基于人工智能的機電設備在線故障診斷的方法及系統與流程

本發明屬于設備故障診斷領域，尤其涉及一種基于人工智能的機電設備在線故障診斷的方法及系統。

背景技術：

故障診斷就是根據從系統運行過程中得到的信息，進行分析和判斷，確定系統是否存在故障及存在何種故障的過程。隨著科技的發展，現在的設備自身結構和系統自動化程度越來越復雜，這也造成設備出現故障的可能性和故障種類增加，同時人們對于設備故障的控制和檢測也越來越困難化，并且由于設備出現故障帶來的損失也越來越大，設備的故障檢測問題越來越受到行業的重視。

隨著人工智能的快速發展，基于人工智能和模式識別的診斷技術正發展為新興的故障診斷方法。這種方法包含了推理、學習、統計等功能，但由于當前基于人工智能的故障診斷在統計、學習方面的技術瓶頸，造成診斷偶然性、誤判性嚴重等問題，無法做到準確、高效地故障診斷。因此，現有的工智能和模式識別的診斷技術有待改進和發展。

技術實現要素：

為了解決現有技術的缺點，本發明的第一目的是提供一種基于人工智能的機電設備在線故障診斷的方法。

一種基于人工智能的機電設備在線故障診斷的方法，包括：

步驟1：分別采集機電設備的運行狀態信息，所述運行狀態信息包括機械振動信號、噪聲信號、設備運行圖像信息及設備運行環境信息；

步驟2：對采集到的信息進行預處理，并提取預處理后信息的特征，構建原始特征矩陣；篩選出原始特征矩陣中特征數據x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對原始特征矩陣中特征數據進行歸一化，其中，X為歸一化后的特征數據；

步驟3：利用基于余弦相似度的特征空間降維方法來對歸一化的原始特征矩陣進行降維處理，得到由具有分類信息的n個特征數據構成的降維后特征矩陣；其中，n為正整數；

步驟4：設置機電設備的每種運行狀態對應一個類別模式，每一個類別模式具有n個特征數據且對應n維空間的一個矢量或一個點；根據機電設備的正常運行狀態信息將每維空間所對應的區域劃分為一個類別模式，建立相應的故障訓練集；

步驟5：實時采集機電設備的運行狀態信息，經過步驟2-步驟3后獲得降維后的特征矩陣，并與故障訓練集進行比對，判斷機電設備的運行狀態。

本發明對構建的原始特征矩陣進行歸一化處理后，再基于余弦相似度的特征空間降維方法，降低了特征值之間的相關性，提高了訓練效率和預測準確度，并且可以通過統計、推理實現自我學習的能力，從而使得對大型復雜系統的故障檢測變得高效可靠。

進一步地，該方法還包括：利用基于boost思想的增量學習算法來更新故障訓練集，實現對機電設備的運行狀態進行分類。

在構建故障訓練集的過程中，隨著增量數據過大，使得訓練時間很長，對低配置計算機而言很容易出現系統資源不足問題；而且數據集更新復雜，使得新模型向新增樣本集偏斜，使得模型的結構風險加大。通過本發明的基于boost思想的增量學習算法來更新故障訓練集，在增量學習過程中可以剔除次要因素，加快增量學習訓練過程，減少訓練時間和空間。

進一步地，所述步驟2中對采集到的信息進行預處理包括消除趨勢項和平滑濾波。通過預處理可以對數據進行分析加工，因為采集到的數據是有一些噪聲跟缺失的，通過本方法的預處理，可以去除缺失的無效數據、減少噪聲數據，為后續的特征提取步驟減少了對損壞數據、不合格數據的處理過程，提升了處理效率。

進一步地，在步驟2之前，還包括將采集機電設備的運行狀態信息由模擬量轉化為數字量。采集的機電設備的運行狀態信息均是模擬量，通過模數轉換，可以使模擬信號轉變成可以計算的數據。

