CN116578880A - 设备故障识别模型的建立方法、系统、设备和介质 - Google Patents

Abstract

本发明公开了一种设备故障识别模型的建立方法、系统、设备和介质，所述建立方法包括：获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；根据所述设备故障识别模型单元，构建算法库；基于所述算法库，构建模型组件库；从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。本发明实现了设备故障识别的自动化轻量化建模，大幅降低设备故障识别的建模时间与建模过程中的人力成本。

Description

设备故障识别模型的建立方法、系统、设备和介质

技术领域

本发明涉及工业智能领域，尤其涉及一种设备故障识别模型的建立方法、系统、设备和介质。

背景技术

工业数据分析中的数据建模和预测过程中，针对当前工业互联网背景下的故障识别技术，在智能运维领域存在痛点问题如下：第一，传统故障识别的方法，往往凭人员经验和过往项目经历，导致新场景下的故障识别类数据模型开发速度慢、效率偏低、开发人员试错风险巨大；第二，故障识别相关经验知识难以以实体的方式沉淀，相关技术及数据模型缺乏持续性提升及迭代衍生的空间；第三，实际工业现场的设备所能收集到的故障数据较少，通常难以获取足够多的数据用以数据模型的训练。

随着现代工业的不断进步，制造系统正变得越来越复杂且多样化，以满足制造业的各类生产需求。对于各类设备的可靠性要求及诊断需求及应用范围也在迅速扩大。在工业设备的故障识别领域，通常可通过各类传感器及控制系统所收集的信息，凭借专家知识及现场经验进行故障的定位与识别，但难以以实体的方式沉淀，人工依赖性强也使得故障识别的可靠性低，因此使用数据驱动模型来代替人工进行故障识别已经成为该行业未来发展的必然趋势。

然而，使用数据驱动模型来代替人工进行故障识别意味着需要针对各类工况、场景、对象构建大量故障识别模型，若使用传统方式，则会需要大量的人力、物力、数据资产、算力及开发经验，同时每一个新场景的开发，都将面临巨大的重复工作与试错风险。

发明内容

本发明要解决的技术问题是为了克服现有技术需要耗费大量的人力和物力的缺陷，提供一种设备故障识别模型的建立方法、系统、设备和介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种设备故障识别模型的建立方法，所述建立方法包括：

获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；

根据所述设备故障识别模型单元，构建算法库；

基于所述算法库，构建模型组件库；

从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。

较佳地，所述根据所述设备故障识别模型单元，构建算法库的步骤包括：

根据所述设备故障识别模型单元，并基于现有故障识别模型，获取故障识别场景对应的通用算法组件，以构建算法库。

较佳地，所述基于所述算法库，构建模型组件库的步骤包括：

基于由代码组成的故障识别模型，调用通用算法的参数作为组件的默认值并将各组件整合成模型组件库。

较佳地，所述从模型组件库中，获取与设备故障识别模型相匹配的模型组件的步骤包括：

基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件。

本发明还提供一种设备故障识别模型的建立系统，所述建立系统包括：

第一获取模块，用于获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；

第一构建模块，用于根据所述设备故障识别模型单元，构建算法库；

第二构建模块，用于基于所述算法库，构建模型组件库；

第二获取模块，用于从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。

较佳地，所述第一构建模块具体用于：

根据所述设备故障识别模型单元，并基于现有故障识别模型，获取故障识别场景对应的通用算法组件，以构建算法库。

较佳地，所述第二构建模块具体用于：

基于由代码组成的故障识别模型，调用通用算法的参数作为组件的默认值并将各组件整合成模型组件库。

较佳地，所述第二获取模块具体用于：

基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的设备故障识别模型的建立方法。

本发明还提供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如前述的设备故障识别模型的建立方法的步骤。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本方案，通过根据所述设备故障识别模型单元，构建算法库，再基于所述算法库，构建模型组件库，最后从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型，从而实现了设备故障识别的自动化轻量化建模，大幅降低设备故障识别的建模时间与建模过程中的人力成本。

