一种设备状态诊断方法及装置与流程

本发明涉及设备生产监控技术领域，特别是涉及一种基于机器学习的设备状态智能诊断方法及装置。

背景技术：

在工业生产领域中，传统的设备状态监测方案是通过定阈值监测或者简单的多阈值监测判断的，但是这种方案可以通用地解决一类状态检测问题。随着被监测状态和参数的多样化以及所处行业生产过程的复杂化或者其他非一致性的客观条件，基于传统的定值监测技术越来越不能适应这种变化，难以保证状态判断结果的准确度。

为了解决这一问题，在现有的技术情况下，采用的是有经验的人员配合监测系统实现人工干预和预判断从而进行有效的判断，由于基于个人经验的差异以及种种思维惯性，这种机器结合人工的方法具有一定的局限性。

技术实现要素：

针对于上述问题，本发明提供一种设备状态诊断方法及装置，实现了提高了设备状态诊断的准确度和精确度的目的。

为了实现上述目的，根据本发明的第一方面，提供了一种设备状态诊断方法，该方法包括：

对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；

根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；

获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；

判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；

当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。

优选的，所述根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类，包括：

根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；

依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。

优选的，所述当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类，包括：

当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；

对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；

对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。

优选的，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该方法还包括：

根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。

优选的，当确定所述被测样本的故障诊断分类之后，该方法还包括：

将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。

根据本发明的第二方面，提供了一种设备状态诊断装置，该装置包括：

处理模块，用于对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；

第一判断模块，用于根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；

分类模块，用于获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；

第二判断模块，用于判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；

第三判断模块，用于当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。

优选的，所述第一判断模块包括：

确定单元，用于根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；

初步判断单元，用于依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。

优选的，所述第三判断模块包括：

获取单元，用于当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；

评判单元，用于对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；

排序单元，用于对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。

优选的，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该装置还包括：

人工判断单元，用于根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。

优选的，当确定所述被测样本的故障诊断分类之后，该装置还包括：

修正模块，用于将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。

相较于现有技术，本发明对获取到的历史样本进行处理得到典型样本故障分类及其特征值；对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；获得所述故障初步分类对应的样本特征值，进行加权计算得到相似度参数，并确定所述被测样本的故障分类；判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类；当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。本发明基于历史样本作为分类和判断的依据有效解决了现有技术中个体差异和人工判断不准确的情况，并且在本发明中采用了多次判断使结果更加准确，降低了误判的可能性，最后将被测样本归入历史样本数据库中，随着数据库中数据的增加，使后续的判断可信度越来越高，进而实现了提高了设备状态诊断的准确度和精确度的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例一提供的一种设备状态诊断方法的流程示意图；

图2为本发明实施例二对应的图1中s12步骤获取故障初步分类的流程示意图；

图3为本发明实施例二对应的图1中s16步骤精确模型判断的流程示意图；

图4为本发明实施例三提供的一种设备状态诊断装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

实施例一

参见图1为本发明实施例一提供的一种设备状态诊断方法的流程示意图，该方法包括以下步骤：

s11、对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；

具体的，在历史样本数据库中获取到历史样本数据后，采用统计学方法对样本数据进行初步的归类和整理，通常会使用k-近邻算法进行归纳，得到典型样本故障分类，分类的数量通过人工判断结合历史数据整理会逐渐增多。举例说明，比如获取到汽轮机历史故障样本数据，对其进行典型样本的故障分类可以分为转子突变性不平衡、转子不对中、转子形状热弯曲、专职支承部件松动、转轴径向碰磨、旋转失速和油膜涡动这几类典型故障，此处只是举例说明故障类型，但是不局限于上述几类故障分类。并根据现有技术中的方法获得对应的样本特征值。并且，典型样本数据的归类应以同类型全部样本历史数据作为参考。

s12、根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；

具体的，将被测样本与所述典型样本故障分类进行比较获得被测样本的初步分类。计算相似度时应以时间维度以及样本置信率作为主要参考，过老的记录和过新的记录在相似度比例中应占比更低，作为被多次近邻的样本其置信度应该更高，若所有相似度低于一个标准值，则该状态应该作为一个新故障分类进行处理，作为孤本样本，应排除在相似度计算中。

s13、获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；

具体的，当确定了被测样本的初步分类后还有对所述初步分类进行验证，以确定该初步分类是否为被测样本的故障分类。

s14、判断所述故障分类的种类数量是否满足预设条件，如果是，则执行步骤s15，如果否，则执行步骤s16。

s15、将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；

s16、当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。

具体的，确定所述被测样本的故障分类后，如果得到的分类种类为多种需要进行进一步判断，已得到最接近故障分类记作故障诊断分类。

通过本发明实施例一公开的技术方案，对获取到的历史样本进行处理得到典型样本故障分类及其特征值；对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；获得所述故障初步分类对应的样本特征值，进行加权计算得到相似度参数，并确定所述被测样本的故障分类；判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类；当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。本发明基于历史样本作为分类和判断的依据有效解决了现有技术中个体差异和人工判断不准确的情况，并且在本发明中采用了多次判断使结果更加准确，降低了误判的可能性，最后将被测样本归入历史样本数据库中，随着数据库中数据的增加，使后续的判断可信度越来越高，进而实现了提高了设备状态诊断的准确度和精确度的目的。

