一种系统故障诊断方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种系统故障诊断方法、装置、计算机设备和存储介质。所述方法包括：在第一阶段根据正常时系统历史输入、输出数据，采用即时高斯过程回归方法，获得即时局部模型，将当前书输入值输入到即时局部模型得到当前预测输出值，根据当前预测输出值和当前输出值确定残差值；第二阶段利用正常和故障时的历史残差值和对应的故障状态标签，采用极限学习机神经网络算法进行训练，得到离线极限学习机分类模型，将第一阶段得到的残差值输入到离线极限学习机分类模型，得到故障报警信号和故障类型。采用本方法可降低系统建模过程计算复杂度，解决了传统故障检测方法中残差阈值难以确定的问题，并且同时监测多个故障。并且同时监测多个故障。并且同时监测多个故障。

【技术实现步骤摘要】
一种系统故障诊断方法、装置、计算机设备和存储介质


[0001]本申请涉及故障诊断
，特别是涉及一种系统故障诊断方法、装置、计算机设备和存储介质。

技术介绍

[0002]近年来，随着人工智能、计算科学和工业过程自动化的发展，相关系统的复杂性也随之提高。这种进步给系统的安全管理、依赖性和安全性带来了巨大的挑战。对于高智能化的无人车来说，其发生故障造成的损失是巨大的，甚至会威胁到乘客的生命安全。为了保证复杂系统的过程可靠，故障诊断策略在学术和工业应用中越来越受到重视。
[0003]传统的系统故障诊断方法主要为基于模型的方法，在过去的几十年里，基于模型的方法在系统故障检测中非常流行。但这种方法依赖于系统精确的数学模型，而这种模型在实际应用中往往难以建立。在这种情况下，基于解析模型的方法不再适用于故障检测。
[0004]基于数据的方法是在不知道系统准确分析模型的情况下，通过分析过程数据来完成故障诊断。在目前的基于数据的故障检测方法中，第一阶段是进过机器学习的方法进程过程估计，即用它代替解析模型来模拟真实的过程并生成残差，经过第一阶段过程估计后的第二阶段是利用残差阈值进行故障决策。确定适当的残差阈值也是一个挑战，通常无法事先知道。在相关的工作中，也提出了一些确定残差的方法。然而，设置阈值的方法自然只能同时监测一个故障，这意味着它不能同时对不同的残差特征做出反应。
[0005]综上，传统的基于数据的故障诊断方法不能解决残差阈值准确获取的问题和多故障诊断的问题