附图说明

图1为本发明实施例1的设备故障识别模型的建立方法的流程图。

图2为本发明实施例1中的各库之间的关系示意图。

图3为本发明实施例1中的图形化建模界面图形示意图。

图4为本发明实施例1中的建模过程示意图。

图5为本发明实施例1中的构建通用算法库示意图。

图6为本发明实施例1中的在建模管理工具上显示的方法库示意图。

图7为本发明实施例1中的在建模管理工具上显示的组件库示意图。

图8为本发明实施例1中的图形化建模界面示意图。

图9为本发明实施例1中的建模推荐引擎的界面第一示意图。

图10为本发明实施例1中的建模推荐引擎的界面第二示意图。

图11为本发明实施例中的在线调试的界面示意图。

图12为本发明实施例1中的机理库构建的界面示意图。

图13为本发明实施例2的设备故障识别模型的建立系统的模块示意图。

图14为本发明实施例3的电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

如图1所示，本实施例公开了一种设备故障识别模型的建立方法，所述建立方法包括：

步骤S101、获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；

具体地，设备故障识别模型的建立过程可以拆解为预处理、特征提取、回归、聚类、分类等单元。同时，以标准的规则去规范所有单元对应的算法。例如，明确各单元的作用及输入输出信息、确定所需要的调节参数、标准化单元下算法的函数等等。为故障识别类数据模型提供流程化的建模方法。例如，根据故障识别模型特性，将建模过程划分为n个单元，并确定使用顺序。以电厂设备故障识别为例，将建模过程划分为数据预处理、特征工程、分类/聚类/回归模型、可视化展示六个单元。

本方案，针对故障识别模型场景多样，环境因素差异巨大，建模过程复杂多变，且目前还没有统一、明确、标准的建模规范，造成花了大量人力物力构建的故障识别模型与相关技术的可复用性差的问题，提出了针对该行业数据模型的建模特点，将建模过程拆解为预处理、特征提取、回归、聚类、分类等单元，并明确各单元的作用及输入输出信息，为故障识别类数据模型提供流程化的建模方法。

步骤S102、根据所述设备故障识别模型单元，构建算法库；

步骤S103、基于所述算法库，构建模型组件库；

步骤S104、从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。

本方案，通过根据所述设备故障识别模型单元，构建算法库，再基于所述算法库，构建模型组件库，最后从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型，从而实现了设备故障识别的自动化轻量化建模，大幅降低设备故障识别的建模时间与建模过程中的人力成本。

在一可实施的方式中，所述步骤S102包括：

根据所述设备故障识别模型单元，并基于现有故障识别模型，获取故障识别场景对应的通用算法组件，以构建算法库。

具体地，根据设备故障识别模型单元，以现有故障识别模型为基础，管理与开发故障识别场景的通用算法组件，构建标准化的通用算法库。另外，可通过设备故障识别模型单元的标签进行精细化分类与更新。例如，以电厂设备历史故障识别模型经验为基础，列出了数据预处理、特征提取、机器学习(分类/回归/聚类)相关通用算法库，并以python文件的格式保存记录。

本方案，通过对故障识别类数据模型各单元提供统一化的存储、调用、及连接方法，将故障识别模型中的各单元以标准化的方式封装为可调用的模型组件及模型组件库，从而实现各单元代码的跨场景、跨任务复用，通过事先积累各单元的相关代码，在有新的建模任务时，直接复用相关组件代码，提高建模效率并减低试错风险。

在一可实施的方式中，所述步骤S103包括：

基于由代码组成的故障识别模型，调用通用算法的参数作为组件的默认值并将各组件整合成模型组件库。

具体地，以由代码组成的现有故障识别模型为基础，将调用通用算法的参数作为组件的默认值进行固化。其中，现有故障识别模型指的是由python代码组成的，针对故障识别任务而开发的可执行代码，该类代码模型改写和复用难度大。以某通用算法association为例，其通用算法调用方式为association(参数A，参数B，参数C)。则其在某场景中使用的组件可定义为：

def tubine_association(a，b，c)

association(参数A＝a，参数B＝b，参数C＝c)

