CN116484753B - 融合机器学习和物理模型的发射阵故障诊断方法及装置 - Google Patents
融合机器学习和物理模型的发射阵故障诊断方法及装置 Download PDFInfo
- Publication number
- CN116484753B CN116484753B CN202310746929.8A CN202310746929A CN116484753B CN 116484753 B CN116484753 B CN 116484753B CN 202310746929 A CN202310746929 A CN 202310746929A CN 116484753 B CN116484753 B CN 116484753B
- Authority
- CN
- China
- Prior art keywords
- array
- random forest
- fault
- model
- transmitting array
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 84
- 238000010801 machine learning Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 18
- 238000003491 array Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种融合机器学习和物理模型的发射阵故障诊断方法及装置,所述方法包括:分别利用随机森林模型和物理模型进行发射阵故障诊断;当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障。本发明融合机器学习和传统物理模型,通过采用随机森林算法,在减少数据处理和模型复杂度的同时,使模型可解释;同时设计对应的硬件和软件架构,将机器学习和物理模型相互协调,实现更加准确和可靠的故障诊断,以满足近场聚焦发射阵数据量大,实时性、可靠性要求高的应用场景。
Description
技术领域
本发明涉及发射阵故障诊断技术领域,具体而言,涉及一种融合机器学习和物理模型的发射阵故障诊断方法及装置。
背景技术
目前,微波领域和人工智能之间的关系越来越密切,这将在未来为发射机及阵列的性能、可靠性等方面带来更多的创新和改进。大功率发射阵在近场测试应用中距离被测物很近,反射较高,面临恶劣的工作环境,会出现如过反射、过功率、过激励、过温、过流等问题,若保护不及时,可能会导致器件损坏。传统的故障检测方法通常采用门限比较法进行,将监测数据与预设门限进行比较,超过门限时触发对应的保护,其故障检测架构如图1所示。
图1中主控系统M1与多组FPGA(F1~Fm)通过高速串行接口通信,主要完成远程控制与本地控制的快速转换。各FPGA通过TTL、AD等信号引脚直接和n个放大通道A1~An连接,采集输入功率、输出功率、反射功率、电流、温度等指标,当某一个值超过设定的门限时,FPAG就会触发故障保护,关闭放大通道。
这种方法通常基于物理模型或经验模型,需要准确的物理参数或多年的技术经验对门限进行评估和设置,耗时耗力。它受限于人工设置的门限,只能检测已设置的故障,不但会出现过保护或欠保护,并且对温度、负载阻抗、激励大小等外部条件的发生变化的适应性不强。
随着计算机技术和机器学习技术的快速发展,越来越多的研究开始探索使用机器学习方法来解决故障诊断的问题。其具有自适应、高精度、高时效和预测未知故障模式的能力。这将有助于提高发射阵的可靠性,并减少维护时间和成本。机器学习的主要流程如图2所示。
目前,使用机器学习方法进行发射机故障诊断的研究主要集中在两个方向:基于神经网络的方法和基于支持向量机的方法。然而,这些方法仍然存在一些问题:
1、计算量大复杂度高:神经网络和支持向量机需要大量的计算资源来训练模型和进行故障诊断,但实际发射阵的数据样本虽多,但有效的故障数据较少,实际要获得足够的故障数据需要较长的时间和较高的成本。
2、结构复杂且不可解释:使用传统的神经网络或支持向量机,模型结构较为复杂,需要较多的时间进行调试。特别是神经网络生成的模型通常为黑盒子,难以解释。
3、实时性较差:由于神经网络和支持向量机对数据的预处理非常敏感,因此需要对采集的数据进行较复杂的处理,并且它们生成的模型也较复杂,这导致在相同算力的情况下,得到判断结果的时间较长。而发射阵列在实际应用中需要实时监测和预测,要在保证预测准确性的同时提高实时性。
因此,为了解决发射阵列故障诊断计算量大复杂度高、结构复杂且不可解释、实时性较差的问题,需要采用更高效、更准确的方法。同时,选择合适的算法、对数据进行预处理、优化算法参数,以提高故障诊断的准确性和稳定性,也是当前研究的难点之一。
发明内容