本發明的第二目的是提供一種基于人工智能的機電設備在線故障診斷的系統。

本發明的一種基于人工智能的機電設備在線故障診斷的系統，包括：

信息采集模塊，其用于分別采集機電設備的運行狀態信息，所述運行狀態信息包括機械振動信號、噪聲信號、設備運行圖像信息及設備運行環境信息；

特征矩陣構建模塊，其用于對采集到的信息進行預處理，并提取預處理后信息的特征，構建原始特征矩陣；篩選出原始特征矩陣中特征數據x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對原始特征矩陣中特征數據進行歸一化，其中，X為歸一化后的特征數據；

特征矩陣降維模塊，其用于利用基于余弦相似度的特征空間降維方法來對歸一化的原始特征矩陣進行降維處理，得到由具有分類信息的n個特征數據構成的降維后特征矩陣；其中，n為正整數；

故障訓練集建立模塊，其用于設置機電設備的每種運行狀態對應一個類別模式，每一個類別模式具有n個特征數據且對應n維空間的一個矢量或一個點；根據機電設備的正常運行狀態信息將每維空間所對應的區域劃分為一個類別模式，建立相應的故障訓練集；

運行狀態判斷模塊，其用于實時采集機電設備的運行狀態信息，依次經過預處理、構建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓練集進行比對，判斷機電設備的運行狀態。

進一步地，該系統還包括：故障訓練集更新模塊，其用于利用基于boost思想的增量學習算法來更新故障訓練集，實現對機電設備的運行狀態進行分類。

在構建故障訓練集的過程中，隨著增量數據過大，使得訓練時間很長，對低配置計算機而言很容易出現系統資源不足問題；而且數據集更新復雜，使得新模型向新增樣本集偏斜，使得模型的結構風險加大。通過本發明的基于boost思想的增量學習算法來更新故障訓練集，在增量學習過程中可以剔除次要因素，加快增量學習訓練過程，減少訓練時間和空間。

進一步地，該系統還包括：模數轉化模塊，其用于將采集機電設備的運行狀態信息由模擬量轉化為數字量。采集的機電設備的運行狀態信息均是模擬量，通過模數轉換，可以使模擬信號轉變成可以計算的數據。

本發明還提供了另一種基于人工智能的機電設備在線故障診斷的系統。

該基于人工智能的機電設備在線故障診斷的系統，包括：

信息采集裝置，被配置為分別采集機電設備的運行狀態信息，并傳送至服務器；所述運行狀態信息包括機械振動信號、噪聲信號、設備運行圖像信息及設備運行環境信息；

服務器，其被配置為：

對采集到的信息進行預處理，并提取預處理后信息的特征，構建原始特征矩陣；篩選出原始特征矩陣中特征數據x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對原始特征矩陣中特征數據進行歸一化，其中，X為歸一化后的特征數據；

利用基于余弦相似度的特征空間降維方法來對歸一化的原始特征矩陣進行降維處理，得到由具有分類信息的n個特征數據構成的降維后特征矩陣；其中，n為正整數；

設置機電設備的每種運行狀態對應一個類別模式，每一個類別模式具有n個特征數據且對應n維空間的一個矢量或一個點；根據機電設備的正常運行狀態信息將每維空間所對應的區域劃分為一個類別模式，建立相應的故障訓練集；

實時采集機電設備的運行狀態信息，依次經過預處理、構建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓練集進行比對，判斷機電設備的運行狀態。

進一步地，所述服務器，還被配置為：利用基于boost思想的增量學習算法來更新故障訓練集，實現對機電設備的運行狀態進行分類。

在構建故障訓練集的過程中，隨著增量數據過大，使得訓練時間很長，對低配置計算機而言很容易出現系統資源不足問題；而且數據集更新復雜，使得新模型向新增樣本集偏斜，使得模型的結構風險加大。通過本發明的基于boost思想的增量學習算法來更新故障訓練集，在增量學習過程中可以剔除次要因素，加快增量學習訓練過程，減少訓練時間和空間。