从而将特定场景下的通用算法调用参数存储于组件中，以python文件的格式存储，便于后续建模使用及迭代优化。

同时，可根据用户需求，自行事先将各组件整合成组件模块库，各组件及组件模块可在管理子系统中进行查询与编辑，并在构建的图形界面中以拖拉拽的方式自由调用。

本方案为故障识别数据模型各单元提供统一化的存储、调用、及连接方法，将故障识别模型中的各单元以标准化的方式封装为可调用的模型组件及模型组件库，从而实现各单元代码的跨场景、跨任务复用，通过事先积累各单元的相关代码，在有新的建模任务时，直接复用相关组件代码，提高建模效率并减低试错风险。

在一可实施的方式中，所述步骤S104包括：

基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件。

具体地，通过结合专家经验，与历史建模记录，实现在建模过程中自动为用户提供组件推荐。模型组件库，根据历史建模记录，在调用一个组件后进行下一个组件的调用时，推荐引擎根据组件的标签自动进行组件推荐。在进行引擎推荐时展示出可使用的组件推荐或组件模块推荐，用户点击某一个组件或组件模块完成调用。主要组件引擎推荐原则如下：

第一，从现有机理模型库中自动匹配组件之间关系进行引擎推荐；

第二，从组件库中根据当前组件的输出参数来匹配组件库中各组件的输入参数进行可实施性推荐；

第三，优先推荐良性标签组件；针对组件、组件模块之间的输出参数与输入参数不匹配时不允许调用使用。

本方案，针对轻量化建模过程中组件选择问题，构造了组件推荐引擎，通过结合专家经验，与历史建模记录，实现在建模过程中自动为用户提供组件推荐，完成故障识别模型自动化轻量化建模，进而大幅降低建模时间与建模过程中的人力成本。同时，本方案将故障识别模型的人员与项目经验沉淀于模型组件，通过提供组件复用的方法提高了模型的开发效率，通过直接调用已有组件，降低了开发人员的试错风险。

本方案，通过组件管理子系统对方法库、组件库、组件模块库、机理库进行连接与相互调用。将底层算法封装为固定的通用算法模块，针对特定场景构建诊断模型时，通过调用事先封装的算法模块以实现预处理、特征提取、回归、聚类、分类等各单元功能，并将每个算法模块所使用的参数存储于组件中，用于后续直接使用并在其他场景中进行迭代衍生，并将由组件拼装而成的最终诊断模型存于机理库中，方便后续相似场景的知识复用。本方案，通过对方法库、组件库、组件模块库、机理库的管理将模型组件管理及图形组态工具中的底层算法进行管理。其中，方法、组件、组件模块、机理模型之间关系如图2所示，通过方法库中方法进行组件开发组件，几个不同组件之间的组合成为组件模块，通过组件或组件模块的构造成为机理模型。

本方案，基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件的过程，也即肌理库的构建过程。机理库中主要存储由组件或组件模块使用图形化建模工具组成的组件流程及最终生成的模型python文件，模型组件的使用流程将为推荐引擎提供参考依据，同时，最终故障识别模型的建模经验也可沉淀于机理库用于后续迭代复用。具体任务如下：

第一，机理库中对机理模型的增加、删除、编辑、查询功能；

第二，支持对机理库中机理模型的分类管理，允许自定义创建多级机理分类进行管理；

第三，机理库中新增机理模型时需补充机理名称、机理类型、适用对象、性能评价标准、备注等信息后进入流程化建模工具进行机理模型创建；

第四，当机理库中新增机理模型中包含组件库中的自定义组件时，应由用户指定上一组件输出参数与自定义组件输入参数的对应关系，或者自定义组件输出参数与下一组件的输入参数的对应关系；