本发明旨在提供一种融合机器学习和物理模型的发射阵故障诊断方法及装置,以解决发射阵列故障诊断计算量大复杂度高、结构复杂且不可解释、实时性较差的问题,同时提高故障诊断的准确性和稳定性。
本发明提供的一种融合机器学习和物理模型的发射阵故障诊断方法,包括:
分别利用随机森林模型和物理模型进行发射阵故障诊断;
当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障。
在一个优选的实施例中,利用随机森林模型进行发射阵故障诊断的方法包括:
S100,采集发射阵的运行数据;
S200,对采集的运行数据进行预处理;
S300,对预处理后的运行数据进行时域特征提取;
S400,将预处理后的运行数据以及相应的时域特征构建为数据集;
S500,将数据集划分为训练集和数据集;
S600,使用训练集对随机森林模型进行训练;
S700,使用测试集对训练后的随机森林模型进行评估;
S800,将训练后并通过评估的随机森林模型应用到发射阵中,对当前采集的发射阵的运行数据输入到所述训练后并通过评估的随机森林模型进行故障诊断。
在一个优选的实施例中,步骤S100包括如下子步骤:
S101,采集发射阵的6类运行数据,包括输入功率、输出功率、反射功率、电流、电压和温度;
S102,将采集的发射阵的6类运行数据标记为正常状态或故障状态。
在一个优选的实施例中,步骤S300包括:
S301,对发射阵的6类运行数据分组;
S302,对每组运行数据进行平滑运算和归一化处理;
S303,对平滑运算和归一化处理的每组运行数据,提取若干种时域特征。
在一个优选的实施例中,所述时域特征包括最大值、最小值、峰值、平均值、方差、峰值度指数、偏度指数、峰值指数和裕度。
在一个优选的实施例中,随机森林模型和物理模型的发射阵故障诊断结果相互传递,以对方随机森林模型和物理模型进行优化。
本发明还提供一种融合机器学习和物理模型的发射阵故障诊断装置,包括依次连接的主控系统、机器学习处理模块和物理模型处理模块;
所述物理模型处理模块用于采集发射阵的运行数据,同时构成物理模型对采集的发射阵的运行数据进行发射阵故障诊断,并将采集的发射阵的运行数据以及物理模型的发射阵故障诊断结果经机器学习处理模块发送至主控系统;
所述机器学习处理模块用于运行随机森林模型,对采集的发射阵的运行数据进行发射阵故障诊断,并将随机森林模型的发射阵故障诊断结果发送至主控系统;所述随机森林模型为上述的融合机器学习和物理模型的发射阵故障诊断方法中的所述训练后并通过评估的随机森林模型;
所述主控系统用于根据随机森林模型和物理模型的发射阵故障诊断结果判断发射阵故障诊断结果,当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障。
在一个优选的实施例中,所述融合机器学习和物理模型的发射阵故障诊断装置,还包括与主控系统连接的显示系统,所述显示系统用于实现人机交互,以及显示采集的发射阵的运行数据、物理模型的发射阵故障诊断结果、随机森林模型的发射阵故障诊断结果、以及主控系统判断的发射阵诊断结果。
在一个优选的实施例中,所述机器学习处理模块由若干CPU构成。
在一个优选的实施例中,所述物理模型处理模块由若干FPGA构成。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明融合机器学习和传统物理模型,通过采用随机森林算法,在减少数据处理和模型复杂度的同时,使模型可解释;同时设计对应的硬件和软件架构,将机器学习和物理模型相互协调,实现更加准确和可靠的故障诊断,以满足近场聚焦发射阵数据量大,实时性、可靠性要求高的应用场景。具体地:
1、融合机器学习和物理模型,利用工作原理的先验知识指导机器学习,减少数据处理量和模型复杂度,使两种方式相互协调,提高故障诊断的准确性和可靠性。
2、采用多种方式对数据进行预处理,克服分类特征量较少、故障样本不足的问题,达到提升计算速度、降低所需资源的效果。并采用随机森林算法,减少数据总量,简化训练模型,使得模型可解释。
3、物理模型和机器学习两种方式相融合,在保证速度的同时提升可靠性,同时可以互相传递参数,持续优化各自的诊断准确度。物理模型采用FPAG硬件固化的方式,最大化响应速度,保证发射阵的基本安全。
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为传统物理模型的发射阵故障检测装置的架构图。
图2为机器学习的流程图。
图3为本发明实施例中融合机器学习和物理模型的发射阵故障诊断方法的流程图。
图4为本发明实施例中随机森林模型的发射阵故障诊断方法的流程图。
图5为本发明实施例中融合机器学习和物理模型的发射阵故障诊断装置的架构图。
图6为本发明实施例中融合机器学习和物理模型的发射阵故障诊断装置的运行流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明的设计原理是:在传统物理模型进行发射阵故障诊断的基础上,加入随机森林模型,从而融合随机森林模型和物理模型来进行发射阵故障诊断。由此,如图3所示,本实施例提出一种融合机器学习和物理模型的发射阵故障诊断方法,包括:
