水产养殖物联网装备集群的故障诊断方法及系统的制作方法
【技术领域】
[0001] 本发明涉及设备故障诊断技术领域，尤其是涉及一种水产养殖物联网装备集群的 故障诊断方法和一种水产养殖物联网装备集群的故障诊断系统。
【背景技术】
[0002] 水产养殖物联网装备集群是集成包括采集器、传感器、通讯模块、供电模块、小无 线、控制器模块、显示模块等的复杂电子装备，部署在待检测的水产养殖场所，用于检测水 质参数（包括溶解氧、亚硝胺、PH、盐都度、电导率、浊度、水温等参数），实现检测水产养殖 的信息化、自动化、产品质量控制及溯源等。
[0003]由于水产养殖物联网装备集群的安装地点多位于存在污染的水体或无保护的空 间位置，因此水产养殖物联网装备集群的模块（例如采集器、传感器、小无线等）经常受到 损伤而使得装备发生故障。目前存在的问题是，一旦出现故障，需要有专业背景的技术人员 去现场确定或者根据采集的海量数据进行人工分析，两种故障诊断方法均具有实时性差、 耗费人力和工作量大缺点。
【发明内容】
[0004] 针对上述缺陷，本发明提供一种水产养殖物联网装备集群的故障诊断方法及系 统，该方法及系统解决了现有技术中实时性差、耗费人力和工作量大的缺点。
[0005] 该方法包括：
[0006]S1、获取所述装备集群的历史故障数据；
[0007]S2、根据所述历史故障数据，建立故障诊断网络，
[0008] 其中，所述故障诊断网络包括与所述装备集群所发生的故障对应的故障节点、与 导致每一所述故障的诱因对应的诱因节点及与所述每一故障的故障特征对应的故障特征 节点，每一所述故障节点分别与对应的诱因节点、故障特征节点连接；
[0009]S3、获取所述装备集群的待诊断数据，并提取所述待诊断数据中的故障特征；
[0010] S4、在所述故障诊断网络中查找与所述待诊断数据的每一故障特征对应的故障特 征节点及与该故障特征节点连接的故障节点；
[0011]S5、计算步骤S4中查找到的每一故障节点连接的诱因节点中，每一诱因节点对应 的诱因诱发该故障节点对应的故障的概率，将概率最大的诱因节点对应的诱因作为导致该 故障节点对应的故障的根本诱因。
[0012] 进一步地，所述步骤S3中提取所述待诊断数据中的故障特征，包括：
[0013] 针对所述故障诊断网络中的每一故障特征节点，构造一个对应的支持向量机判决 函数；
[0014] 利用每一故障特征节点对应的支持向量机判决函数判断所述待诊断数据中与该 故障特征节点对应的特征数据是否异常，
[0015] 若是，则该特征数据为故障特征数据，该特征数据代表的特征为故障特征。
[0016] 进一步地，所述第j个故障特征节点对应的支持向量机判决函数为：
[0017] Yj= <w, Data ^+b
[0018] 其中，Data_j为所述待诊断数据中与第j个故障特征节点对应的特征数据，y为判 决结果，-1表示该特征数据异常；y多1则表示该特征数据正常。《、b均为常数。
[0019] 进一步地，步骤S5中第u个故障节点连接的第w个诱因节点对应的诱因诱发该第 u个故障节点对应的故障的概率采用以下公式计算：
[0021] 其中，.g为所述待诊断数据的故障特征对应的故障特征节点中与所述第U个故障 节点连接的故障特征节点的数据矩阵；
[0022] g,:为所述数据矩阵中第i个元素的值；
[0023]f为所述第w个诱因节点通过所述第U个故障节点对所述数据矩阵中每一元素的 支持率组成的权重矩阵；
[0024]n为所述待诊断数据的故障特征对应的故障特征节点中与所述第U个故障节点连 接的故障特征节点的个数。
[0025] 进一步地，该方法还包括：
[0026]S6、获取所述装备集群的现场诊断结果；
