一种故障诊断方法及装置的制造方法
【专利摘要】本发明公开一种故障诊断方法及装置，所述方法包括：基于目标产品的各故障类型对应的历史故障数据，采用支持向量机SVM，建立各故障类型对应的故障诊断模型；获取目标产品运行过程中产生的数据，基于所述各故障类型对应的故障诊断模型，对获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决策值；基于各故障类型预设的权重值及所述获取的数据对应的各故障类型的决策值，确定目标产品的故障类型。相比于现有技术，本发明提出的故障诊断方法及装置，采用SVM建立产品各故障类型对应的故障诊断模型，基于各故障类型的权重值，最终确定产品故障类型，适用于类似卫星等故障样本极其稀少的产品的故障诊断。
【专利说明】
-种故障诊断方法及装置
技术领域
[0001 ]本发明设及数据处理技术领域，具体设及一种故障诊断方法及装置。
【背景技术】
[0002] 随着科技的发展，越来越多的产品面世，例如卫星设备、电子设备、软件等产品，在 产品运行中，需要诊断产品是否产生故障，W及确定故障的类型。
[0003] 现有的故障诊断技术，主要基于经验风险最小化的方法得到故障诊断模型，从而 对故障进行诊断。例如采用支持向量机(Suppcxrt Vector Machine，SVM)方法得到故障诊断 模型;又例如采用人工神经网络方法得到故障诊断模型。
[0004] SVM是一种二分类算法，而在故障诊断的实际应用中，要解决多类故障的分类问 题，对于故障样本极少的情况下不能达到很好的诊断效果。
[0005] 人工神经网络等机器学习方法的重要基础之一就是统计学，对学习样本要求的数 目不仅多而且质量高，即样本的数据分布要能够包括所有故障模式，且类似的故障模式不 能有矛盾或冲突，而实际产品的故障样本很难达到运种要求。按照经典统计学中的大数定 律，统计规律只有当训练样本数目接近无限大时才能够准确地被表达。
[0006] 可见，随着卫星设备、电子设备、软件等产品的研制水平不断提高，产品故障发生 率越来越低，故障样本数目也极其有限，因此利用现有的基于经验风险最小化的方法得到 的故障诊断模型的性能不甚理想，严重影响了实际使用效果，所W，运些理论上很优秀的学 习方法在故障诊断的实际应用中很难得到真正的应用。目前对于故障诊断的多数文章都 是在仿真数据之上进行的，然而处于高度复杂环境中的产品存在众多的不确定因素，而仿 真数据很难准确描述产品的真正运行状态，因此仅仅靠运些数据很难真正地将建立的算法 及模型用于实际的故障诊断中。
【发明内容】
[0007] 鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的一种 故障诊断方法及装置。
[000引为此目的，第一方面，本发明提出一种故障诊断方法，包括：
[0009] 基于目标产品的各故障类型对应的历史故障数据，采用支持向量机SVM，建立各故 障类型对应的故障诊断模型；
[0010] 获取目标产品运行过程中产生的数据，基于所述各故障类型对应的故障诊断模 型，对获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决策值；
[0011] 基于各故障类型预设的权重值及所述获取的数据对应的各故障类型的决策值，确 定目标产品的故障类型。
[0012] 可选的，所述各故障类型预设的权重值通过权重计算式确定，所述权重计算式如 下：
[0013]
[0014] 其中，W为第i个故障类型对应的权重值，Pi为第i个故障类型对应的故障诊断模型 的误诊断率;i = l，2,…，n，n为所述目标产品故障类型的个数。
[0015] 可选的，所述基于各故障类型预设的权重值及所述获取的数据对应的各故障类型 的决策值，确定目标产品的故障类型，包括：
[0016] 将权重值与决策值乘积的最大值对应的故障类型确定为目标产品的故障类型。
[0017] 第二方面，本发明还提出一种故障诊断装置，包括：
[0018] 建模单元，用于基于目标产品的各故障类型对应的历史故障数据，采用支持向量 机SVM，建立各故障类型对应的故障诊断模型；
