一种基于大数据的设备故障诊断方法及系统与流程

本发明涉及设备故障诊断领域，尤其涉及一种基于大数据的设备故障诊断方法及系统。

背景技术：

随着现代化工业技术的发展，设备的复杂度和规模将会变得更大，这对设备的可靠性和运行效率提出更高的要求。而更复杂的设备结构及其组成部件，会使设备发生故障的可能性更大，设备可靠性更低。因此，若能在设备投入使用期间，运用故障预测方法及时预测故障的发生或发展趋势，从而便于及时进行维护和维修以预防故障产生，那么这种故障预测对于降低由于设备故障带来的巨大经济损失将至关重要。

为实现对设备故障的有效预测，关于设备故障预测的方法也逐渐增多，主要包括回归树与时间序列、灰色系统、神经网络、模糊神经网络、实时专家系统、粒子滤波器等。其中，基于人工神经网络模型的故障预测是智能预测理论和方法的核心内容之一，它具有非线性、非局域性等特点，在故障诊断和预测领域得到了诸多应用。现有技术中提出基于在线神经网络的状态相关故障的预测方法，该方法将实时故障模型近似于在线神经网络故障学习函数模型实现了对系统状态和故障的实时估计和预测。然而在输入数量较多、较为复杂的数据时，bp神经网络往往会因为网络复杂而出现收敛速度慢、泛化能力差、预测精度不高的现象。

技术实现要素：

本发明提供一种基于大数据的设备故障诊断方法及系统，解决现有技术中bp神经网络进行设备故障诊断时，往往因为网络复杂而出现收敛速度慢、泛化能力差、预测精度不高的技术问题。

本发明的目的是通过以下技术方案实现的：

一种基于大数据的设备故障诊断方法，包括：

生成初始决策表；

根据所述初始决策表计算灰色关联度；

根据所述灰色关联度进行横向维度的数据约简；

根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；

利用差别函数法对纵向维度属性进行约简，以生成新决策表；

将所述新决策表作为bp神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的bp神经网络预测设备故障。

一种基于大数据的设备故障诊断系统，包括：

生成模块，用于生成初始决策表；

计算模块，用于根据所述初始决策表计算灰色关联度；

横向约简模块，用于根据所述灰色关联度进行横向维度的数据约简；

离散处理模块，用于根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；

纵向约简模块，用于利用差别函数法对纵向维度属性进行约简，以生成新决策表；

训练分析模块，用于将所述新决策表作为bp神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的bp神经网络预测设备故障。

本发明提供一种基于大数据的设备故障诊断方法及系统，通过生成初始决策表；根据所述初始决策表计算灰色关联度；根据所述灰色关联度进行横向维度的数据约简；根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；利用差别函数法对纵向维度属性进行约简，以生成新决策表；将所述新决策表作为bp神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的bp神经网络预测设备故障。本发明对决策表所有维度的数据进行了彻底的约简，输入数据的有效性大幅提高，使bp神经网络的预测精度大幅提高。

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可根据这些附图获得其他的附图。

图1为本发明实施例的一种基于大数据的设备故障诊断方法的流程图；

图2为本发明实施例的一种基于大数据的设备故障诊断系统的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，为本发明实施例提供的一种基于大数据的设备故障诊断方法，包括：

步骤101、生成初始决策表；

步骤102、根据所述初始决策表计算灰色关联度；

步骤103、根据所述灰色关联度进行横向维度的数据约简；

步骤104、根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；

步骤105、利用差别函数法对纵向维度属性进行约简，以生成新决策表；

步骤106、将所述新决策表作为bp神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的bp神经网络预测设备故障。

其中，步骤101具体还可以包括：

步骤101-1、获取设备故障统计数据；

步骤101-2、添加必要参数、删除重复参数，生成初始决策表。

步骤103具体可以包括：

将灰色关联度较小的几行数据去除，以完成初始决策表横向维度的约简。

步骤106中的所述bp神经网络的输入层神经元、隐含层神经元、输出层神经元个数分别为l，m，n，隐含层和输出层以s型函数为激活函数，输出层的神经元个数为1，输出量是0～1之间的连续量。

本发明用灰色关联分析和粗糙集约简理论分别对一张二维决策表两个维度的数据都进行了约简，即对决策表所有维度的数据进行了彻底的约简，因此输入数据的有效性大幅提高，使bp神经网络的预测精度大幅提高。

利用灰色关联分析和粗糙集约简理论对二维故障决策表的两个维度都进行了约简，将横向和纵向约简后的数据作为bp神经网络的输入，应用于地铁信号设备故障预测；采用灰色关联分析和粗糙集理论进行输入数据约简，彻底去除了冗余的属性和数据，简化了网络结构的同时，更提高了预测精度；本发明预测误差更小，预测效果更好。

本发明实施例还提供了一种基于大数据的设备故障诊断系统，如图2所示，包括：

生成模块210，用于生成初始决策表；

计算模块220，用于根据所述初始决策表计算灰色关联度；

横向约简模块230，用于根据所述灰色关联度进行横向维度的数据约简；

离散处理模块240，用于根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；

纵向约简模块250，用于利用差别函数法对纵向维度属性进行约简，以生成新决策表；

训练分析模块260，用于将所述新决策表作为bp神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的bp神经网络预测设备故障。

其中，所述生成模块210包括：

数据采集单元211，用于获取设备故障统计数据；

数据整合单元212，用于添加必要参数、删除重复参数，生成初始决策表。

所述横向约简模块230具体用于将灰色关联度较小的几行数据去除，以完成初始决策表横向维度的约简。

所述训练分析模块260，包括：

训练单元261，用于将所述新决策表作为bp神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构；

故障诊断单元262，用于利用优化后的bp神经网络预测设备故障。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。