【技术实现步骤摘要】
本专利技术涉及计算机，尤其涉及一种故障诊断方法、装置、电子设备及介质。
技术介绍
1、故障预测与健康管理算法(prognostics and health management,简称phm)利用先进的传感器技术，获取系统运行状态信息，并借助各种智能推理算法，根据系统历史状态和环境因素，对系统进行状态分析和监测、故障诊断及预测，评估系统未来的健康状态、提出维修维护建议，为管理决策提供支持。
2、然而，随着工业设备的复杂性和数据规模的增加，phm故障诊断面临实时性、准确性和效率等多方面的挑战。传统的xgboot算法在处理大规模数据时可能存在性能瓶颈，无法满足实时故障诊断的需求。
技术实现思路
1、本专利技术提供一种故障诊断方法、装置、电子设备及介质，用以解决传统的xgboot算法在处理大规模数据时存在性能瓶颈，无法满足实时故障诊断需求的缺陷，实现高效、准确的故障诊断。
2、根据本专利技术的第一方面，本专利技术提供了一种故障诊断方法，所述方法包括：
3、从各个边缘计算节点采集实时设备运行数据；
4、利用量子遗传算法分别对每个边缘计算节点对应的xgboot模型进行模型参数优化，得到与每个边缘计算节点对应的优化后xgboot模型，其中，所述xgboot模型用于对设备运行数据进行故障诊断并输出故障诊断结果；
5、将各个边缘计算节点的所述实时设备运行数据输入至对应的所述优化后xgboot模型得到实时故障诊断结果并上传至中心管理系统。p>
6、在一些可能的实现方式中，所述利用量子遗传算法分别对每个边缘计算节点对应的xgboot模型进行模型参数优化，得到与每个边缘计算节点对应的优化后xgboot模型，包括：
7、对每个边缘计算节点分别执行以下操作：
8、将xgboot模型的至少一组初始模型参数作为遗传算法的初始种群个体；
9、对每个初始种群个体进行编码，得到与每个种群个体对应的量子比特编码；
10、计算每个量子比特编码的个体适应度；
11、根据计算得到的个体适应度选择最优量子比特编码，并对所述最优量子比特编码进行交叉和变异生成新种群个体；
12、对所述新种群个体对应的量子比特编码进行解码，得到与所述新种群个体对应的新模型参；
13、利用所述新模型参更新xgboot模型，并使用验证数据集对更新后的xgboot模型进行性能评估；
14、在性能评估达到预设性能标准的情况下，将更新后的xgboot模型作为所述优化后xgboot模型；
15、在性能评估未达到预设性能标准的情况下，返回所述计算每个量子比特编码的个体适应度的步骤，并记录返回次数；
16、在性能评估未达到预设性能标准且返回次数达到预设次数的情况下，将性能评估最优的xgboot模型作为所述优化后xgboot模型。
17、在一些可能的实现方式中，在每次返回所述计算每个量子比特编码的个体适应度之前，所述方法还包括：
18、利用受控旋转门对最后一次生成的所述新种群个体对应的量子比特编码进行旋转操作，再次生成新的种群个体；
19、在再次生成新的种群个体的情况下，返回对所述新种群个体对应的量子比特编码进行解码，得到与所述新种群个体对应的新模型参的步骤。
20、在一些可能的实现方式中，所述对每个初始种群个体进行编码，得到与每个种群个体对应的量子比特编码，包括：
21、遍历初始种群的每个个体，并基于以下公式将个体代表的一组初始模型参数转换成量子比特编码；
22、根据公式一确定初始模型参数对应的参数向量；
23、θ＝[θ1,θ2,θ3,θ4]公式一；
24、其中，θ表征一组模型参数，θ1＝α1*α2，θ1表征控制两个量子比特都处于0状态的概率；θ2＝β1*β2，θ2表征控制两个量子比特都处于1状态的概率；θ3＝γ1*γ2，θ3表征控制第一个量子比特处于0状态且第二个量子比特处于1状态的概率；θ4＝δ1*δ2，θ4表征控制第一个量子比特处于1状态且第二个量子比特处于0状态的概率；
25、根据公式二和所述参数向量确定量子比特编码；
26、|ψ>＝α_1*β_1|00>+β_1β_2|01＞+γ_1γ_2|10>+δ_1δ_2|11>公式二；
27、其中，|ψ>表征量子比特编码，α_1,α_2,β_1,β_2,γ_1,γ_2,δ_1,δ_2均为复数，并且满足|α_1|^2+|β_1|^2+|γ_1|^2+|δ_1|^2＝1和|α_2|^2+|β_2|^2+|γ_2|^2+|δ_2|^2＝1。
28、在一些可能的实现方式中，所述根据计算得到的个体适应度选择最优量子比特编码，并对所述最优量子比特编码进行交叉和变异生成新种群个体，包括：