第五，机理库中支持对已经计算完成并进行性能评价的机理完成标签管理，并将该标签赋予使用的组件，如机理准确率等标签，为后续使用提供历史经验。

本方案，针对设备的故障识别模型难以沉淀并迭代衍生的问题，本发明通过将建模过程划分为通用算法、模型组件及故障识别机理三个阶段，首先将底层算法封装为固定的通用算法模块，并在组件库中进行调用方法的标准化，方便后续相同算法在不同场景中进行复用。在针对特定场景构建诊断模型时，通过调用事先封装的算法模块以实现预处理、特征提取、回归、聚类、分类等各单元功能，并将每个算法模块所使用的参数存储于组件中，用于后续直接使用并在其他场景中进行迭代衍生，从而实现对故障识别模型各单元组件的事先储备，并根据新场景的使用结果，重新调整单元组件的参数与标签，避免重复开发的同时对各单元组件进行拓展与迭代优化。

本实施例中，可通过图形化对设备故障识别模型进行建立。具体地，用户在具体操作时，可在建模的界面中实现对设备故障识别模型的建立，该界面可以实现自由选取并拖动所构建的组件库中的组件单元，另外，在该界面中可展示各模型组件之间顺序关系以及输入输出关系，确定前一个模型组件的输出参数，与后一个模型组件输入参数的对应关系。同时，该界面还具有以下基本功能：

第一，实现组件、模型组件库中组件模块的快速调用，可使用拖动形式进行调用；

第二，实现模型组件库中各组件模块的可视化展示；

第三，实现组件与组件或组件模块与组件模块之间的快速连接；

第四，实现并联组件的快速创建；

第五，实现整个模型的快速对齐、自适应屏幕；

第六，实现与机理模型库和组件模块库的实时关联管理；

第七，实现当使用到组件库中自定义编辑组件时，应由用户指定上一组件输出参数与自定义组件输入参数的对应关系，或者自定义组件输出参数与下一组件的输入参数的对应关系。

以汽轮机故障识别场景为示例，其图形化建模界面如图3所示。

本方案中，为了实现在线编译调试功能，需要根据所使用的组件进行编译调试环境的搭建。根据图形化建模界面的模型连接顺序，生成模型的python文件，代替传统代码级的模型构建，以组件model1与组件model2连接而生成的代码为例：

TestInput1＝Testdf

#TestInput1为组件Model1的输入数据；

TestResult1＝Model1(TestInput1,md1)

#Model1为组件1的调用函数；

#TestResult1为组件Model1的输出结果；

TestInput2＝TestResult1

#TestInput2为组件Model2的输入数据，也为组件1的输出；

TestResult2＝Model2(TestInput2,md2)

#Model2.test为组件Model2的调用函数；

#TestResult2为组件Model2的输出结果；

本方案，通过可视化组态的方式，对已有的算法模型进行快速建模，对仿真过程进行监控，并进行结果展示，用可视化组件代替纯代码组成的模型，方便用户对建模流程进行全局把控，并简化了建模及调试过程。同时，用户也可通过控制工作流，检查保存中间结果，以确保快速反馈。

为了更好地理解本发明，下面以基于汽轮机厂生产的汽轮机设备的故障识别模型构建为例，进一步说明。其中，汽轮机厂生产的汽轮机设备的故障识别主要是进行调节级压力预测与异常识别，其具体实施步骤如下：

第一步，规定故障识别模型单元及使用顺序。根据故障识别模型特性，将建模过程划分为数据预处理、特征工程、分类/聚类/回归模型、可视化展示六个单元，且流程如图4所示。

第二步，构建通用算法。如图5所示，根据第一步划分的单元个数，以现有故障识别模型为基础，管理与开发故障识别场景的通用算法组件，构建标准化的通用算法库，通过单元标签进行精细化分类与更新。案例，以电厂设备历史故障识别模型经验为基础，举例列出了数据预处理、特征提取、机器学习(分类/回归/聚类)相关通用算法库，并以python文件的格式保存记录。

在建模管理工具上显示的方法库如图6所示.

