CN116523499A - 基于数据驱动模型的自动故障诊断和预测方法及系统 - Google Patents

基于数据驱动模型的自动故障诊断和预测方法及系统 Download PDF

Info

Publication number
CN116523499A
CN116523499A CN202310479221.0A CN202310479221A CN116523499A CN 116523499 A CN116523499 A CN 116523499A CN 202310479221 A CN202310479221 A CN 202310479221A CN 116523499 A CN116523499 A CN 116523499A
Authority
CN
China
Prior art keywords
data
parameter
algorithm
hyper
type 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
CN202310479221.0A
Other languages
English (en)
Inventor
刘杰
王立松
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202310479221.0A priority Critical patent/CN116523499A/zh
Publication of CN116523499A publication Critical patent/CN116523499A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于数据驱动模型的自动故障诊断和预测建模方法及系统，涉及故障诊断与预测技术领域，方法包括：根据给定文件路径读取文件获取原始监测数据并进行PHM任务分类，先进行数据类型格式处理，再进行缺失值处理；针对数值类型数据，对其中的标称型数据先进行编码再进行标准化处理，针对周期类型数据，进行故障特征提取后进行标准化处理，针对时间序列数据，直接进行标准化处理；根据数据所对应的PHM任务，确定候选模型及其参数搜索空间，利用启发式算法自动确定最优的模型和参数组合并进行故障诊断与预测，输出最优模型架构和参数。本发明针对各种类型数据均能实现基于数据驱动的自动故障诊断和预测建模。

Description

基于数据驱动模型的自动故障诊断和预测方法及系统
技术领域
本发明属于故障诊断与预测技术领域，特别是一种基于数据驱动模型的自动故障诊断和预测方法及系统。
背景技术
随着时代发展，设备向着高科技、高性能、自动化、精密化、集成化方向发展，一旦发生故障，牵一发而动全身，不仅设备本身遭受极大损失，对操作者的安全也造成极大威胁。长期以来，事后维修和预防性维修是主要的维修手段。然而，事后维修方式是一种被动式的维修方式，在设备发生故障之后再维修会造成停机损失，预防性维修虽然能预防故障发生，但是对于灾难性故障却很难预防，而且同样可能造成不必要的停机损失。近年来，能够预测故障并将故障消灭在萌芽状态的“视情维修”逐渐成为装备维修保障的发展方向，并由此产生了故障预测与健康管理(prognostic and health management,PHM)概念。PHM系统一般应具备以下功能：故障检测、故障隔离、故障诊断、故障预测、健康管理和寿命追踪，其中故障诊断和故障预测是核心内容。
由于故障诊断和故障预测方法的不同，可以将PHM方法分为三类：基于专家系统的PHM、基于物理模型的PHM和基于数据驱动的PHM(以下简称为数据驱动PHM)。然而在实际的工业场景中，建立复杂部件或系统的物理模型和识别模型的参数十分困难；在日益复杂且细分的工业系统中，获取充分的专家经验也难以实现。由此，基于监测数据的数据驱动PHM方法逐渐获得重视并取得快速发展，成为PHM领域的研究热点。数据驱动PHM基于监测数据，运用各种数据挖掘技术，提取有价值的信息，建立模型对装备故障进行预测，相比其他方法更加快速廉价，不依赖于某一特定装备的先验知识(数学模型/专家经验/物理模型)且应用范围广泛，然而数据驱动模型不像物理模型与现实系统存在一一对应关系，研究哪个系统就构造一个对应的物理模型，也不像经验模型，在研究该领域前需要先对该领域具有相当的了解，其实际上也存在一种对应关系。数据驱动PHM的模型众多，包括传统的统计模型以及新兴的机器学习模型，针对不同研究领域如何选择合适的数据驱动模型成为一个难点。其次，数据驱动PHM的环节众多，不同环节的算法具有多种可能的组合情况，因此针对不同环节如何选择算法同样是一项难题。因此，为解决此问题，寻求一种基于数据驱动模型的自动故障诊断和预测方法，以实现基于数据驱动PHM方法的自动化建模，并使其具备处理多种类型数据的能力是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷，提出一种基于数据驱动模型的自动故障诊断和预测方法。该方法包括。
本发明提供一种基于数据驱动模型的自动故障诊断和预测方法，其包括以下步骤：
一种基于数据驱动模型的自动故障诊断和预测建模方法，其包括以下步骤：
S1、获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理：
S11、数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理；