進一步地，該系統還包括：A/D轉化器，其用于將采集機電設備的運行狀態信息由模擬量轉化為數字量。采集的機電設備的運行狀態信息均是模擬量，通過模數轉換，可以使模擬信號轉變成可以計算的數據。

本發明的有益效果為：

本發明對構建的原始特征矩陣進行歸一化處理后，再基于余弦相似度的特征空間降維方法，降低了特征值之間的相關性，提高了訓練效率和預測準確度，并且可以通過統計、推理實現自我學習的能力，從而使得對大型復雜系統的故障檢測變得高效可靠。

附圖說明

圖1是本發明實施例中一種基于人工智能的機電設備在線故障診斷的方法的流程圖；

圖2是余弦相似度原理圖；

圖3是基于boost思想的增量學習算法的流程圖；

圖4是發電機故障經特征提取壓縮數據后形成兩維矢量圖；

圖5是本發明實施例中一種基于人工智能的機電設備在線故障診斷的系統的結構示意圖圖；

圖6是本發明實施例中另一種基于人工智能的機電設備在線故障診斷的系統的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。

圖1是本發明實施例中一種基于人工智能的機電設備在線故障診斷的方法的流程圖，如圖所示本實施例中的基于人工智能的機電設備在線故障診斷的方法可以包括：

步驟1：分別采集機電設備的運行狀態信息，所述運行狀態信息包括機械振動信號、噪聲信號、設備運行圖像信息及設備運行環境信息。

具體實現中，運行狀態信息有一維波形(如機械振動和噪聲)、二維圖像(如文字、圖片)、物理參量(壓力、溫度、濕度)和邏輯值(開、關)等。

步驟2：對采集到的信息進行預處理，并提取預處理后信息的特征，構建原始特征矩陣；篩選出原始特征矩陣中特征數據x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對原始特征矩陣中特征數據進行歸一化，其中，X為歸一化后的特征數據。

進一步地，所述步驟2中對采集到的信息進行預處理包括消除趨勢項和平滑濾波。通過預處理可以對數據進行分析加工，因為采集到的數據是有一些噪聲跟缺失的，通過本方法的預處理，可以去除缺失的無效數據、減少噪聲數據，為后續的特征提取步驟減少了對損壞數據、不合格數據的處理過程，提升了處理效率。

進一步地，在步驟2之前，還包括將采集機電設備的運行狀態信息由模擬量轉化為數字量。采集的機電設備的運行狀態信息均是模擬量，通過模數轉換，可以使模擬信號轉變成可以計算的數據。

步驟3：利用基于余弦相似度的特征空間降維方法來對歸一化的原始特征矩陣進行降維處理，得到由具有分類信息的n個特征數據構成的降維后特征矩陣；其中，n為正整數。

本發明的基于余弦相似度的特征空間降維方法，降低了特征值之間的相關性，提高了訓練效率和預測準確度。具體步驟如下：

余弦相似度用向量空間中兩個向量夾角的余弦值作為衡量兩個個體間差異的大小。相比距離度量，余弦相似度更加注重兩個向量在方向上的差異，而非距離或長度上。

與歐幾里德距離類似，基于余弦相似度的計算方法也是把一個特征維作為n-維坐標系中的一個點，通過連接這個點與坐標系的原點構成一條直線(向量)，兩個特征之間的相似度值就是兩條直線(向量)間夾角的余弦值。因為連接代表特征的點與原點的直線都會相交于原點，夾角越小代表兩個用戶越相似，夾角越大代表兩個用戶的相似度越小。同時在三角系數中，角的余弦值是在[-1,1]之間的，0度角的余弦值是1，180度角的余弦值是-1。如果兩個特征的余弦值的絕對值在[0.5,1]之間，那么我們認為這兩個特征的相關度大，建議取其一即可，如果兩個特征的余弦值的絕對值在[0,0.5]之間，那么我們認為這時的這兩個特征不相關。