第三步，构建模型组件库。以现有故障识别模型为基础，将调用通用算法的参数作为组件的默认值进行固化。在汽轮机调节级压力回归任务建模过程中，使用随机森林回归算法组件作为机器学习预测单元，其代码层的组件调用方式如下：

model_abs_url,model_svm_reg,reg_result,y_test,y_predict＝

random_forest_reg.train(data_train_test)

其中，函数random_forest_reg为算法库中，随机森林回归的通用算法，而调用时所使用的参数则会重新封装到汽轮机调节级压力回归_随机森林组件中，其封装过程如下：

def svr_pressure(data,

feature_tags,

target_tag,

test_size＝0.25,

scaler＝None,

kernel＝"rbf",

c＝1,

gamma＝"auto",

tol＝0.01,

max_iter＝5000,

cv＝3,

model_url＝'.\\my_svr_model.pkl'):

#模型训练

model_abs_url,model_svm_reg,reg_result,y_test,y_predict＝\

support_vector_re.train(data_aligned＝data,

feature_tags＝feature_tags,

target_tag＝target_tag,

test_size＝test_size,

scaler＝scaler,

kernel＝kernel,

c＝c,

gamma＝gamma,

tol＝tol,

max_iter＝max_iter,

cv＝cv,

model_url＝model_url)

return model_abs_url,model_svm_reg,reg_result,y_test,y_predict

其中的关键参数feature_tags,

target_tag,

test_size＝0.25,

scaler＝None,

kernel＝"rbf",

c＝1,

gamma＝"auto",

tol＝0.01,

max_iter＝5000,

cv＝3,

model_url＝'.\\my_svr_model.pkl'

被组件定义完整记录下来，无需在使用组件时再次设定。若建模结果不理想，专业用户也可对参数进行调整，从而拓展与优化原组件算法。

第四步，构建组件管理子系统。将故障识别模型建模过程中所需用到的方法库、组件库均在管理系统中列出，同时可根据用户需求，自行事先将各组件整合成组件模块库，各组件及组件模块可在第五步的图形化建模界面中随时调用，展示结果如图7，图8所示。

第五步，构建图形化建模界面。构建可自由选取并拖动第三步所构建的组件库中的给组件单元进行建模的界面，各模型组件之间顺序关系以及输入输出关系，确定前一个模型组件的输出参数，与后一个模型组件输入参数的对应关系，在界面中建模过程如图8所示。

第六步，构建建模推荐引擎。依托模型组件库，根据历史建模记录，构建建模推荐引擎，其使用界面如图9、图10所示。

第七步，构建在线调试模块。使用图形建模工具通过拖拉拽的方式连接各组件单元后，直接在画布上进行运行调试，同时可以检查组件的输出，输入和报错等信息，并同步自动生成相应python代码显示，结果如图11所示。

第八步，机理库构建。如图12所示，将新构建的模型保存，并自动存储于机理库。

实施例2

如图13所示，本实施例公开了一种设备故障识别模型的建立系统，所述建立系统包括：

第一获取模块1，用于获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；

具体地，设备故障识别模型的建立过程可以拆解为预处理、特征提取、回归、聚类、分类等单元。同时，以标准的规则去规范所有单元对应的算法。例如，明确各单元的作用及输入输出信息、确定所需要的调节参数、标准化单元下算法的函数等等。为故障识别类数据模型提供流程化的建模方法。例如，根据故障识别模型特性，将建模过程划分为n个单元，并确定使用顺序。以电厂设备故障识别为例，将建模过程划分为数据预处理、特征工程、分类/聚类/回归模型、可视化展示六个单元。

本方案，针对故障识别模型场景多样，环境因素差异巨大，建模过程复杂多变，且目前还没有统一、明确、标准的建模规范，造成花了大量人力物力构建的故障识别模型与相关技术的可复用性差的问题，提出了针对该行业数据模型的建模特点，将建模过程拆解为预处理、特征提取、回归、聚类、分类等单元，并明确各单元的作用及输入输出信息，为故障识别类数据模型提供流程化的建模方法。