S12、数据预处理获得标准化数据：分别针对所述数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：
S121、将各类数据格式处理后的所述数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理；
S122、针对数值类型数据，判断是否存在标称型数据，若是则先对所述标称型数据进行编码再执行步骤S123，否则直接执行步骤S123；针对周期类型数据，进行故障特征提取后执行步骤S123；针对时间序列数据，直接执行步骤S123；
S123、针对所述数值类型数据、周期类型数据和时间序列数据分别进行标准化处理，获得标准化数据；
S2、根据所属PHM任务，确定候选模型及其参数搜索空间：
S21、确定候选模型：根据数据特征和PHM任务，确定候选模型库；
S22、生成超参数配置空间：
S221、生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改：若修改后的算法名单包含于平台集成的默认算法名单，则执行步骤S223，若修改后的算法名单在平台集成的默认算法名单的基础上增加了算法或修改了算法的超参数，则执行步骤S222；
S222、输入超参数定义语言：输入修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言；
S223、生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions；
S3、利用启发式算法确定最优的模型和参数组合：
S31、构建评价器：
S32、集成优化器并生成优化器列表：
S33、确定最优的模型和参数组合：
S331、数据驱动PHM自动化分类/回归：
S332、数据驱动PHM自动化时间序列多步预测。
可选地，针对周期类型数据，进行故障特征提取具体为：
分别提取所述周期类型数据的时域特征、频域特征和时频域特征；
所述时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度；
对所述周期类型数据进行快速傅里叶变换得到其振幅谱，基于所述振幅谱构建所述频域特征；
对所述周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于所述近似系数集得到近似系数均值和近似系数最大值，基于所述细节系数集得到细节系数最大值和细节系数均值；所述时频域特征包括所述近似系数均值、所述近似系数最大值、所述细节系数最大值和所述细节系数均值。
可选地，超参数定义语言包括层次空间部分和条件语句部分；
层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值；
条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。
可选地，所述频域特征包括第一特征、第二特征、第三特征和第四特征；
所述振幅谱如下式：
U＝{u(1),u(2),...,u(N/2)}
式中：U表示振幅谱，N表示周期类型数据的长度，u(1)表示振幅谱中第1个峰值处的幅值；
第一特征的计算公式如下：
第二特征的计算公式如下：
第三特征的计算公式如下：
第四特征的计算公式如下：
F11＝max(u(i))
式中：F8表示第一特征，F9表示第二特征，F10表示第三特征，F11表示第四特征，i∈[1，N/2]。
可选地，数据驱动PHM自动化时间序列多步预测具体为：
将每一步预测得到的预测值都作为下一步的输入，得到下一步的有监督学习数据集，并且每一步都执行一次S3和S4。
本发明还提供了一种基于数据驱动模型的自动故障诊断和预测系统，其包括：
数据获取及处理模块，用于获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理，具体地：
数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理；
数据预处理获得标准化数据：分别针对所述数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：
将各类数据格式处理后的所述数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理；
针对数值类型数据，判断是否存在标称型数据，若是则先对所述标称型数据进行编码再进行标准化处理，获得标准化数据；针对周期类型数据，进行故障特征提取后进行标准化处理，获得标准化数据；针对时间序列数据，直接进行标准化处理，获得标准化数据；
模型及参数模块，用于根据所属PHM任务，确定候选模型及其参数搜索空间，具体地：
确定候选模型：根据数据特征和PHM任务，确定候选模型库；
生成超参数配置空间：
生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改，对于修改后的算法确定修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言；
生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions；
故障模块，用于利用启发式算法确定最优的模型和参数组合并进行故障诊断、故障预测、寿命预测或时间序列预测，具体地：
构建评价器：
集成优化器并生成优化器列表：