[0019] 处理单元，用于获取目标产品运行过程中产生的数据，基于所述各故障类型对应 的故障诊断模型，对获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决策 值；
[0020] 诊断单元，用于基于各故障类型预设的权重值及所述获取的数据对应的各故障类 型的决策值，确定目标产品的故障类型。
[0021] 可选的，所述各故障类型预设的权重值通过权重计算式确定，所述权重计算式如 下：
[0022]
[0023] 其中，W为第i个故障类型对应的权重值，Pi为第i个故障类型对应的故障诊断模型 的误诊断率;i = l，2,…，n，n为所述目标产品故障类型的个数。
[0024] 可选的，所述诊断单元，用于将权重值与决策值乘积的最大值对应的故障类型确 定为目标产品的故障类型。
[0025] 相比于现有技术，本发明提出的故障诊断方法及装置，采用SVM建立产品各故障类 型对应的故障诊断模型，基于各故障类型的权重值，最终确定产品故障类型，适用于类似卫 星等故障样本极其稀少的产品的故障诊断。
【附图说明】
[0026] 图1为二维最优化超平面示意图；
[0027] 图2为本发明第一实施例提供的一种故障诊断方法流程图；
[0028] 图3为本发明第二实施例提供的一种故障诊断装置结构图； 图4为本发明实施例提供的各诊断方法正确率对比示意图； 图5为本发明实施例提供的各诊断方法故障查全率对比示意图。
【具体实施方式】
[0029] 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。
[0030] 支持向量机（Suppod Vector Machine,SVM)是建立在统计学习理论的VC维理论 和结构风险最小原理基础上构建一个最优决策的超平面，使该平面两侧距平面最近的两类 样本之间的距离最大化，从而对分类问题提供良好的泛化能力。SVM在针对小样本学习方面 有着坚实的理论基础，它基本上不设及概率测度及大数定律等，因此不同于现有的统计方 法。从本质上看，SVM避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样 本的推理，从而很大程度上简化了分类问题。运主要原因于：SVM的最终决策函数只由极少 数的支持向量所确定，计算的复杂性也仅仅取决于支持向量的数目，而不是样本空间的维 度，可W提取出关键样本、过滤掉大量的冗余样本，运在一定意义上不但避免了 "维数灾难" 运一问题，简化了计算，并且保持了有较好的"鲁棒性"。
[0031 ] SVM的最优分类面表示为一个约束问题，图1为二维最优化超平面示意图，图中距 离超平面最近的黑色圆形和黑色方形样本称为"支持向量(Suppod Vector,SV)"，H为分类 超平面。
[0032] 关于SVM的最优分类面具体描述如下：
[0033] 约束问题定义:给定一个训练集Kxi，yi)，......，（xm，ym)}，共m个点，Xi是一个n维向 量，代表第i个点的坐标，i = l，nuym代表第i个点所属的类，在二元分类其中，ym可W取 1或-1。￥(7，^义〇)是第;[个点的误差，其中^义0是分类器函数，若^义0〉0，则7111=1，否则7111 =-1，SVM的目的是找到一个f (X)，使期望风险最小，期望风险的定义如下：
[0034] /V(y,f(x))P(x,y)dx dy
[0(X3日]如果存在分类超平面O ? x+b = 0,使得式（1)成立：
[0036]
( 1 )
[0037] 则称训练数据集是线性可分的，其中《 -X表示向量CO GRn与XGRn的内积，用yi表 示第i个样本所属的类别，函数g(x) =?? X+b则为分类函数。CO由样本决定，也就是说CO可 W表示为样本的某种组合《 =01X1+02X2+. . .+QnXn,其中Xi为样本点，a功Lagrange乘子，n为 样本数。将g(x)函数两边同乘Wyi得g(x)*yi = yi? *x+yib，依旧用g(x)=? *X+b来表示 分类函数，则此时
[00；3 引
[0039] 其中yiG (-1,1)，在Qi中有相当一大部分都为0,只有少量的才不等于0,也正是不 为0的Qi的样本点才确定了 O ,Lagrange乘子不为0的样本点为支持向量，一组支持向量可 W唯一地确定一个超平面：