分别利用随机森林模型和物理模型进行发射阵故障诊断;其中,物理模型进行发射阵故障诊断的方法采用传统物理模型进行发射阵故障诊断的方法即可,在此不再赘述。
最终的发射阵故障诊断结果采用“逻辑或”的判断方式,即当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障。其中,随机森林模型和物理模型的发射阵故障诊断结果相互传递,以对方随机森林模型和物理模型进行优化,例如,在发射阵维护或升级时,确认随机森林模型得到了更优的诊断阈值,可以将其发射阵故障诊断结果传输给物理模型,更新物理模型中的诊断阈值。
如图4所示,利用随机森林模型进行发射阵故障诊断的方法包括:
S100,采集发射阵的运行数据;其中,采集发射阵的6类运行数据,包括输入功率、输出功率、反射功率、电流、电压和温度等,并将采集的发射阵的6类运行数据标记为正常状态或故障状态;
S200,对采集的运行数据进行预处理:根据物理模型和发射阵列的结构和工作原理的先验知识,结合各类运行数据的预设范围,分析各类运行数据的合理性和有效性,对运行数据进行清洗、去除异常值、缺失值填充等预处理操作,对运行数据进行规范化、去除明显不合理或者干扰数据,使得预处理后的运行数据能够被随机森林模型所接受;其中,根据发射阵列的结构和工作原理的先验知识指导机器学习进行数据预处理,能够减少机器学习的数据处理量和模型复杂度;
S300,特征工程:对预处理后的运行数据进行时域特征提取;
特征工程是随机森林模型训练前至关重要的一步,从运行数据中选取并提取最具有区分度的特征,结合物理模型和发射阵的原理,采用多种方式进行处理、变换、组合和提取,不同的方法可以从不同的角度描述数据的性质和特征,从而更全面地表征数据,并获得尽可能多的信息和特征。如平均值可以反映数据的中心趋势,方差可以反映数据的离散程度,最大值和最小值可以反映数据的范围和异常值等。因此,采用多种特征提取方法可以获得更全面、更准确的数据特征描述,有利于提高后续机器学习算法的准确性和可靠性,进而提高随机森林模型的预测性能。因此,该步骤S300包括:
S301,对发射阵的6类运行数据分组;采集的多种工况下的发射阵的运行数据包括输入功率、输出功率、反射功率、电流、电压、温度等6类数据。每类运行数据至少大于 1000个数据点,总共大于 6000 个数据点为一组。
S302,对每组运行数据进行平滑运算和归一化处理;
S303,对平滑运算和归一化处理的每组运行数据,提取若干种时域特征。本实施例中,提取9种时域特征,包括最大值、最小值、峰值、平均值、方差、峰值度指数、偏度指数、峰值指数和裕度。具体如下:
最大值:反映数据的上限
其中,为数据最大值,/>为第i个数据,数据总数为N,i的范围为1~N。
最小值:反映数据的下限
其中,为数据最小值,/>为第i个数据,数据总数为N,i的范围为1~N。
峰值:反映数据分布的集中程度
其中,为数据峰值,/>为数据最大值,/>为数据最小值。
平均值:反映数据的中心趋势
其中,为数据平均值,/>为第i个数据,数据总数为N,i的范围为1~N。
方差:反映数据的分散程度
其中,为数据方差,/>为第i个数据,/>为数据平均值,数据总数为N,i的范围为1~N。
峰度指数:反映数据分布形态的陡峭程度
其中,为数据峰度指数,/>为第i个数据,/>为数据平均值,数据总数为N,i的范围为1~N。
偏度指数:反映数据分布形态的不对称程度
其中,为数据偏度指数,/>为第i个数据,/>为数据平均值,数据总数为N,i的范围为1~N。
峰值指数:反映信号的瞬态特性
其中,为数据峰值指数,/>为第i个数据,/>为数据最大值,数据总数为N,i的范围为1~N。
裕度:反映信号的稳定性
其中,为数据裕度,/>为第i个数据,/>为数据最大值,数据总数为N,i的范围为1~N。
这些时域特征可以用于分析筛选运行数据的瞬态特性和稳定性,判断运行数据的分布是否符合预期,在这个过程中会到一些新的特征或信息,这些新的特征可以更好地反映运行数据的特性和结构,将其标准化,作为输入的一部分,供随机森林模型模型训练使用,更好地学习数据的模式、关联和规律,有利于提高随机森林模型的预测效果。
如平均值可以反映数据的趋势,这个平均值可以和其它运行数据组成输入向量,输入到随机森林模型中进行训练。平均值可以帮助模型学习到数据的整体趋势,有助于模型更好地理解数据的分布情况。
S400,将预处理后的运行数据以及相应的时域特征构建为数据集;
S500,将数据集划分为训练集和数据集;本实施例中,将数据集中的70%的数据作为训练集,将数据集中的30%的数据作为测试集(具体划分比例可以根据实际应用的需要进行设定);