[0027]S7、根据所述现场诊断结果，确定所述待诊断数据的故障特征并非由步骤S4中查 找到的故障节点对应的故障导致或者由步骤S5中确定的根本诱因诱发，则对所述故障诊 断网络进行修正。
[0028] 该系统包括：
[0029] 第一获取模块，用于获取所述装备集群的历史故障数据；
[0030] 网络建立模块，用于根据所述历史故障数据，建立故障诊断网络，
[0031] 其中，所述故障诊断网络包括与所述装备集群所发生的故障对应的故障节点、与 导致每一所述故障的诱因对应的诱因节点及与所述每一故障的故障特征对应的故障特征 节点，每一所述故障节点分别与对应的诱因节点、故障特征节点连接；
[0032] 第二获取模块，用于获取所述装备集群的待诊断数据，并提取所述待诊断数据中 的故障特征；
[0033] 查找模块，用于在所述故障诊断网络中查找与所述待诊断数据的每一故障特征对 应的故障特征节点及与该故障特征节点连接的故障节点；
[0034] 计算模块，用于计算所述查找模块中查找到的每一故障节点连接的诱因节点中， 每一诱因节点对应的诱因诱发该故障节点对应的故障的概率，将概率最大的诱因节点对应 的诱因作为导致该故障节点对应的故障的根本诱因。
[0035] 进一步地，所第二获取模块包括：
[0036] 函数构造单元，用于针对所述故障诊断网络中的每一故障特征节点，构造一个对 应的支持向量机判决函数；
[0037] 判断单元，用于利用每一故障特征节点对应的支持向量机判决函数判断所述待诊 断数据中与该故障特征节点对应的特征数据是否异常，
[0038] 若是，则该特征数据为故障特征数据，该特征数据代表的特征为故障特征。
[0039] 进一步地，所述函数构造单元中所述第j个故障特征节点对应的支持向量机判决 函数为：
[0040] Yj= <w, Data ^+b
[0041] 其中，Data_j为所述待诊断数据中与第j个故障特征节点对应的特征数据，y为判 决结果，若-1表示该特征数据异常；若h多1则表示该特征数据正常。w、b均为常 数。
[0042] 进一步地，所述计算模块采用以下公式计算第U个故障节点连接的第w个诱因节 点对应的诱因诱发该第u个故障节点对应的故障的概率：
[0044] 其中，P为所述待诊断数据的故障特征对应的故障特征节点中与所述第U个故障 节点连接的故障特征节点的数据矩阵；
[0045] &为所述数据矩阵中第i个元素的值；
[0046]f为所述第w个诱因节点通过所述第U个故障节点对所述数据矩阵中每一元素的 支持率组成的权重矩阵；
[0047]n为所述待诊断数据的故障特征对应的故障特征节点中与所述第U个故障节点连 接的故障特征节点的个数。
[0048] 进一步地，该系统还包括：
[0049] 第三获取模块，用于获取所述装备集群的现场诊断结果；
[0050] 修正模块，用于根据所述现场诊断结果，确定所述待诊断数据的故障特征并非由 所述查找模块中查找到的故障节点对应的故障导致或者由所述计算模块中确定的根本诱 因诱发，则对所述故障诊断网络进行修正。
[0051] 本发明首先通过对历史故障数据进行分析，建立故障诊断网络；然后确定待诊断 数据的故障特征；最后在故障诊断网络中搜索与该故障特征对应的故障特征节点连接的故 障节点，确定每一故障节点连接的诱因节点中诱发该故障节点对应的故障的概率最大的诱 发节点，将该诱因节点作为该故障节点的根本诱因，至此便可得到待诊断数据可能发生每 一种故障的根本诱因。本发明不需要有专业背景的技术人员去现场确定，也不用根据采集 的海量数据进行人工分析，因此避免了这两种方法所具有的实时性差、耗费人力和工作量 大的缺点。
【附图说明】
[0052] 通过参考附图会更加清楚的理解本发明的特征信息和优点，附图是示意性的而不 应理解为对本发明进行任何限制，在附图中：
[0053]图1示出了根据本发明水产养殖物联网装备集群的故障诊断方法的流程示意图