[0040]
[0041 ]因此对CO的求解转化为了对Oi的求解，而Qi则由W下约束方程求得：
[0042]
[0043]
[0044] 引入核函数机制求取細瓜=1(片1，乂'）。因此得到分类超平面为：
[0045] O
[0046] 针对类似卫星等故障样本极其稀少的产品的故障诊断，SVM能表现它的优越性能。 然而SVM是一种二分类算法，而在故障诊断的实际应用中，要解决多类故障的分类问题，虽 然可W通过构造多个分类器的组合来解决，但对于故障样本极少的情况下依然不能达到 很好的诊断效果。
[0047] 本发明在SVM的基础上，提出多模型支持向量机(Multi-Model SVM，MM-SVM)对产 品故障进行诊断。具体方案如图2所示。
[0048] 图2示出了本发明第一实施例公开的一种故障诊断方法，可包括W下步骤201~ 203：
[0049] 201、基于目标产品的各故障类型对应的历史故障数据，采用支持向量机SVM，建立 各故障类型对应的故障诊断模型。
[0050] 建立各故障类型对应的故障诊断模型举例说明如下:包括A和B。
[0051] A、故障特征提取:对目标产品的各故障类型对应的历史故障数据进行故障特征提 取，得到各故障类型对应的故障特征样本。
[0052] 故障特征提取是故障诊断中的重点和难点，故障特征提取提取的好坏直接关系到 诊断结果的准确性。此步包含对历史故障数据进行加工、变换、提取敏感的故障特征，可采 用现有技术实现，本实施例不再寶述。
[0053] B、单故障SVM模型训练阶段:将各故障类型对应的故障特征样本对SVM进行训练， 确定各故障类型对应的故障特征样本的支持向量SV、系数CU和阔值b，产生决策函数来区分 本类故障和其他故障类样本，构造最优分类超平面，即得到各故障类型对应的故障诊断模 型。具体地B包括:①~⑦
[0054] ①样本集输入：由收集的正常状态和各种故障状态的特征数据样本，建立训练样 本集化，拉，...，沿，…，Y}，将训练样本集输入系统;其中Xi为特征值，Y为故障类型标识；
[0055] ②对样本进行规范化处理；
[0056] ③参数选择:为SVM选择合适的核函数K(X，Y)及相应的核参数；
[0057] ④求得拉格朗日函数系数日1;
[005引⑤获取支持向量SV;
[0059] ⑥计算阔值b;
[0060] ⑦建立训练样本的最优分类超平面g(x)。
[0061] 202、获取目标产品运行过程中产生的数据，基于所述各故障类型对应的故障诊断 模型，对获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决策值。
[0062] 本实施例中，采用基于化doop分布式系统的数据仓库工具化ve作为数据存储工 具，用开源的数据挖掘软件R对产品正常和故障状态数据进行挖掘分析，通过RHive包集成R 和化ve，在R环境中利用册L化ive化)语言从化ve数据仓库中读取产品运行数据。
[0063] 203、基于各故障类型预设的权重值及所述获取的数据对应的各故障类型的决策 值，确定目标产品的故障类型。
[0064] 本实施例提出了多模型支持向量机MM-SVM，MM-SVM是在SVM基础之上提出来的一 种新的组合策略，通过对每种故障历史数据采用SVM建立单故障诊断模型，得到多个故障诊 断模型，利用每个故障诊断模型对产品运行中产生的新数据进行故障类别判断，组合每个 故障诊断模型对新数据所属类别判断，W此获得更高的故障类别识别性能，得到对此条新 数据的最终故障类别，实现对产品故障的诊断。
[0065] 可见，本实施例提出的故障诊断方法，采用SVM建立产品各故障类型对应的故障诊 断模型，基于各故障类型的权重值，确定了多模型支持向量机MM-SVM，MM-SVM实现对产品故 障的诊断，适用于类似卫星等故障样本极其稀少的产品的故障诊断。
[0066] 本实施例提出的MM-SVM，由于不同的单故障诊断模型对最终故障类型判别的贡献 率是不一样的，因此，如何设置单故障诊断模型的权重，就成了MM-SVM的一个重点。本实施 例中，所述各故障类型预设的权重值通过权重计算式确定，所述权重计算式如下：