S600,使用训练集对随机森林模型进行训练;在训练过程中调整随机森林算法参数,随机森林算法会构建多个决策树,每个决策树的输入都是部分数据集(bagging),以此提高随机森林模型的泛化能力,有效减少过拟合,提高模型的鲁棒性和准确性。
S700,使用测试集对训练后的随机森林模型进行评估,计算随机森林模型的精度、召回率和F1值等指标,判断随机森林模型的预测效果。根据随机森林模型的评估结果,优化随机森林模型的参数和特征选择策略,提高随机森林模型的预测精度和泛化能力。
S800,将训练后并通过评估的随机森林模型应用到发射阵中,对当前采集的发射阵的运行数据输入到所述训练后并通过评估的随机森林模型进行故障诊断,随机森林模型会返回该发射阵的运行数据的分类结果,即正常或具体的故障情况。
实施例2
基于实施例1提供的一种融合机器学习和物理模型的发射阵故障诊断方法,如图5所示,本实施例提供一种融合机器学习和物理模型的发射阵故障诊断装置,包括依次连接的主控系统M1、机器学习处理模块ML和物理模型处理模块PM;本实施例中,所述机器学习处理模块由若干CPU构成,即图5中的(C0~Cm);所述物理模型处理模块由若干FPGA构成,即图5中的FPGA(F1~Fm)。
所述物理模型处理模块PM用于采集发射阵的运行数据,同时构成物理模型对采集的发射阵的运行数据进行发射阵故障诊断,并将采集的发射阵的运行数据以及物理模型的发射阵故障诊断结果经机器学习处理模块ML发送至主控系统,
所述机器学习处理模块ML用于运行随机森林模型,对采集的发射阵的运行数据进行发射阵故障诊断,并将随机森林模型的发射阵故障诊断结果发送至主控系统;所述随机森林模型为实施例1中所述的融合机器学习和物理模型的发射阵故障诊断方法中的所述训练后并通过评估的随机森林模型;
所述主控系统用于根据随机森林模型和物理模型的发射阵故障诊断结果判断发射阵故障诊断结果,当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障。
如图5所示,由放大通道1~N组成的发射阵A1~An通过离散线与FPGA(F1~Fm)连接,包含TTL和AD两大类,每一个FPGA具有独立的外部存储器件,主要实现采集、存储和控制的功能。FPGA一方面采集各放大通道的输入功率、输出功率、反射功率、电流、电压、温度等6类运行数据,另一方面直接对放大通道进行控制,以保证快速的响应。此部分主要基于物理模型进行故障诊断。
CPU(C0~Cm)之间通过高速串口连接,FPGA(F1~Fm)通过SPI接口与CPU(C1~Cm)一对一连接,保证数据传输速度,每个CPU配有独立的外部存储器件,可以存储数据用于处理和分析,包括数据清洗、特征提取、随机森林模型训练和故障诊断等。CPU内部运行随机森林模型,在系统运行的过程中同步对发射阵进行故障诊断,此部分主要由随机森林模型进行发射阵故障诊断。
对外的通信由主控系统M1完成,通过高速串口与发射阵故障诊断装置内部交互信息,同时和用户的上位机连接实现远程控制,方式可以是串口、网络或者光纤。
此外,所述发射阵故障诊断还包括显示系统D1,用于实现与用户的人机交互,能够实时显示发射阵的运行状态,包括显示采集的发射阵的运行数据、物理模型的发射阵故障诊断结果、随机森林模型的发射阵故障诊断结果、以及主控系统判断的发射阵诊断结果。
如图6所示,所述融合机器学习和物理模型的发射阵故障诊断装置的运行流程如下:
发射阵开机之后,各部件和模块首先完成初始化。
以FPGA采集发射阵的运行数据,实时将采集的发射阵的运行数据传递给物理模型,物理模型内部设置有诊断阈值,可以判断发射阵是否出现故障。
物理模型在收到采集的发射阵的运行数据同时,将采集的发射阵的运行数据传递给机器学习处理模块,机器学习处理模块内部部署的随机森林模型对发射阵的运行数据进行处理和判断。特别地,在发射阵维护或升级时,确认随机森林模型得到了更优的诊断阈值,可以将其发射阵故障诊断结果传输给物理模型,更新物理模型中的诊断阈值。
物理模型处理模块和机器学习处理模块都会将各自的发射阵故障诊断结果传递给主控系统M1,在主控系统M1中采用“逻辑或”的判断方式,当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,启动发射阵故障执行流程,否则发射阵未故障,继续进行持续判断。其中,主控系统M1会将最终的发射阵故障诊断结果传送给机器学习处理模块,以便根据诊断结果对随机森林模型进行优化和调整,提高预测准确率和实时性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种融合机器学习和物理模型的发射阵故障诊断方法,其特征在于,包括:
分别利用随机森林模型和物理模型进行发射阵故障诊断;
当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障;
利用随机森林模型进行发射阵故障诊断的方法包括:
S100,采集发射阵的运行数据;
S200,对采集的运行数据进行预处理;