技术实现思路

[0006]基于此，有必要针对上述技术问题，提供一种能够准确获取残差阈值并实现多故障诊断的系统故障诊断方法、装置、计算机设备和存储介质。
[0007]一种系统故障诊断方法，所述方法包括：
[0008]获取待测系统正常时的预设历史数据库。
[0009]获取待测系统的当前输入值和所述当前输入值对应的当前输出值，将所述当前输入值和所述当前输出值作为待测样本。
[0010]根据所述预设历史数据库、所述待测样本和预定相似度，得到子数据集。
[0011]根据所述子数据集，利用高斯过程回归算法，得到即时局部模型。
[0012]根据所述当前输入值，利用所述即时局部模型，得到预测输出值。
[0013]根据所述预测输出值和所述当前输出值，得到所述预测输出值与所述当前输出值之间的残差值。
[0014]获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签。
[0015]根据所述历史残差值和所述故障状态标签，利用预设极限学习机神经网络进行训
练，得到离线极限学习机分类模型和代表故障状态决策的故障类型。
[0016]根据所述残差值，利用所述离线极限学习机分类模型，得到故障报警信号和所述故障类型。
[0017]在其中一个实施例中，根据所述预设历史数据库、所述待测样本和预定相似度，得到子数据集，还包括：
[0018]设置权重参数，所述权重参数是大于等于0小于等于1的实数。
[0019]设置子数据集为空。
[0020]根据所述历史数据库中相邻两个相邻时刻的历史数据，得到历史差向量。
[0021]根据两个相邻时刻所述待测样本，得到待测样本差向量。
[0022]根据所述历史差向量和所述待测样本差向量，得到所述历史差向量和所述待测样本差向量之间的夹角。
[0023]根据所述预设历史数据库、所述待测样本、所述权重参数以及所述夹角的余弦值，得到所述预设历史数据库与所述待测样本的相似度。
[0024]当所述相似度满足预定相似度时，将所述历史数据添加到子数据集。
[0025]在其中一个实施例中，根据所述子数据集，利用高斯过程回归算法，得到即时局部模型，还包括：
[0026]将所述子数据集作为训练样本。
[0027]设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵；所述预定单位矩阵的维数与所述训练样本中数据的数量相同。
[0028]根据所述预定协方差函数、所述预定观测白噪声的方差和所述预定单位矩阵，基于高斯先验概率框架，确定训练样本中系统输出的协方差矩阵。
[0029]根据所述训练样本中的训练数据的输入值、超参数向量，建立训练样本条件概率的负对数似然函数。
[0030]对所述似然函数对超参数求偏导数，得到似然函数偏导数，并令所述似然函数偏导数等于0，得到似然函数偏微分方差组。
[0031]根据所述超参数初值，对所述似然函数偏微分方差进行求解，得到最优的超参数预测值。
[0032]根据所述训练数据输入值、所述输入值对应的所述输出值以及超参数预测值，基于高斯后验概率框架，得到即时局部模型。
[0033]在其中一个实施例中，获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签，还包括：
[0034]获取所述待测系统有故障时系统故障输入值、对应的系统故障目标输出值以及对应的故障状态标签。
[0035]将所述系统输入值和对应的所述系统目标输出值作为故障数据库。
[0036]根据所述故障数据库、所述待测样本和所述预定相似度，得到一次局部模型子数据集。
[0037]根据所述一次局部模型子数据集，利用高斯过程回归算法，得到一次局部模型。
[0038]根据所述系统故障输入值，利用所述一次局部模型，得到预测系统故障输出值。
[0039]根据所述预测系统故障输出值、所述系统故障输入值对应的系统故障目标输出值
以及所述故障输入状态对应的所述故障状态标签，得到所述预设历史残差值和与所述历史残差数据对应的故障状态标签。
[0040]在其中一个实施例中，根据所述历史残差值和所述故障状态标签，利用预设极限学习机神经网络进行训练，得到离线极限学习机分类模型和代表故障状态决策的故障类型，还包括：
[0041]设置预设极限学习机神经网络的层数，所述预设极限学习机神经网络由输入层、隐含层和输出层三层组成。
[0042]设置所述预设极限学习机神经网络的输入节点数量、所述预设极限学习机神经网络的隐含节点数量和所述预设极限学习机神经网络的输出节点数量；其中所述输入节点数量为所述历史残差值的数量，所述输出节点的个数为故障类别数。
[0043]设置所述预设极限学习机神经网络的隐含层节点与所述预设极限学习机神经网络的输入层节点之间的第一权重向量值和所述预设极限学习机神经网络的隐含层节点的阈值，设置所述隐含层的激活函数。
[0044]根据所述层数、所述输入节点数量、所述隐含节点数量、所述输出节点数量、所述第一权重向量值、所述阈值以及所述激活函数，得到预设极限学习机神经网络。
[0045]根据所述故障状态标签确定期望输出，所述期望输出是一个二元向量，所述故障状态标签的数值对应位置元素的数值为1、其余位置元素的数值为0。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统故障诊断方法，其特征在于，所述方法包括：获取待测系统正常时的预设历史数据库；获取待测系统的当前输入值和当前输入值对应的当前输出值，将所述当前输入值和所述当前输出值作为待测样本；根据所述预设历史数据库、所述待测样本和预定相似度，得到子数据集；根据所述子数据集，利用高斯过程回归算法，得到即时局部模型；根据所述当前输入值，利用所述即时局部模型，得到预测输出值；根据所述预测输出值和所述当前输出值，得到所述预测输出值与所述当前输出值之间的残差值；获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签；根据所述历史残差值和所述故障状态标签，利用预设极限学习机神经网络进行训练，得到离线极限学习机分类模型和代表故障状态决策的故障类型；根据所述残差值，利用所述离线极限学习机分类模型，得到故障报警信号和所述故障类型。2.根据权利要求1所述的方法，其特征在于，根据所述预设历史数据库、所述待测样本和预定相似度，得到子数据集，包括：设置权重参数，所述权重参数是大于等于0小于等于1的实数；设置子数据集为空；根据所述历史数据库中相邻两个相邻时刻的历史数据，得到历史差向量；根据两个相邻时刻所述待测样本，得到待测样本差向量；根据所述历史差向量和所述待测样本差向量，得到所述历史差向量和所述待测样本差向量之间的夹角；根据所述预设历史数据库、所述待测样本、所述权重参数以及所述夹角的余弦值，得到所述预设历史数据库与所述待测样本的相似度；当所述相似度满足预定相似度时，将所述历史数据添加到子数据集。3.根据权利要求1所述的方法，其特征在于，根据所述子数据集，利用高斯过程回归算法，得到即时局部模型，包括：将所述子数据集作为训练样本；设定训练样本中系统输出的预定协方差函数、超参数初始值、预定观测白噪声以及预定单位矩阵；所述预定单位矩阵的维数与所述训练样本中数据的数量相同；根据所述预定协方差函数、所述预定观测白噪声的方差和所述预定单位矩阵，基于高斯先验概率框架，确定训练样本中系统输出的协方差矩阵；根据所述训练样本中的训练数据的输入值、超参数向量，建立训练样本条件概率的负对数似然函数；对所述似然函数对超参数求偏导数，得到似然函数偏导数，并令所述似然函数偏导数等于0，得到似然函数偏微分方差组；根据所述超参数初值，对所述似然函数偏微分方差进行求解，得到最优的超参数预测值；
根据所述训练数据输入值、所述输入值对应的所述输出值以及超参数预测值，基于高斯后验概率框架，得到即时局部模型。4.根据权利要求1项所述的方法，其特征在于，获取所述待测系统正常时和有故障时的预设历史残差值和与所述历史残差数据对应的故障状态标签，包括：获取所述待测系统有故障时系统故障输入值、对应的系统故障目标输出值以及对应的故障状态标签；将所述系统输入值和对应的所述系统目标输出值作为故障数据库；根据所述故障数据库、所述待测样本和所述预定相似度，得到一次局部模型子数据集；根据所述一次局部模型子数据集，利用高斯过程回归算法，得到一次局部模型；根据所述系统故障输入值，利用所述一次局部模型，得到预测系统故障输出值；根据所述预测系统故障输出值、所述系统故障输入值对应的系统故障目标输出值以及所述故障输入状态对应的所述故障状态标签，得到所述预设历史残差值和与所述历史残差数据对应的故障状态标签。5.根据权利要求1所述的方法，其特征在于，根据所述历史残差值和所述故障状态标签，利用预设极限学习机神经网络进行训练，得到离线极限学习机分类模型和代表故障状态决策的故障类型，包括：设置预设极限学习机神经网络的层数，所述预设极限学习机神经网络由输入层、隐含层和输出层三层组成；设置所述预设极...

【专利技术属性】
技术研发人员：徐昕，张兴龙，张昌昕，曾宇骏，方强，张先剑，周星，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：