[0067]
[0068] 其中，W为第i个故障类型对应的权重值，Pi为第i个故障类型对应的故障诊断模型 的误诊断率;i = l，2,…，n，n为所述目标产品故障类型的个数。
[0069] 在一个具体的例子中，所述基于各故障类型预设的权重值及所述获取的数据对应 的各故障类型的决策值，确定目标产品的故障类型，包括：
[0070] 将权重值与决策值乘积的最大值对应的故障类型确定为目标产品的故障类型。
[0071] 针对故障诊断而言，首先要获取关于产品诊断的大量运行参数，既要有产品平稳 运行、正常工作时的数据，更要有产品出现故障时的数据，监控系统的历史服务器中存储了 相应的正常和故障数据，并且已获知故障类型。运样，由已知故障类型、故障发生时的各种 运行参数、历史记录组成的数据或数据仓库便构成了故障诊断过程中数据挖掘的训练样本 库。
[0072] SVM的任务就是从海量的样本库中找出隐藏其中的支持向量，提取出正常和不同 故障的各自特征，从而建立分类模型。依据运些模型，对新来数据计算，从而识别出故障的 类型，依此找到故障的原因并消除故障，保证产品的正常运行。
[0073] 下面给出实验实施例，本实施例采用数据我国某卫星正常状态和两种故障状态下 的真实数据，实验环境为Centos操作系统，5台化doop集群。故障类型分别定义为:A、B;正常 状态定义为N。为了解决预测时的综合决策问题，做如下替换：用数字1标识类A，数字2标识 类B，数字3标识类N，分别构造=个SVM分类器。
[0074] 根据某卫星故障记录记载，从卫星原始数据中获取A、B两种故障数据和卫星正常 运行状态数据形成实验数据集data。
[0075] 分别选择data数据集中50 %、20 %、10 %、5 %和1 %的数据作为学习样本，剩余部 分作为测试样本，并通过与传统SVM方法和人工神经网络方法对比MM-SVM的诊断效率;对 比结果如下表1~表3所示：
[0076] 表1各诊断方法正确率对比
[0077]
[0078] 从实验对比结果可知:针对卫星数据高维、稀疏、多样性等特点，对原始数据进行 格式转换、采用插值法补全缺失数据等预处理操作，采用MM-SVM方法对多故障混合数据和 正常数据进行分类，可达到非常理想效果，不仅证明了能够用于卫星故障诊断，而且比传统 单一 SVM诊断方法和神经网络方法更加准确，也更加稳定，能够为卫星故障判断提供更为准 确的参考价值。
[0079]
[0080]
[0081]
[0082]
[0083] 当训练样本数量逐渐减少至不足总样本的5%时，SVM诊断的准确率也在快速下 降。而采用多模型支持向量机方法，准确率虽也在快速下降，但下降速度却没有SVM那样快， 并且，在样本数量较多的情况下，采用多模型支持向量机方法依然能够获得更好的诊断结 果，表现出优越性能。
[0084] 如图3所示，本实施例公开一种故障诊断装置，可包括W下单元:建模单元31、处理 单元32 W及诊断单元33。各单元具体说明如下：
[0085] 建模单元31，用于基于目标产品的各故障类型对应的历史故障数据，采用支持向 量机SVM，建立各故障类型对应的故障诊断模型；
[0086] 处理单元32,用于获取目标产品运行过程中产生的数据，基于所述各故障类型对 应的故障诊断模型，对获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决 策值；
[0087] 诊断单元33,用于基于各故障类型预设的权重值及所述获取的数据对应的各故障 类型的决策值，确定目标产品的故障类型。
[0088] 本实施例公开的故障诊断装置，可实现图1所示的故障诊断方法流程，因此，本实 施例中的装置的效果及说明可参见图1所示的方法实施例，在此不再寶述。
[0089] 图3中所述各故障类型预设的权重值通过权重计算式确定，所述权重计算式如下：
[0090]
[0091] 其中，W为第i个故障类型对应的权重值，Pi为第i个故障类型对应的故障诊断模型 的误诊断率;i = l，2,…，n，n为所述目标产品故障类型的个数。
[0092] 图3中所述诊断单元33,用于将权重值与决策值乘积的最大值对应的故障类型确 定为目标产品的故障类型。