确定最优的模型和参数组合：
数据驱动PHM自动化分类/回归：
数据驱动PHM自动化时间序列多步预测。
可选地，针对周期类型数据，进行故障特征提取具体为：
分别提取所述周期类型数据的时域特征、频域特征和时频域特征；
所述时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度；
对所述周期类型数据进行快速傅里叶变换得到其振幅谱，基于所述振幅谱构建所述频域特征；
对所述周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于所述近似系数集得到近似系数均值和近似系数最大值，基于所述细节系数集得到细节系数最大值和细节系数均值；所述时频域特征包括所述近似系数均值、所述近似系数最大值、所述细节系数最大值和所述细节系数均值。
可选地，超参数定义语言包括层次空间部分和条件语句部分；
层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值；
条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。
可选地，所述频域特征包括第一特征、第二特征、第三特征和第四特征；
所述振幅谱如下式：
U＝{u(1),u(2),...,u(N/2)}
式中：U表示振幅谱，N表示周期类型数据的长度，u(1)表示振幅谱中第1个峰值处的幅值；
第一特征的计算公式如下：
第二特征的计算公式如下：
第三特征的计算公式如下：
第四特征的计算公式如下：
F11＝max(u(i))
式中：F8表示第一特征，F9表示第二特征，F10表示第三特征，F11表示第四特征，i∈[1，N/2]。
可选地，数据驱动PHM自动化时间序列多步预测具体为：
将每一步预测得到的预测值都作为下一步的输入，得到下一步的有监督学习数据集，并且每一步都执行一次模型及参数模块和故障模块。
与现有技术相比，本发明的技术效果为：
1、本发明设计的一种基于数据驱动模型的自动故障诊断和预测方法，针对故障诊断和故障预测的三种典型场景，设计并实现了不同的数据预处理步骤，通过数据驱动PHM自动化分类或回归模型和数据驱动PHM自动化时间序列多步预测模型实现不同任务类型的故障预测。
2、本发明设计的一种基于数据驱动模型的自动故障诊断和预测方法，使用自动机器学习建模技术实现自动故障诊断和预测建模，可以从包含所有候选算法及超参数信息的超参数配置空间中搜索表现最好的超参数配置。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是本发明基于数据驱动模型的自动故障诊断和预测方法流程图；
图2是本发明基于数据驱动模型的自动故障诊断和预测系统结构图。
图中：1、数据获取及处理模块；2、模型及参数模块；3、故障模块。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于数据驱动模型的自动故障诊断和预测方法，该方法包括数据准备步骤和自动化建模步骤，数据准备步骤包括步骤S1，自动化建模步骤包括步骤S2和S3。
具体地：
S1、获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理：
S11、数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理。数值类型数据是指类型为带标签的有监督学习数据集的数据，指数据中每个样本都是一组输入值对应一个期望的输出值的情况。例如对于某设备，可以获取每个时刻的监测数据，对于历史数据来说，由于已经发生，可以获取每个时刻的故障类型，此时就获得了一组有监督数据集，即一组监测数据对应一个故障类型。周期类型数据是指一段周期数据对应一个标签的情况，通常是一个传感器在某段时间内的监测数据，例如高铁制动系统经常发生抱死故障，为了进行故障诊断，将每一次发生故障发生前10s到故障发生后2s的一组高频振动信号数据作为特征，对应一种故障类型。时间序列数据是指不具备标签，只有一系列观测值的数据，时间序列数据建模任务的目的是基于历史观测值预测其在未来一段时间内的变化。
S12、数据预处理获得标准化数据：分别针对数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：
S121、将各类数据格式处理后的数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理。
S122、针对数值类型数据，判断是否存在标称型数据，若是则先对标称型数据进行编码再执行步骤S123，否则直接执行步骤S123；针对周期类型数据，进行故障特征提取后执行步骤S123；针对时间序列数据，直接执行步骤S123；
周期类型数据存在以下缺点：1)样本量稀少，由于一个传感器记录的数据只对应一个故障类型，因此样本的数量取决于传感器的数量，一种类型的故障可能只有几段记录数据；2)每个传感器所记录的数据长度可能不一致，导致无法用csv文件存储。为解决上述问题，需对周期类型数据进行分段处理，即将周期类型数据按照滑动时间窗口划分为多个小段周期类型数据，并确定划分出的小段周期类型数据对应的故障类型。通过分段处理，首先增加了各故障类型对应的样本数量，其次由于采取统一长度的时间窗口，导致每段周期类型数据的长度是相同的。
本实施例中，针对周期类型数据，进行故障特征提取具体为：
分别提取周期类型数据的时域特征、频域特征和时频域特征。