实施例二

参照本发明实施例一和图1中所描述的s11到s16步骤的具体过程，并参见图2，所述步骤s12根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类，具体包括以下步骤：

s121、根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；

s122、依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。

具体的，在获得了典型样本故障分类后，针对不同分类情况下，归纳明确的判断条件，然后对被测样本进行参数关联性分析归类，获得被测样本的故障初步分类。其中，根据样本特征值和故障类型会存在不同的归类方法，最简单的是手动归类即由专家自己分类；或者是基于线性回归，逻辑回归聚类等多种归类方式，均可作为本发明中提到的参数关联性分析归类的手段，本发明对此不做限定。

参见图3，所述步骤s16当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类，具体包括：

s161、当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；

s162、对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；

s163、对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。

可以理解的是，在确定了被测样本其可能的故障分类后，针对其可能的故障分类下面的样本创建精确模型，即结合历史数据总结样本分布得出较为准确的特征值和故障分类表现的联系程度，后经数学提到计算得出较为准确的判断模型；方法为对故障分类下的历史样本通过相似度评判标准进行评判也就是在获得了所述历史样本的特征值后，采用k-临近算法，对特征值进行加权计算获得所述各个历史样本的相似度值，然后基于所述精确模型进行相似性判断，得出相似度值进行排序，确认其相似度值较高的对应的分类作为所述被测样本的故障诊断分类。其中，相似度评判标准可由外部参数设定或者模型内部设定，然后采用逻辑回归算法或神经网络分类器，根据实时数据计算的特征值计算代价函数，通过反复迭代使得该样本数据的代价函数最小，这样可以获得相似度值。

同时，若经过精确模型判断后仍为多个故障分类，需要对应的分类作为所述被测样本的故障诊断分类。通常可以交由人工判断或者记录置信率(基于记录时间以及该记录被近似的次数和概率)进行更广度的确认，确认其单一故障分类作为故障诊断分类。

当确定所述被测样本的故障诊断分类之后，该方法还包括：

将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。

可以理解的是，确认结果后，结果应记录在历史样本数据库中，同时完成历史库中的典型故障特征及典型故障样本修正，进一步可以为样本置信率修正，对于数量较少的样本，其置信率应该交由人工修正。

并且说明，在本发明中的样本的置信率标识该样本在某个故障分类下的概率，给出的是判断结果的可信度，对于大子样的区间估计与置信率的计算方法如下：

根据本发明实施例二公开的技术方案，对获取到的历史样本进行处理得到典型样本故障分类及其特征值，对被测样本进行初步判断时采用k-近邻算法判断故障所述类型，去除一定的符合相似度的分类所述，采用的k-近邻算法精确度高，方法成熟，既可以用来作分类也可以用来做回归。在本发明中首先是初步分类的判断，根据相似度确定初步分类的准确性，然后是进行精确判断得到最终的分类，如果分类不单一还采用人工干预进行判断，这样保证了判断结果的准确性，降低了误判的可能性。由于所有的判断过程都是机器算法完成，即采用机器学习方式，随着数据库内数据的增加，该判定可信度将越来越高。进而实现了提高了设备状态诊断的准确度和精确度的目的。

实施例三

与本发明实施例一和实施例二所公开的一种设备诊断方法相对应，本发明的实施例三还提供了一种设备诊断装置，参见图4，该装置包括：

处理模块1，用于对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；

第一判断模块2，用于根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；

分类模块3，用于获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；

第二判断模块4，用于判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；

第三判断模块5，用于当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。

对应的，所述第一判断模块2包括：

确定单元21，用于根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；

初步判断单元22，用于依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。

对应的，所述第三判断模块5包括：

获取单元51，用于当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；

评判单元52，用于对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；

排序单元53，用于对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。

具体的，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该装置还包括：

人工判断单元，用于根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。

对应的，当确定所述被测样本的故障诊断分类之后，该装置还包括：

修正模块6，用于将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。

在本发明的实施例三中，在处理模块中得到了典型样本故障分类及其特征值，在第一判断模块中得到所述被测样本的故障初步分类；在分类模块中确定所述被测样本的故障分类；在第二判断模块中，如果故障分类结果为单一分类，将将所述故障分类确定为所述被测样本的故障诊断分类，在第三判断模块中，将不是单一分类的进行再次判断得到所述被测样本的故障诊断分类。本发明基于历史样本作为分类和判断的依据有效解决了现有技术中个体差异和人工判断不准确的情况，并且在本发明中采用了多次判断使结果更加准确，降低了误判的可能性，最后将被测样本归入历史样本数据库中，随着数据库中数据的增加，使后续的判断可信度越来越高，进而实现了提高了设备状态诊断的准确度和精确度的目的。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。