S300,对预处理后的运行数据进行时域特征提取;
S400,将预处理后的运行数据以及相应的时域特征构建为数据集;
S500,将数据集划分为训练集和数据集;
S600,使用训练集对随机森林模型进行训练;
S700,使用测试集对训练后的随机森林模型进行评估;
S800,将训练后并通过评估的随机森林模型应用到发射阵中,对当前采集的发射阵的运行数据输入到所述训练后并通过评估的随机森林模型进行故障诊断;
步骤S100包括如下子步骤:
S101,采集发射阵的6类运行数据,包括输入功率、输出功率、反射功率、电流、电压和温度;
S102,将采集的发射阵的6类运行数据标记为正常状态或故障状态;
步骤S300包括:
S301,对发射阵的6类运行数据分组;
S302,对每组运行数据进行平滑运算和归一化处理;
S303,对平滑运算和归一化处理的每组运行数据,提取若干种时域特征;
随机森林模型和物理模型的发射阵故障诊断结果相互传递,随机森林模型以物理模型的发射阵故障诊断结果进行优化,物理模型以随机森林模型的发射阵故障诊断结果进行优化。
2.根据权利要求1所述的融合机器学习和物理模型的发射阵故障诊断方法,其特征在于,所述时域特征包括最大值、最小值、峰值、平均值、方差、峰值度指数、偏度指数、峰值指数和裕度。
3.一种融合机器学习和物理模型的发射阵故障诊断装置,其特征在于,包括依次连接的主控系统、机器学习处理模块和物理模型处理模块;
所述物理模型处理模块用于采集发射阵的运行数据,同时构成物理模型对采集的发射阵的运行数据进行发射阵故障诊断,并将采集的发射阵的运行数据以及物理模型的发射阵故障诊断结果经机器学习处理模块发送至主控系统;
所述机器学习处理模块用于运行随机森林模型,对采集的发射阵的运行数据进行发射阵故障诊断,并将随机森林模型的发射阵故障诊断结果发送至主控系统;所述随机森林模型为权利要求1或2所述的融合机器学习和物理模型的发射阵故障诊断方法中的所述训练后并通过评估的随机森林模型;
所述主控系统用于根据随机森林模型和物理模型的发射阵故障诊断结果判断发射阵故障诊断结果,当随机森林模型或物理模型诊断发射阵故障,则判断发射阵故障,否则发射阵未故障。
4.根据权利要求3所述的融合机器学习和物理模型的发射阵故障诊断装置,其特征在于,还包括与主控系统连接的显示系统,所述显示系统用于实现人机交互,以及显示采集的发射阵的运行数据、物理模型的发射阵故障诊断结果、随机森林模型的发射阵故障诊断结果、以及主控系统判断的发射阵诊断结果。
5.根据权利要求3所述的融合机器学习和物理模型的发射阵故障诊断装置,其特征在于,所述机器学习处理模块由若干CPU构成。
6.根据权利要求3所述的融合机器学习和物理模型的发射阵故障诊断装置,其特征在于,所述物理模型处理模块由若干FPGA构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746929.8A CN116484753B (zh) | 2023-06-25 | 2023-06-25 | 融合机器学习和物理模型的发射阵故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746929.8A CN116484753B (zh) | 2023-06-25 | 2023-06-25 | 融合机器学习和物理模型的发射阵故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484753A CN116484753A (zh) | 2023-07-25 |
CN116484753B true CN116484753B (zh) | 2023-09-19 |
Family
ID=87212308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310746929.8A Active CN116484753B (zh) | 2023-06-25 | 2023-06-25 | 融合机器学习和物理模型的发射阵故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484753B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255591A (zh) * | 2021-06-25 | 2021-08-13 | 四川九通智路科技有限公司 | 一种基于随机森林和融合特征的轴承故障诊断方法 |
CN115219117A (zh) * | 2022-06-13 | 2022-10-21 | 上海应用技术大学 | 一种120阀空气制动系统的故障诊断方法 |