29、利用适应度高的量子比特编码实现选择操作；
30、利用预设的量子门操作两个量子比特编码实现交换操作；
31、利用随机生成新的量子比特编码实现变异操作。
32、在一些可能的实现方式中，在所述将各个边缘计算节点的所述实时设备运行数据输入至对应的所述优化后xgboot模型得到实时故障诊断结果并上传至中心管理系统的步骤之前，所述方法还包括：
33、分别对每个边缘计算节点的所述实时设备运行数据进行数据清洗，得到与每个边缘计算节点对应的清洗后数据；
34、分别从每个边缘计算节点对应的所述清洗后数据中提取与故障相关的特征数据；
35、分别对从每个边缘计算节点所提取的与故障相关的特征数据进行标准化处理或归一化处理。
36、在一些可能的实现方式中，所述方法还包括：
37、利用所述中心管理系统对各个边缘计算节点上传的实时故障诊断结果进行分汇总和分析，得到各个边缘计算节点对应的故障率；
38、在某一边缘计算节点的故障率高于预设值时，则将性能评估最优的边缘计算节点对应的优化后xgboot模型同步至某一边缘计算节点。
39、根据本专利技术的第二方面，本专利技术还提供了一种故障诊断装置，所述装置包括:
40、采集模块，所述采集模块用于从各个边缘计算节点采集实时设备运行数据；
41、优化模块，所述优化模块用于利用量子遗传算法分别对每个边缘计算节点对应的xgboot模型进行模型参数优化，得到与每个边缘计算节点对应的优化后xgboot模型，其中，所述xgboot模型用于对设备运行数据进行故障诊断并输出故障诊断结果；
42、诊断模块，所述诊断模块用于将各个边缘计算节点的所述实时设备运行数据输入至对应的所述优化后xgboot模型得到实时故障诊断结果并上传至中心管理系统。
43、根据本专利技术的第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理本文档来自技高网...
【技术保护点】
1.一种故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的故障诊断方法，其特征在于，所述利用量子遗传算法分别对每个边缘计算节点对应的XGBOOT模型进行模型参数优化，得到与每个边缘计算节点对应的优化后XGBOOT模型，包括：
3.根据权利要求2所述的故障诊断方法，其特征在于，在每次返回所述计算每个量子比特编码的个体适应度之前，所述方法还包括：
4.根据权利要求2所述的故障诊断方法，其特征在于，所述对每个初始种群个体进行编码，得到与每个种群个体对应的量子比特编码，包括：
5.根据权利要求1所述的故障诊断方法，其特征在于，所述根据计算得到的个体适应度选择最优量子比特编码，并对所述最优量子比特编码进行交叉和变异生成新种群个体，包括：
6.根据权利要求1所述的故障诊断方法，其特征在于，在所述将各个边缘计算节点的所述实时设备运行数据输入至对应的所述优化后XGBOOT模型得到实时故障诊断结果并上传至中心管理系统的步骤之前，所述方法还包括：
7.根据权利要求1所述的故障诊断方法，其特征在于，所述方法还包括：
8.一种故障诊断装置，其特征在于，所述装置包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述故障诊断方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述故障诊断方法。
...【技术特征摘要】
1.一种故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的故障诊断方法，其特征在于，所述利用量子遗传算法分别对每个边缘计算节点对应的xgboot模型进行模型参数优化，得到与每个边缘计算节点对应的优化后xgboot模型，包括：
3.根据权利要求2所述的故障诊断方法，其特征在于，在每次返回所述计算每个量子比特编码的个体适应度之前，所述方法还包括：
4.根据权利要求2所述的故障诊断方法，其特征在于，所述对每个初始种群个体进行编码，得到与每个种群个体对应的量子比特编码，包括：
5.根据权利要求1所述的故障诊断方法，其特征在于，所述根据计算得到的个体适应度选择最优量子比特编码，并对所述最优量子比特编码进行交叉和变异生成新种群个体，包括：<...
【专利技术属性】
技术研发人员：高明亮，孙波，付长昭，吴建国，陆荣琴，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。