时域特征是指分析周期类型数据的统计特征，时域特征按照时间分析数据，其分析结果更加直观。时域特征包括有量纲特征和无量纲特征，两类特征各有优缺点，因此通常一起使用。有量纲特征会受到量纲的影响，因此在周期类型数据特征提取之后再进行标准化处理。
优选地，本实施例中，时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度。
均值的计算公式如下：
方差的计算公式如下：
峰值的计算公式如下：
F3＝max(xi)
峰峰值的计算公式如下：
F4＝max(xi)-min(xi)
均方根的计算公式如下：
偏度的计算公式如下：
峭度的计算公式如下：
式中：F1为均值，F2为方差，F3为峰值，F4为峰峰值，F5为均方根，F6为偏度，F7为峭度，N为每段周期类型数据的长度，x＝{x1,x2,...,xN}为每段周期类型数据，i∈[1，N]，max表示最大值，min表示最小值。
对周期类型数据进行快速傅里叶变换得到其振幅谱，基于振幅谱构建频域特征。
对一段周期类型数据做快速傅里叶变换，得到的结果是一组和原数据点数相同个数的复数。对这些复数取模，就得到了振幅。根据快速傅里叶变换的性质，振幅由于采样频率被放大了，假设一段周期类型数据有N个点，实际上是对完整的周期类型数据取样了N个点，而对于快速傅里叶变换的结果而言，第一个峰值所在频率的模被放大了N倍，第二个峰值及以后的模被放大了N/2倍，因此为了还原真实的振幅谱，对快速傅里叶变换取模之后的结果除以N/2。此外，快速傅里叶变换的结果具有对称性，因此需要进行取半处理。
由于每个样本的长度是相同的，因此得到的幅值谱的横坐标也是相同的，虽然无法基于横坐标还原到真实的频率值，但可以认为将横坐标直接作为特征也是具有区分效果的。设定最终得到的幅值谱的数据为U＝{u(1),u(2),...,u(N/2)}，式中：U表示振幅谱，N表示每段周期类型数据的长度，u(1)表示振幅谱中第1个峰值处的幅值。
频域特征包括第一特征、第二特征、第三特征和第四特征。
第一特征的计算公式如下：
第二特征的计算公式如下：
第三特征的计算公式如下：
第四特征的计算公式如下：
F11＝max(u(i))
式中：F8表示第一特征，F9表示第二特征，F10表示第三特征，F11表示第四特征，i∈[1，N/2]。
时频域分析基于对时域信息以及频域信息的同时表达发展而来，其特点是同时提供信号的时域、频域上的局部细化信息，因此对于分析非平稳信号非常有用，例如旋转机械的振动信号。本实施例中，对周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于近似系数集得到近似系数均值和近似系数最大值，基于细节系数集得到细节系数最大值和细节系数均值；时频域特征包括近似系数均值、近似系数最大值、细节系数最大值和细节系数均值。
经过周期类型数据特征提取步骤，就将输入数据转换为了16维(15维特征+1维标签)的有监督学习数据集。
S123、针对数值类型数据、周期类型数据和时间序列数据分别进行标准化处理，获得标准化数据。
S2、根据所属PHM任务，确定候选模型及其参数搜索空间：
S21、确定候选模型：根据数据特征和PHM任务，确定候选模型库。
S22、生成超参数配置空间：
S221、生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改：若修改后的算法名单包含于平台集成的默认算法名单，则执行步骤S223，若修改后的算法名单在平台集成的默认算法名单的基础上增加了算法或修改了算法的超参数，则执行步骤S222。
S222、输入超参数定义语言：输入修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言。优选地，超参数定义语言包括层次空间部分和条件语句部分；层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值；条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。
S223、生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions。
S3、利用启发式算法确定最优的模型和参数组合：
S31、构建评价器。评价器的输入包括一组超参数配置、数据集以及评估标准，输出为该组超参数配置在数据集上的得分。自动化建模程序分为自动化分类/回归以及自动化时间序列多步预测，对于自动化分类/回归，直接采用交叉验证评分；对于自动化时间序列多步预测，由于时间序列数据的特殊性，不能采用交叉验证评分，而要保持训练集、验证集和测试集之间的时间先后关系。
S32、集成优化器并生成优化器列表。优化器的原理基于对最小值的寻找，而优化器的目的是寻找表现最佳的一组超参数配置，因此，需要根据评估标准决定对优化器的反馈。例如回归算法的评估标准包括均方误差MSE以及r2_score，其中MSE越小代表回归算法的预测效果更好，而r2_score则相反，因此，如果评估标准需要追求最小值的，类似MSE，可以直接返回得分，而如果需要追求最大值，类似r2_score，则需要返回1-得分。