第一构建模块2，用于根据所述设备故障识别模型单元，构建算法库；

第二构建模块3，用于基于所述算法库，构建模型组件库；

第二获取模块4，用于从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。

本方案，通过根据所述设备故障识别模型单元，构建算法库，再基于所述算法库，构建模型组件库，最后从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型，从而实现了设备故障识别的自动化轻量化建模，大幅降低设备故障识别的建模时间与建模过程中的人力成本。

在一可实施的方式中，所述第一构建模块具体用于：

根据所述设备故障识别模型单元，并基于现有故障识别模型，获取故障识别场景对应的通用算法组件，以构建算法库。

具体地，根据设备故障识别模型单元，以现有故障识别模型为基础，管理与开发故障识别场景的通用算法组件，构建标准化的通用算法库。另外，可通过设备故障识别模型单元的标签进行精细化分类与更新。例如，以电厂设备历史故障识别模型经验为基础，列出了数据预处理、特征提取、机器学习(分类/回归/聚类)相关通用算法库，并以python文件的格式保存记录。

本方案，通过对故障识别类数据模型各单元提供统一化的存储、调用、及连接方法，将故障识别模型中的各单元以标准化的方式封装为可调用的模型组件及模型组件库，从而实现各单元代码的跨场景、跨任务复用，通过事先积累各单元的相关代码，在有新的建模任务时，直接复用相关组件代码，提高建模效率并减低试错风险。

在一可实施的方式中，所述第二构建模块具体用于：

基于由代码组成的故障识别模型，调用通用算法的参数作为组件的默认值并将各组件整合成模型组件库。

具体地，以由代码组成的现有故障识别模型为基础，将调用通用算法的参数作为组件的默认值进行固化。其中，现有故障识别模型指的是由python代码组成的，针对故障识别任务而开发的可执行代码，该类代码模型改写和复用难度大。以某通用算法association为例，其通用算法调用方式为association(参数A，参数B，参数C)。则其在某场景中使用的组件可定义为：

def tubine_association(a，b，c)

association(参数A＝a，参数B＝b，参数C＝c)

从而将特定场景下的通用算法调用参数存储于组件中，以python文件的格式存储，便于后续建模使用及迭代优化。

同时，可根据用户需求，自行事先将各组件整合成组件模块库，各组件及组件模块可在管理子系统中进行查询与编辑，并在构建的图形界面中以拖拉拽的方式自由调用。

本方案为故障识别数据模型各单元提供统一化的存储、调用、及连接方法，将故障识别模型中的各单元以标准化的方式封装为可调用的模型组件及模型组件库，从而实现各单元代码的跨场景、跨任务复用，通过事先积累各单元的相关代码，在有新的建模任务时，直接复用相关组件代码，提高建模效率并减低试错风险。

在一可实施的方式中，所述第二获取模块具体用于：

基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件。

具体地，通过结合专家经验，与历史建模记录，实现在建模过程中自动为用户提供组件推荐。模型组件库，根据历史建模记录，在调用一个组件后进行下一个组件的调用时，推荐引擎根据组件的标签自动进行组件推荐。在进行引擎推荐时展示出可使用的组件推荐或组件模块推荐，用户点击某一个组件或组件模块完成调用。主要组件引擎推荐原则如下：

第一，从现有机理模型库中自动匹配组件之间关系进行引擎推荐；

第二，从组件库中根据当前组件的输出参数来匹配组件库中各组件的输入参数进行可实施性推荐；

第三，优先推荐良性标签组件；针对组件、组件模块之间的输出参数与输入参数不匹配时不允许调用使用。

本方案，针对轻量化建模过程中组件选择问题，构造了组件推荐引擎，通过结合专家经验，与历史建模记录，实现在建模过程中自动为用户提供组件推荐，完成故障识别模型自动化轻量化建模，进而大幅降低建模时间与建模过程中的人力成本。同时，本方案将故障识别模型的人员与项目经验沉淀于模型组件，通过提供组件复用的方法提高了模型的开发效率，通过直接调用已有组件，降低了开发人员的试错风险。

