述即时局部模型,得到预测输出值;
残差值确定模块,用于根据所述预测输出值和所述当前输出值,得到所述预测输出值与所述当前输出值之间的残差值;
故障状态和历史残差获取模块,用于获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签;
极限学习机分类模型确定模块,用于根据所述历史残差值和所述故障状态标签,利用预设极限学习机神经网络进行训练,得到离线极限学习机分类模型和代表故障状态决策的故障类型;
故障诊断模块,用于根据所述残差值和所述离线极限学习机分类模型,得到故障报警信号和所述故障类型。
8.根据权利要求1所述的方法,其特征在于,局部模型确定模块,还用于:
将所述子数据集作为训练样本;
设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵;所述预定单位矩阵的维数与所述训练样本中数据的数量相同;
根据所述预定协方差函数、所述预定观测白噪声的方差和所述预定单位矩阵,基于高斯先验概率框架,确定训练样本中系统输出的协方差矩阵;
根据所述训练样本中的训练数据的输入值、超参数向量,建立训练样本条件概率的负对数似然函数;
对所述似然函数对超参数求偏导数,得到似然函数偏导数,并令所述似然函数偏导数等于0,得到似然函数偏微分方差组;
根据所述超参数初值,对所述似然函数偏微分方差进行求解,得到最优的超参数预测值;
根据所述训练数据输入值、所述输入值对应的所述输出值以及超参数预测值,基于高斯后验概率框架,得到即时局部模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169664.0A CN112907781B (zh) | 2021-02-07 | 2021-02-07 | 一种系统故障诊断方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169664.0A CN112907781B (zh) | 2021-02-07 | 2021-02-07 | 一种系统故障诊断方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907781A true CN112907781A (zh) | 2021-06-04 |
CN112907781B CN112907781B (zh) | 2022-08-19 |
Family
ID=76124446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110169664.0A Active CN112907781B (zh) | 2021-02-07 | 2021-02-07 | 一种系统故障诊断方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907781B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113746668A (zh) * | 2021-08-09 | 2021-12-03 | 中铁信弘远(北京)软件科技有限责任公司 | 一种应用进程故障预测方法、装置、设备及可读存储介质 |
CN113836820A (zh) * | 2021-10-20 | 2021-12-24 | 联想新视界(江西)智能科技有限公司 | 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法 |
US20220017141A1 (en) * | 2020-07-17 | 2022-01-20 | Toyota Jidosha Kabushiki Kaisha | Automatic steering system and automatic steering method |
CN114383648A (zh) * | 2021-12-10 | 2022-04-22 | 国家能源集团岳阳发电有限公司 | 一种温度仪表故障诊断方法及装置 |
CN114666882A (zh) * | 2022-04-25 | 2022-06-24 | 浙江省通信产业服务有限公司 | 一种功率控制方法、装置、基站及存储介质 |
CN114821858A (zh) * | 2022-04-29 | 2022-07-29 | 东风商用车有限公司 | 一种车辆指标异常的图示方法、装置、设备及存储介质 |
CN114866402A (zh) * | 2022-05-07 | 2022-08-05 | 安徽凯炎电力保护设备有限公司 | 一种系统数据动态对比方法 |
CN115174191A (zh) * | 2022-06-30 | 2022-10-11 | 山东云海国创云计算装备产业创新中心有限公司 | 一种局部预测值安全传输方法、计算机设备和存储介质 |
CN115310561A (zh) * | 2022-09-29 | 2022-11-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于集成即时学习的电磁阀故障监测方法 |
WO2023197711A1 (zh) * | 2022-04-11 | 2023-10-19 | 青岛海信日立空调系统有限公司 | 多联机空调系统、故障定位方法及故障诊断模型训练方法 |
CN117370877A (zh) * | 2023-12-06 | 2024-01-09 | 长春理工大学 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120279339A1 (en) * | 2009-11-19 | 2012-11-08 | John Arthur Notaras | Tiller transmission comprising two cascade connected gear trains |
CN106325264A (zh) * | 2016-11-04 | 2017-01-11 | 山东科技大学 | 一种无人机飞行控制系统的故障可分离性评价方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN108427400A (zh) * | 2018-03-27 | 2018-08-21 | 西北工业大学 | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 |
CN108680818A (zh) * | 2018-05-07 | 2018-10-19 | 中南大学 | 一种三电平牵引变流器开路故障诊断方法及系统 |
CN111546854A (zh) * | 2020-06-18 | 2020-08-18 | 中南大学 | 一种智能列车空调机组在途识别与诊断方法 |
CN111913475A (zh) * | 2020-08-07 | 2020-11-10 | 清华大学 | 动态系统中故障检测方法、检测器以及存储介质 |
-
2021
- 2021-02-07 CN CN202110169664.0A patent/CN112907781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120279339A1 (en) * | 2009-11-19 | 2012-11-08 | John Arthur Notaras | Tiller transmission comprising two cascade connected gear trains |
CN106325264A (zh) * | 2016-11-04 | 2017-01-11 | 山东科技大学 | 一种无人机飞行控制系统的故障可分离性评价方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN108427400A (zh) * | 2018-03-27 | 2018-08-21 | 西北工业大学 | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 |
CN108680818A (zh) * | 2018-05-07 | 2018-10-19 | 中南大学 | 一种三电平牵引变流器开路故障诊断方法及系统 |
CN111546854A (zh) * | 2020-06-18 | 2020-08-18 | 中南大学 | 一种智能列车空调机组在途识别与诊断方法 |
CN111913475A (zh) * | 2020-08-07 | 2020-11-10 | 清华大学 | 动态系统中故障检测方法、检测器以及存储介质 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11608108B2 (en) * | 2020-07-17 | 2023-03-21 | Toyota Jidosha Kabushiki Kaisha | Automatic steering system and automatic steering method |
US20220017141A1 (en) * | 2020-07-17 | 2022-01-20 | Toyota Jidosha Kabushiki Kaisha | Automatic steering system and automatic steering method |
CN113746668B (zh) * | 2021-08-09 | 2024-04-02 | 中铁信弘远(北京)软件科技有限责任公司 | 一种应用进程故障预测方法、装置、设备及可读存储介质 |