优化器包括梯度下降法、网格搜索、随机搜索、贝叶斯优化和遗传算法等。对于数据驱动PHM自动化建模的超参数搜索空间而言，包含大量类别型超参数，无法计算目标函数的导数，也就无法因此无法应用梯度下降法解决优化问题。网格搜索理论上易于实现，并且可以平行地探索多组不同配置，然而随着超参数数量的增多，其计算量以指数函数递增。随机搜索虽然效率略优于网格搜索，但是和网格搜索一样，本质上都是暴力搜索，计算量非常大；并且在搜索空间非常大的情况下，不同超参数配置间的表现差别会非常大，因此不太符合随机搜索要求的超过5％的超参数配置表现优异的应用条件。遗传算法需要对不同的超参数配置进行交叉、变异的操作，首先超参数配置空间中存在大量的类别型以及整数型超参数，难以执行变异操作，其次由于存在多个步骤，如何保证交叉操作后仍然是正确的一组超参数配置也是遗传算法的一个难点。
因此，本发明选择贝叶斯优化算法作为优化器。贝叶斯优化的两个优点都符合对数据驱动PHM实现自动化建模的需求：1.对于复杂的超参数搜索空间，导致无法求取目标函数的导数信息，而贝叶斯优化属于无梯度优化算法，不需要导数信息就可以进行优化；2.由于有多个步骤需要优化，一是候选的超参数配置的数量非常多，二是对每一组超参数配置的训练代价非常大。贝叶斯优化通过极少的步数就可以找到表现较好的超参数配置，优化效率极高。
进一步地，本发明贝叶斯优化算法包括SMAC方法、TPE方法、ETPE方法和GBRT方法。
SMAC方法是指概率代理模型为随机森林回归的贝叶斯优化方法，借助随机森林回归模型的性质，SMAC方法能够处理输入包含离散数据的情况。随机森林回归是一种非常适合并行化的回归方法，该方法基于已有的观测值集合训练多个决策树，当需要预测时，对于一个输入，每棵树都会给出一个预测结果，多个预测结果形成了一个近似的经验高斯分布。
随机森林模型的优点是预测快速，缺点是需要大规模训练数据，因此，不像高斯过程回归更新模型时每次只将使得采集函数最大的一个点作为候选点，SMAC方法每次从已观测集合中选择使得采集函数最大的十个点，并采用random neighbors的方法，从这十个点周围选择10000个点，将这10000个点带入随机森林模型进行预测，并从中选择使得采集函数最大的一个点进行训练。某个点的random neighbors是指，对于该点，所有离散变量随机取值，所有连续变量在以该点的取值为均值，0.2为方差(已对连续变量做归一化处理)的范围内随机采样，实际上类似于遗传算法变异的操作。
TPE方法利用贝叶斯原理来求取采集函数EI。
ETPE方法是是基于TPE方法的基础，对类别变量通过embedding降维为低维连续变量，并在其他一些部分也做了改进的概率代理方法。
GBRT方法应用于贝叶斯优化的原理和随机森林类似。
S33、确定最优的模型和参数组合。
S331、数据驱动PHM自动化分类/回归。自动化分类/回归的目的是同时优化特征提取和分类/回归两个步骤，特征提取方法为包括PCA、KernelPCA、Isomap、FastICA、FeatureAggolomeration和NoFP中任意一者，PCA、KernelPCA和FastICA属于矩阵分解方法，Isomap算法属于流形学习，FeatureAggolomeration属于聚类方法，NoFP代表不进行特征提取，因为对于某些特殊的数据集(例如低维的数据集)，不排除原始特征表现更好的情况。
S332、数据驱动PHM自动化时间序列多步预测。
为实现时间序列数据预测任务，除预处理后的时间序列数据(即一组历史观测值)外，还需要输入：1)预测间隔predict_gap，最小为0；2)预测步长predict_length，最小为1。将时间序列数据预测任务定义为预测最后一个观测值间隔predict_gap步之后的长度等于predict_length的数据。
时间序列数据预测分为单步预测和多步预测，predict_length＝1表示单步预测，predict_length>1表示多步预测。不论是传统的时间序列预测模型，还是有监督学习模型，都难以实现多步预测的目的：两类模型都是建立了历史数据特征和输出之间的单输出模型，因此只能实现单步预测。
为了实现多步预测，在实现多步预测前，首先要明确多步预测的目的是什么。在故障发生前进行预测，并提前进行维修，从而避免损失是PHM领域时间序列多步预测的主要目的。而单步预测模型在一定情况下是可以实现上述目的：在predict_gap不为0的情况下，虽然单步预测模型只能预测到最后一个观测值的predict_gap步之后的一个值，但是每更新一个观测值，就可以得到最新的观测值的predict_gap步之后的预测值。由于predict_gap的存在，对于延迟预测是可以接受的，例如处理一个故障需要n个时间点，也就是至少需要提前n个时间点预测到故障才能实现提前维修，从而避免损失。当然，除提前预测并维修的目的之外，也可能有需要观察变化趋势等要求，这就要求具有多步预测的能力，
目前基于单步预测模型实现多步预测的方法分别是递归法和直接建模法。
本发明将递归法和直接建模法进行结合实现多步预测，对每一步都生成一个数据集并建立一个对应模型，每一步预测后都将预测值加入到时间序列数据中作为下一步的输入，并进行自动化建模。
图2是本发明基于数据驱动模型的自动故障诊断和预测系统结构图。如图2所示，本发明提供了一种基于数据驱动模型的自动故障诊断和预测系统，其包括：数据获取及处理模块1、模型及参数模块2和故障模块3。
所述数据获取及处理模块1用于获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理，具体地：
数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理.