[0093] 基于上述各实施例，可见本发明实施例公开的故障诊断方法及装置，采用MM-SVM 方法，与传统SVM方法W及人工神经网络方法相比，在故障诊断方面比传统SVM具有更高的 准确率，尤其在故障样本情况下极少能够表现出更理想的诊断性能。
[0094]本领域技术人员可W理解，可W把实施例中的各单元组合成一个单元，W及此外 可W把它们分成多个子单元。除了运样的特征和/或过程或者单元中的至少一些是互相排 斥之处，可W采用任何组合对本说明书中公开的所有特征W及如此公开的任何方法或者设 备的所有过程或单元进行组合。除非另外明确陈述，本说明书中公开的每个特征可W由提 供相同、等同或相似目的的替代特征来代替。
[00%]本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包 括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之 内并且形成不同的实施例。
[0096] 本领域技术人员可W理解，实施例中的各单元可W W硬件实现，或者W在一个或 者多个处理器上运行的软件模块实现，或者W它们的组合实现。本领域的技术人员应当理 解，可W在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一 些或者全部部件的一些或者全部功能。本发明还可W实现为用于执行运里所描述的方法的 一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品）。
[0097] 虽然结合附图描述了本发明的实施方式，但是本领域技术人员可W在不脱离本发 明的精神和范围的情况下做出各种修改和变型，运样的修改和变型均落入由所附权利要求 所限定的范围之内。
【主权项】
1. 一种故障诊断方法，其特征在于，包括： 基于目标产品的各故障类型对应的历史故障数据，采用支持向量机SVM，建立各故障类 型对应的故障诊断模型； 获取目标产品运行过程中产生的数据，基于所述各故障类型对应的故障诊断模型，对 获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决策值； 基于各故障类型预设的权重值及所述获取的数据对应的各故障类型的决策值，确定目 标产品的故障类型。2. 根据权利要求1所述的方法，其特征在于，所述各故障类型预设的权重值通过权重计 算式确定，所述权重计算式如下：其中，w为第i个故障类型对应的权重值，P1为第i个故障类型对应的故障诊断模型的误 诊断率;i = l，2,…，n，n为所述目标产品故障类型的个数。3. 根据权利要求1所述的方法，其特征在于，所述基于各故障类型预设的权重值及所述 获取的数据对应的各故障类型的决策值，确定目标产品的故障类型，包括： 将权重值与决策值乘积的最大值对应的故障类型确定为目标产品的故障类型。4. 一种故障诊断装置，其特征在于，包括： 建模单元，用于基于目标产品的各故障类型对应的历史故障数据，采用支持向量机 SVM，建立各故障类型对应的故障诊断模型； 处理单元，用于获取目标产品运行过程中产生的数据，基于所述各故障类型对应的故 障诊断模型，对获取的数据进行故障诊断，得到获取的数据对应的各故障类型的决策值； 诊断单元，用于基于各故障类型预设的权重值及所述获取的数据对应的各故障类型的 决策值，确定目标产品的故障类型。5. 根据权利要求4所述的装置，其特征在于，所述各故障类型预设的权重值通过权重计 算式确定，所述权重计算式如下：其中，w为第i个故障类型对应的权重值，P1为第i个故障类型对应的故障诊断模型的误 诊断率;i = l，2,…，n，n为所述目标产品故障类型的个数。6. 根据权利要求4所述的装置，其特征在于，所述诊断单元，用于将权重值与决策值乘 积的最大值对应的故障类型确定为目标产品的故障类型。
【文档编号】G06F17/50GK106021771SQ201610371624
【公开日】2016年10月12日
【申请日】2016年5月30日
【发明人】尹洪, 李国明, 晏湘涛, 范宇, 陈刘丹
【申请人】天河国云（北京）科技有限公司