從圖2可以看出距離度量衡量的是空間各點間的絕對距離，跟各個點所在的位置坐標(即個體特征維度的數值)直接相關；而余弦相似度衡量的是空間向量的夾角，更加的是體現在方向上的差異，而不是位置。如果保持點的位置不變，B點朝原方向遠離坐標軸原點，那么這個時候余弦相似度cosθ是保持不變的，因為夾角不變，而A、B兩點的距離顯然在發生改變。

對于大部分的振動信號來說，它的特征信息都是非負的，而余弦相似度更多的是從方向上區分差異，而對絕對的數值不敏感。因此沒法衡量每個維數值得差異，會導致這樣一個情況：比如兩個特征差異很大，但由于都為非負值，所以余弦相似度會在一個很小的范圍內變動。這是需要對特征信息進行歸一化處理：

X＝(x-x_min)/(x_max-x_min)；

這時的余弦顯示度就在[-1,1]之間變化，更加的符合實際。

步驟4：設置機電設備的每種運行狀態對應一個類別模式，每一個類別模式具有n個特征數據且對應n維空間的一個矢量或一個點；根據機電設備的正常運行狀態信息將每維空間所對應的區域劃分為一個類別模式，建立相應的故障訓練集。

進一步地，該方法還包括：利用基于boost思想的增量學習算法來更新故障訓練集，實現對機電設備的運行狀態進行分類。在構建故障訓練集的過程中，隨著增量數據過大，使得訓練時間很長，對低配置計算機而言很容易出現系統資源不足問題；而且數據集更新復雜，使得新模型向新增樣本集偏斜，使得模型的結構風險加大。通過本發明的基于boost思想的增量學習算法來更新故障訓練集，在增量學習過程中可以剔除次要因素，加快增量學習訓練過程，減少訓練時間和空間。

基于boost思想的增量學習算法，使系統在原有訓練集的基礎上可以自我學習分析出新訓練模型。具體步驟如下如圖3所示，考慮初始訓練集中非支持向量對增量樣本的影響，對初始樣本進行有選擇的淘汰，達到提高分類精度的目的。

輸入：初始樣本集A和對應的訓練初始分類器S，支持向量集記為SV，增量樣本集New；

步驟一：用分類器S對新增樣本集New進行分類，得到一個新增樣本集的錯分樣本集New_err和滿足條件的已有樣本集；

步驟二：如果樣本集New_err為空集或者數量小于閾值，轉到步驟四為非空集，將錯分樣本集New_err提升為訓練集，并和支持向量集SV—起進行訓練，更新分類器S和支持向量集SV。

步驟三：將更新后的分類器S再對新增樣本集New和之前的支持向量進行預測，重復步驟一到三過程；

步驟四：輸出最終的分類器S。

在本發明中，初始樣本集A指的是采集機電設備的運行狀態信息構成的集合；訓練初始分類器S是最初得到的故障訓練集；增量樣本集New是指的后續采集的機電設備的運行狀態信息而構成的集合；支持向量集SV表示符合分類要求的支持向量。

總體的思想是：對于新增樣本集，將其中錯分點進行提升，升為訓練點，訓練得到一個新的訓練模型，使用新的模型在對剩余點進行預測，再將剩余點的錯分點進行訓練，在對錯分點進行提升，這樣循環迭代，將錯分點的權值逐步提高，加大對于錯分點的訓練，使得錯分點的訓練為主要問題進行解決，最終達到可分效果。

步驟5：實時采集機電設備的運行狀態信息，經過步驟2-步驟3后獲得降維后的特征矩陣，并與故障訓練集進行比對，判斷機電設備的運行狀態。

例如：某發動機的故障診斷。根據所測試發動機運行時的各部分的溫度和壓力，經特征提取壓縮數據后形成兩維矢量，如圖4所示，橫坐標為溫度，縱坐標為壓力。每一次測量形成一個矢量，矢量的始端為原點，末端標志為平面上的一個點，這就代表一個運行模式。經過對發動機狀態的一系列測試后，得到的測點分為兩類，一類為良好工作狀態點，如圖所示S₁類：另一類為較差或故障工作狀態點，如圖所示S₂類。對發動機的某一運行狀態，得到測點Z，通過判斷它與S₁，S₂類的偏離程度來識別它的工作模式，很明顯z點屬于S₁類。