数据预处理获得标准化数据：分别针对所述数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：
将各类数据格式处理后的所述数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理。
针对数值类型数据，判断是否存在标称型数据，若是则先对所述标称型数据进行编码再进行标准化处理，获得标准化数据；针对周期类型数据，进行故障特征提取后进行标准化处理，获得标准化数据；针对时间序列数据，直接进行标准化处理，获得标准化数据。
所述模型及参数模块2用于根据所属PHM任务，确定候选模型及其参数搜索空间。具体地：
确定候选模型：根据数据特征和PHM任务，确定候选模型库。
生成超参数配置空间：
生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改，对于修改后的算法确定修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言。
生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions。
所述故障模块3用于利用启发式算法确定最优的模型和参数组合并进行故障诊断、故障预测、寿命预测或时间序列预测，具体地：
构建评价器：
集成优化器并生成优化器列表：
确定最优的模型和参数组合：
数据驱动PHM自动化分类/回归：
数据驱动PHM自动化时间序列多步预测。
可选地，针对周期类型数据，进行故障特征提取具体为：
分别提取所述周期类型数据的时域特征、频域特征和时频域特征。
所述时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度。
对所述周期类型数据进行快速傅里叶变换得到其振幅谱，基于所述振幅谱构建所述频域特征。
对所述周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于所述近似系数集得到近似系数均值和近似系数最大值，基于所述细节系数集得到细节系数最大值和细节系数均值；所述时频域特征包括所述近似系数均值、所述近似系数最大值、所述细节系数最大值和所述细节系数均值。
可选地，超参数定义语言包括层次空间部分和条件语句部分；
层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值。
条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。
可选地，所述频域特征包括第一特征、第二特征、第三特征和第四特征；
所述振幅谱如下式：
U＝{u(1),u(2),...,u(N/2)}
式中：U表示振幅谱，N表示周期类型数据的长度，u(1)表示振幅谱中第1个峰值处的幅值；
第一特征的计算公式如下：
第二特征的计算公式如下：
第三特征的计算公式如下：
第四特征的计算公式如下：
F11＝max(u(i))
式中：F8表示第一特征，F9表示第二特征，F10表示第三特征，F11表示第四特征，i∈[1，N/2]。
可选地，数据驱动PHM自动化时间序列多步预测具体为：
将每一步预测得到的预测值都作为下一步的输入，得到下一步的有监督学习数据集，并且每一步都执行一次模型及参数模块和故障模块。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于数据驱动模型的自动故障诊断和预测建模方法，其特征在于，其包括以下步骤：
S1、获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理：
S11、数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理；
S12、数据预处理获得标准化数据：分别针对所述数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：
S121、将各类数据格式处理后的所述数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理；
S122、针对数值类型数据，判断是否存在标称型数据，若是则先对所述标称型数据进行编码再执行步骤S123，否则直接执行步骤S123；针对周期类型数据，进行故障特征提取后执行步骤S123；针对时间序列数据，直接执行步骤S123；
S123、针对所述数值类型数据、周期类型数据和时间序列数据分别进行标准化处理，获得标准化数据；
S2、根据所属PHM任务，确定候选模型及其参数搜索空间：
S21、确定候选模型：根据数据特征和PHM任务，确定候选模型库；
S22、生成超参数配置空间：
S221、生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改：若修改后的算法名单包含于平台集成的默认算法名单，则执行步骤S223，若修改后的算法名单在平台集成的默认算法名单的基础上增加了算法或修改了算法的超参数，则执行步骤S222；
S222、输入超参数定义语言：输入修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言；
S223、生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions；
S3、利用启发式算法确定最优的模型和参数组合：
S31、构建评价器：
S32、集成优化器并生成优化器列表：
S33、确定最优的模型和参数组合：
S331、数据驱动PHM自动化分类/回归：
S332、数据驱动PHM自动化时间序列多步预测。
2.根据权利要求1所述的基于数据驱动模型的自动故障诊断和预测方法，其特征在于，针对周期类型数据，进行故障特征提取具体为：
分别提取所述周期类型数据的时域特征、频域特征和时频域特征；
所述时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度；
对所述周期类型数据进行快速傅里叶变换得到其振幅谱，基于所述振幅谱构建所述频域特征；
对所述周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于所述近似系数集得到近似系数均值和近似系数最大值，基于所述细节系数集得到细节系数最大值和细节系数均值；所述时频域特征包括所述近似系数均值、所述近似系数最大值、所述细节系数最大值和所述细节系数均值。