本方案，通过组件管理子系统对方法库、组件库、组件模块库、机理库进行连接与相互调用。将底层算法封装为固定的通用算法模块，针对特定场景构建诊断模型时，通过调用事先封装的算法模块以实现预处理、特征提取、回归、聚类、分类等各单元功能，并将每个算法模块所使用的参数存储于组件中，用于后续直接使用并在其他场景中进行迭代衍生，并将由组件拼装而成的最终诊断模型存于机理库中，方便后续相似场景的知识复用。本方案，通过对方法库、组件库、组件模块库、机理库的管理将模型组件管理及图形组态工具中的底层算法进行管理。其中，方法、组件、组件模块、机理模型之间关系如图2所示，通过方法库中方法进行组件开发组件，几个不同组件之间的组合成为组件模块，通过组件或组件模块的构造成为机理模型。

本方案，基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件的过程，也即肌理库的构建过程。机理库中主要存储由组件或组件模块使用图形化建模工具组成的组件流程及最终生成的模型python文件，模型组件的使用流程将为推荐引擎提供参考依据，同时，最终故障识别模型的建模经验也可沉淀于机理库用于后续迭代复用。具体任务如下：

第一，机理库中对机理模型的增加、删除、编辑、查询功能；

第二，支持对机理库中机理模型的分类管理，允许自定义创建多级机理分类进行管理；

第三，机理库中新增机理模型时需补充机理名称、机理类型、适用对象、性能评价标准、备注等信息后进入流程化建模工具进行机理模型创建；

第四，当机理库中新增机理模型中包含组件库中的自定义组件时，应由用户指定上一组件输出参数与自定义组件输入参数的对应关系，或者自定义组件输出参数与下一组件的输入参数的对应关系；

第五，机理库中支持对已经计算完成并进行性能评价的机理完成标签管理，并将该标签赋予使用的组件，如机理准确率等标签，为后续使用提供历史经验。

本方案，针对设备的故障识别模型难以沉淀并迭代衍生的问题，本发明通过将建模过程划分为通用算法、模型组件及故障识别机理三个阶段，首先将底层算法封装为固定的通用算法模块，并在组件库中进行调用方法的标准化，方便后续相同算法在不同场景中进行复用。在针对特定场景构建诊断模型时，通过调用事先封装的算法模块以实现预处理、特征提取、回归、聚类、分类等各单元功能，并将每个算法模块所使用的参数存储于组件中，用于后续直接使用并在其他场景中进行迭代衍生，从而实现对故障识别模型各单元组件的事先储备，并根据新场景的使用结果，重新调整单元组件的参数与标签，避免重复开发的同时对各单元组件进行拓展与迭代优化。

本实施例中，可通过图形化对设备故障识别模型进行建立。具体地，用户在具体操作时，可在建模的界面中实现对设备故障识别模型的建立，该界面可以实现自由选取并拖动所构建的组件库中的组件单元，另外，在该界面中可展示各模型组件之间顺序关系以及输入输出关系，确定前一个模型组件的输出参数，与后一个模型组件输入参数的对应关系。同时，该界面还具有以下基本功能：

第一，实现组件、模型组件库中组件模块的快速调用，可使用拖动形式进行调用；

第二，实现模型组件库中各组件模块的可视化展示；

第三，实现组件与组件或组件模块与组件模块之间的快速连接；

第四，实现并联组件的快速创建；

第五，实现整个模型的快速对齐、自适应屏幕；

第六，实现与机理模型库和组件模块库的实时关联管理；

第七，实现当使用到组件库中自定义编辑组件时，应由用户指定上一组件输出参数与自定义组件输入参数的对应关系，或者自定义组件输出参数与下一组件的输入参数的对应关系。

以汽轮机故障识别场景为示例，其图形化建模界面如图3所示。

本方案中，为了实现在线编译调试功能，需要根据所使用的组件进行编译调试环境的搭建。根据图形化建模界面的模型连接顺序，生成模型的python文件，代替传统代码级的模型构建，以组件model1与组件model2连接而生成的代码为例：