CN116087647A (zh) * | 2022-12-22 | 2023-05-09 | 广东技术师范大学 | 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255848B (zh) * | 2021-07-08 | 2021-10-15 | 浙江大学 | 基于大数据学习的水轮机空化声信号辨识方法 |
-
2023
- 2023-06-25 CN CN202310746929.8A patent/CN116484753B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255591A (zh) * | 2021-06-25 | 2021-08-13 | 四川九通智路科技有限公司 | 一种基于随机森林和融合特征的轴承故障诊断方法 |
CN115219117A (zh) * | 2022-06-13 | 2022-10-21 | 上海应用技术大学 | 一种120阀空气制动系统的故障诊断方法 |
CN116087647A (zh) * | 2022-12-22 | 2023-05-09 | 广东技术师范大学 | 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
NPC Three-Level Inverter Open-Circuit Fault Diagnosis Based on Adaptive Electrical Period Partition and Random Forest;Shiyuan Liu 等;《Journal of Sensors》;第3卷;1-18 * |
双基地MIMO雷达故障阵元诊断及其缺失数据恢复方法研究;张廷潇;《中国优秀硕士学位论文全文数据库信息科技辑》(第02期);I136-1467 * |
基于支持向量机的柴电混合动力故障诊断研究;韩耀辉 等;《内燃机工程》;第43卷(第1期);101-108 * |
Also Published As
Publication number | Publication date |
---|---|
CN116484753A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110977614B (zh) | 一种数控机床健康诊断方法 | |
CN109800127A (zh) | 一种基于机器学习的系统故障诊断智能化运维方法及系统 | |
CN107862052A (zh) | 一种故障案例库、故障树及故障谱构建方法 | |
CN111579243B (zh) | 一种基于深度迁移学习的滚动轴承智能诊断系统 | |
CN111858526A (zh) | 基于信息系统日志的故障时间空间预测方法及系统 | |
CN110728383B (zh) | 一种光缆运行态势智能评估系统 | |
CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN114742183B (zh) | 基于深度学习的水污染预警方法、系统、设备及存储介质 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN110188837A (zh) | 一种基于模糊神经的mvb网络故障诊断方法 | |
CN112002114A (zh) | 一种基于5G-ZigBee通信的机电设备无线数据采集系统和方法 | |
CN113567159A (zh) | 一种基于边云协同的刮板输送机状态监测及故障诊断方法 | |
CN116484753B (zh) | 融合机器学习和物理模型的发射阵故障诊断方法及装置 | |
CN110429977A (zh) | 一种基于光源光探测器阵列的光缆纤芯实时监测系统及方法 | |
CN117544998B (zh) | 一种基于人工智能的无线网速智能化评估系统 | |
Liu et al. | Hydraulic system fault diagnosis of the chain jacks based on multi-source data fusion | |
CN116094758B (zh) | 一种大规模网络流量采集方法及系统 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
CN115348297A (zh) | 一种生态环境治理修复方式的智慧分析处理系统 | |
CN101464224B (zh) | 气压沉箱设备性能检测系统 | |
CN110009117A (zh) | 基于列车状态数据的机理模型生成方法及装置 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
WO2024073932A1 (zh) | 储能系统故障检测方法、装置及智能终端 |
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 |