3.根据权利要求1所述的基于数据驱动模型的自动故障诊断和预测方法，其特征在于，超参数定义语言包括层次空间部分和条件语句部分；
层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值；
条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。
4.根据权利要求2所述的基于数据驱动模型的自动故障诊断和预测方法，其特征在于，所述频域特征包括第一特征、第二特征、第三特征和第四特征；
所述振幅谱如下式：
U＝{u(1),u(2),...,u(N/2)}
式中：U表示振幅谱，N表示周期类型数据的长度，u(1)表示振幅谱中第1个峰值处的幅值；
第一特征的计算公式如下：
第二特征的计算公式如下：
第三特征的计算公式如下：
第四特征的计算公式如下：
F11＝max(u(i))
式中：F8表示第一特征，F9表示第二特征，F10表示第三特征，F11表示第四特征，i∈[1，N/2]。
5.根据权利要求1所述的基于数据驱动模型的自动故障诊断和预测方法，其特征在于，数据驱动PHM自动化时间序列多步预测具体为：
将每一步预测得到的预测值都作为下一步的输入，得到下一步的有监督学习数据集，并且每一步都执行一次S3和S4。
6.一种基于数据驱动模型的自动故障诊断和预测系统，其特征在于，其包括：
数据获取及处理模块，用于获取原始设备健康状态监测数据并进行PHM任务分类与数据预处理，具体地：
数据读取与PHM任务分类并进行类型格式处理：根据给定文件路径读取文件并获取原始设备健康状态监测数据，基于原始设备健康状态监测数据的格式分为数值类型数据、周期类型数据和时间序列数据三种数据类型，数值类型数据对应故障诊断任务，周期类型数据对应故障预测任务和寿命预测任务，时间序列数据对应时间序列预测任务，针对不同数据类型进行类型格式处理；
数据预处理获得标准化数据：分别针对所述数值类型数据、周期类型数据和时间序列数据进行数据预处理获得标准化数据：
将各类数据格式处理后的所述数值类型数据、周期类型数据和时间序列数据分别进行缺失值处理；
针对数值类型数据，判断是否存在标称型数据，若是则先对所述标称型数据进行编码再进行标准化处理，获得标准化数据；针对周期类型数据，进行故障特征提取后进行标准化处理，获得标准化数据；针对时间序列数据，直接进行标准化处理，获得标准化数据；
模型及参数模块，用于根据所属PHM任务，确定候选模型及其参数搜索空间，具体地：
确定候选模型：根据数据特征和PHM任务，确定候选模型库；
生成超参数配置空间：
生成算法名单：获取平台集成的默认算法名单，并基于平台集成的默认算法名单进行修改，对于修改后的算法确定修改后的算法名单中所增加算法或所修改算法对应的超参数定义语言；
生成超参数配置空间：基于超参数配置空间库，针对条件变量，在Hyperparameters部分生成一个代表算法选择的超参数以及各算法所属超参数，其包括超参数的名称、类型、取值范围和默认值，并在Conditions部分添加相应的内容用于控制超参数对于算法的从属关系，控制算法选择的超参数的取值范围由各候选算法的名称组成且各算法所属的具体超参数的名称体现原始的层次，针对条件语句，直接转化为Conditions；
故障模块，用于利用启发式算法确定最优的模型和参数组合并进行故障诊断、故障预测、寿命预测或时间序列预测，具体地：
构建评价器：
集成优化器并生成优化器列表：
确定最优的模型和参数组合：
数据驱动PHM自动化分类/回归：
数据驱动PHM自动化时间序列多步预测。
7.根据权利要求6所述的基于数据驱动模型的自动故障诊断和预测系统，其特征在于，针对周期类型数据，进行故障特征提取具体为：
分别提取所述周期类型数据的时域特征、频域特征和时频域特征；
所述时域特征包括均值、方差、峰值、峰峰值、均方根、偏度和峭度；
对所述周期类型数据进行快速傅里叶变换得到其振幅谱，基于所述振幅谱构建所述频域特征；
对所述周期类型数据进行离散小波变换，得到近似系数集和细节系数集，基于所述近似系数集得到近似系数均值和近似系数最大值，基于所述细节系数集得到细节系数最大值和细节系数均值；所述时频域特征包括所述近似系数均值、所述近似系数最大值、所述细节系数最大值和所述细节系数均值。
8.根据权利要求6所述的基于数据驱动模型的自动故障诊断和预测系统，其特征在于，超参数定义语言包括层次空间部分和条件语句部分；
层次空间部分用字典嵌套的形式来描述超参数和算法之间的从属关系；层次空间部分包括三级字典，字典中的一个元素包括键部分和值部分，第一级字典的键部分用于控制算法选择，第二级字典的键部分为算法名称，对应生成算法名单中的算法，第三级字典的键部分为超参数名称，第三级字典的值部分为超参数信息，超参数信息包括超参数的类型、取值范围和默认值；
条件语句部分包括condition语句和forbidden语句；condition语句表示某一超参数依耐另一超参数；forbidden语句表示超参数组合矛盾。
9.根据权利要求7所述的基于数据驱动模型的自动故障诊断和预测系统，其特征在于，所述频域特征包括第一特征、第二特征、第三特征和第四特征；
所述振幅谱如下式：
U＝{u(1),u(2),...,u(N/2)}
式中：U表示振幅谱，N表示周期类型数据的长度，u(1)表示振幅谱中第1个峰值处的幅值；
第一特征的计算公式如下：
第二特征的计算公式如下：
第三特征的计算公式如下：
第四特征的计算公式如下：
F11＝max(u(i))
式中：F8表示第一特征，F9表示第二特征，F10表示第三特征，F11表示第四特征，i∈[1，N/2]。
10.根据权利要求6所述的基于数据驱动模型的自动故障诊断和预测系统，其特征在于，数据驱动PHM自动化时间序列多步预测具体为：
将每一步预测得到的预测值都作为下一步的输入，得到下一步的有监督学习数据集，并且每一步都执行一次模型及参数模块和故障模块。
CN202310479221.0A 2023-04-28 2023-04-28 基于数据驱动模型的自动故障诊断和预测方法及系统 Pending CN116523499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310479221.0A CN116523499A (zh) 2023-04-28 2023-04-28 基于数据驱动模型的自动故障诊断和预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310479221.0A CN116523499A (zh) 2023-04-28 2023-04-28 基于数据驱动模型的自动故障诊断和预测方法及系统