TestInput1＝Testdf

#TestInput1为组件Model1的输入数据；

TestResult1＝Model1(TestInput1,md1)

#Model1为组件1的调用函数；

#TestResult1为组件Model1的输出结果；

TestInput2＝TestResult1

#TestInput2为组件Model2的输入数据，也为组件1的输出；

TestResult2＝Model2(TestInput2,md2)

#Model2.test为组件Model2的调用函数；

#TestResult2为组件Model2的输出结果；

本方案，通过可视化组态的方式，对已有的算法模型进行快速建模，对仿真过程进行监控，并进行结果展示，用可视化组件代替纯代码组成的模型，方便用户对建模流程进行全局把控，并简化了建模及调试过程。同时，用户也可通过控制工作流，检查保存中间结果，以确保快速反馈。

实施例3

图14为本发明实施例3提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1所提供的设备故障识别模型的建立方法。图14显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图14所示，电子设备40可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。

总线43包括数据总线、地址总线和控制总线。

存储器42可以包括易失性存储器，例如随机存取存储器(RAM)421和/或高速缓存存储器422，还可以进一步包括只读存储器(ROM)423。

存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

处理器41通过运行存储在存储器42中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的设备故障识别模型的建立方法。

电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，模型生成的设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与模型生成的设备40的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例4

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所提供的设备故障识别模型的建立方法。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所提供的设备故障识别模型的建立方法。

其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种设备故障识别模型的建立方法，其特征在于，所述建立方法包括：

获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；

根据所述设备故障识别模型单元，构建算法库；

基于所述算法库，构建模型组件库；

从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。

2.如权利要求1所述的设备故障识别模型的建立方法，其特征在于，所述根据所述设备故障识别模型单元，构建算法库的步骤包括：

根据所述设备故障识别模型单元，并基于现有故障识别模型，获取故障识别场景对应的通用算法组件，以构建算法库。

3.如权利要求1所述的设备故障识别模型的建立方法，其特征在于，所述基于所述算法库，构建模型组件库的步骤包括：

基于由代码组成的故障识别模型，调用通用算法的参数作为组件的默认值并将各组件整合成模型组件库。

4.如权利要求1所述的设备故障识别模型的建立方法，其特征在于，所述从模型组件库中，获取与设备故障识别模型相匹配的模型组件的步骤包括：

基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件。

5.一种设备故障识别模型的建立系统，其特征在于，所述建立系统包括：

第一获取模块，用于获取设备故障识别模型单元；所述故障识别模型单元表征在建立设备故障识别模型的过程中划分的若干单元；

第一构建模块，用于根据所述设备故障识别模型单元，构建算法库；

第二构建模块，用于基于所述算法库，构建模型组件库；

第二获取模块，用于从模型组件库中，获取与设备故障识别模型相匹配的模型组件，并建立设备故障识别模型。

6.如权利要求5所述的设备故障识别模型的建立系统，其特征在于，所述第一构建模块具体用于：

根据所述设备故障识别模型单元，并基于现有故障识别模型，获取故障识别场景对应的通用算法组件，以构建算法库。

7.如权利要求5所述的设备故障识别模型的建立系统，其特征在于，所述第二构建模块具体用于：

基于由代码组成的故障识别模型，调用通用算法的参数作为组件的默认值并将各组件整合成模型组件库。

8.如权利要求5所述的设备故障识别模型的建立系统，其特征在于，所述第二获取模块具体用于：

基于所述模型组件库，通过预先构建的推荐引擎将与设备故障识别模型相匹配的模型组件进行推荐，以获取与设备故障识别模型相匹配的模型组件。

9.一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的设备故障识别模型的建立方法。

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如权利要求1至4任一项所述的设备故障识别模型的建立方法的步骤。