CN113746668A (zh) * | 2021-08-09 | 2021-12-03 | 中铁信弘远(北京)软件科技有限责任公司 | 一种应用进程故障预测方法、装置、设备及可读存储介质 |
CN113836820A (zh) * | 2021-10-20 | 2021-12-24 | 联想新视界(江西)智能科技有限公司 | 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法 |
CN114383648A (zh) * | 2021-12-10 | 2022-04-22 | 国家能源集团岳阳发电有限公司 | 一种温度仪表故障诊断方法及装置 |
WO2023197711A1 (zh) * | 2022-04-11 | 2023-10-19 | 青岛海信日立空调系统有限公司 | 多联机空调系统、故障定位方法及故障诊断模型训练方法 |
CN114666882B (zh) * | 2022-04-25 | 2024-01-02 | 浙江省通信产业服务有限公司 | 一种功率控制方法、装置、基站及存储介质 |
CN114666882A (zh) * | 2022-04-25 | 2022-06-24 | 浙江省通信产业服务有限公司 | 一种功率控制方法、装置、基站及存储介质 |
CN114821858A (zh) * | 2022-04-29 | 2022-07-29 | 东风商用车有限公司 | 一种车辆指标异常的图示方法、装置、设备及存储介质 |
CN114866402A (zh) * | 2022-05-07 | 2022-08-05 | 安徽凯炎电力保护设备有限公司 | 一种系统数据动态对比方法 |
CN115174191A (zh) * | 2022-06-30 | 2022-10-11 | 山东云海国创云计算装备产业创新中心有限公司 | 一种局部预测值安全传输方法、计算机设备和存储介质 |
CN115174191B (zh) * | 2022-06-30 | 2024-01-09 | 山东云海国创云计算装备产业创新中心有限公司 | 一种局部预测值安全传输方法、计算机设备和存储介质 |
CN115310561A (zh) * | 2022-09-29 | 2022-11-08 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于集成即时学习的电磁阀故障监测方法 |
CN115310561B (zh) * | 2022-09-29 | 2022-12-20 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种基于集成即时学习的电磁阀故障监测方法 |
CN117370877A (zh) * | 2023-12-06 | 2024-01-09 | 长春理工大学 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
CN117370877B (zh) * | 2023-12-06 | 2024-04-26 | 长春理工大学 | 一种基于多元传感器与ipso-gpr的农机故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112907781B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112907781B (zh) | 一种系统故障诊断方法、装置、计算机设备和存储介质 | |
Ibrahim et al. | Machine learning methods for spacecraft telemetry mining | |
Zemouri et al. | Recurrent radial basis function network for time-series prediction | |
Patton et al. | Soft computing approaches to fault diagnosis for dynamic systems: a survey | |
Ji et al. | Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network | |
CN113391622B (zh) | 利用多元多步预测技术的航天器姿态系统异常检测方法 | |
El-Koujok et al. | Multiple sensor fault diagnosis by evolving data-driven approach | |
Cen et al. | A gray-box neural network-based model identification and fault estimation scheme for nonlinear dynamic systems | |
Subrahmanya et al. | A data-based framework for fault detection and diagnostics of non-linear systems with partial state measurement | |
Baioumy et al. | Fault-tolerant control of robot manipulators with sensory faults using unbiased active inference | |
Farahani et al. | Fault diagnosis of control moment gyroscope using optimized support vector machine | |
Zhang et al. | Dynamic learning-based fault tolerant control for robotic manipulators with actuator faults | |
Babu et al. | Meta-cognitive regression neural network for function approximation: application to remaining useful life estimation | |
Bakhtiaridoust et al. | Data-driven fault detection and isolation of nonlinear systems using deep learning for Koopman operator | |
Pettersson et al. | Model-free execution monitoring in behavior-based robotics | |
Lakhal et al. | Interval-based solutions for reliable and safe navigation of intelligent autonomous vehicles | |
Vishnu et al. | Data-driven prognostics with predictive uncertainty estimation using ensemble of deep ordinal regression models | |
Patton et al. | A study on neuro-fuzzy systems for fault diagnosis | |
Rinner et al. | Online monitoring by dynamically refining imprecise models | |
Zemouri et al. | Towards accurate and reproducible predictions for prognostic: An approach combining a RRBF network and an autoRegressive model | |
Rivera Torres et al. | Multiple fault diagnosis in manufacturing processes and machines using probabilistic boolean networks | |
Zhang et al. | A data-driven fault detection and diagnosis method via just-in-time learning for unmanned ground vehicles | |
Yen et al. | Winner take all experts network for sensor validation | |
Taburoğlu | A survey on anomaly detection and diagnosis problem in the space system operation | |
Wang et al. | Nonlinear system identification and fault detection using hierarchical clustering analysis and local linear models |
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 |