Publications (1)

Publication Number Publication Date
CN116523499A true CN116523499A (zh) 2023-08-01

Family

ID=87398915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310479221.0A Pending CN116523499A (zh) 2023-04-28 2023-04-28 基于数据驱动模型的自动故障诊断和预测方法及系统

Country Status (1)

Country Link
CN (1) CN116523499A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057162A (zh) * 2023-10-10 2023-11-14 之江实验室 一种任务执行方法、装置、存储介质及电子设备
CN117131458A (zh) * 2023-10-26 2023-11-28 国网江西省电力有限公司电力科学研究院 一种用于光纤电流互感器的数据有效性分析方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057162A (zh) * 2023-10-10 2023-11-14 之江实验室 一种任务执行方法、装置、存储介质及电子设备
CN117057162B (zh) * 2023-10-10 2024-01-09 之江实验室 一种任务执行方法、装置、存储介质及电子设备
CN117131458A (zh) * 2023-10-26 2023-11-28 国网江西省电力有限公司电力科学研究院 一种用于光纤电流互感器的数据有效性分析方法及系统

Similar Documents

Publication Publication Date Title
Helbing et al. Deep Learning for fault detection in wind turbines
Ge et al. Plant-wide industrial process monitoring: A distributed modeling framework
US10921759B2 (en) Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model
Niyazmand et al. Pattern mining in alarm flood sequences using a modified PrefixSpan algorithm
CN116523499A (zh) 基于数据驱动模型的自动故障诊断和预测方法及系统
CN107561997B (zh) 一种基于大数据决策树的电力设备状态监测方法
Calvo-Bascones et al. A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
Li et al. Just-in-time learning based probabilistic gradient boosting tree for valve failure prognostics
Amruthnath et al. Factor analysis in fault diagnostics using random forest
US20230221684A1 (en) Explaining Machine Learning Output in Industrial Applications
CN114500004A (zh) 一种基于条件扩散概率生成模型的异常检测方法
Naskos et al. Event-based predictive maintenance on top of sensor data in a real industry 4.0 case study
Tripathy et al. Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI
Villalobos et al. A flexible alarm prediction system for smart manufacturing scenarios following a forecaster–analyzer approach
CN118378195B (zh) 一种基于多源数据融合的螺杆空压机故障预测方法
CN117411780A (zh) 一种基于多源数据特征的网络日志异常检测方法
Belavadi et al. Alarm pattern recognition in continuous process control systems using data mining
CN116304835A (zh) 基于ai的动设备工况监测管理方法、系统、设备及介质
Yasenjiang et al. Fault Diagnosis and Prediction of Continuous Industrial Processes Based on Hidden Markov Model‐Bayesian Network Hybrid Model
Patil et al. Machine Learning-Based Predictive Maintenance of Industrial Machines
CN113919237B (zh) 一种风机设备在线工况分割及故障诊断的方法
CN115239153A (zh) 一种用于化工园区事故的应急指挥决策方法、系统及介质
CN113377630A (zh) 一种通用的kpi异常检测框架实现方法
Xie et al. Information Fusion-Based Meta-Learning for Few-Shot Fault Diagnosis Under Different Working Conditions

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