本實施例對構建的原始特征矩陣進行歸一化處理后，再基于余弦相似度的特征空間降維方法，降低了特征值之間的相關性，提高了訓練效率和預測準確度，并且可以通過統計、推理實現自我學習的能力，從而使得對大型復雜系統的故障檢測變得高效可靠。

圖5是本發明實施例中一種基于人工智能的機電設備在線故障診斷的系統的結構示意圖圖，如圖所示本實施例中的基于人工智能的機電設備在線故障診斷的系統包括：

信息采集模塊，其用于分別采集機電設備的運行狀態信息，所述運行狀態信息包括機械振動信號、噪聲信號、設備運行圖像信息及設備運行環境信息；

特征矩陣構建模塊，其用于對采集到的信息進行預處理，并提取預處理后信息的特征，構建原始特征矩陣；篩選出原始特征矩陣中特征數據x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對原始特征矩陣中特征數據進行歸一化，其中，X為歸一化后的特征數據；

特征矩陣降維模塊，其用于利用基于余弦相似度的特征空間降維方法來對歸一化的原始特征矩陣進行降維處理，得到由具有分類信息的n個特征數據構成的降維后特征矩陣；其中，n為正整數；

故障訓練集建立模塊，其用于設置機電設備的每種運行狀態對應一個類別模式，每一個類別模式具有n個特征數據且對應n維空間的一個矢量或一個點；根據機電設備的正常運行狀態信息將每維空間所對應的區域劃分為一個類別模式，建立相應的故障訓練集；

運行狀態判斷模塊，其用于實時采集機電設備的運行狀態信息，依次經過預處理、構建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓練集進行比對，判斷機電設備的運行狀態。

進一步地，該系統還包括：故障訓練集更新模塊，其用于利用基于boost思想的增量學習算法來更新故障訓練集，實現對機電設備的運行狀態進行分類。

在構建故障訓練集的過程中，隨著增量數據過大，使得訓練時間很長，對低配置計算機而言很容易出現系統資源不足問題；而且數據集更新復雜，使得新模型向新增樣本集偏斜，使得模型的結構風險加大。通過本發明的基于boost思想的增量學習算法來更新故障訓練集，在增量學習過程中可以剔除次要因素，加快增量學習訓練過程，減少訓練時間和空間。

進一步地，該系統還包括：模數轉化模塊，其用于將采集機電設備的運行狀態信息由模擬量轉化為數字量。采集的機電設備的運行狀態信息均是模擬量，通過模數轉換，可以使模擬信號轉變成可以計算的數據。

圖6是本發明實施例中另一種基于人工智能的機電設備在線故障診斷的系統的結構示意圖，如圖所示本實施例中的基于人工智能的機電設備在線故障診斷的系統包括：

信息采集裝置，被配置為分別采集機電設備的運行狀態信息，并傳送至服務器；所述運行狀態信息包括機械振動信號、噪聲信號、設備運行圖像信息及設備運行環境信息。

信息采集裝置包括振動加速度傳感器、聲音采集裝置、圖像采集裝置、溫度傳感器和濕度傳感器。

服務器，其被配置為：

對采集到的信息進行預處理，并提取預處理后信息的特征，構建原始特征矩陣；篩選出原始特征矩陣中特征數據x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對原始特征矩陣中特征數據進行歸一化，其中，X為歸一化后的特征數據；

利用基于余弦相似度的特征空間降維方法來對歸一化的原始特征矩陣進行降維處理，得到由具有分類信息的n個特征數據構成的降維后特征矩陣；其中，n為正整數；

設置機電設備的每種運行狀態對應一個類別模式，每一個類別模式具有n個特征數據且對應n維空間的一個矢量或一個點；根據機電設備的正常運行狀態信息將每維空間所對應的區域劃分為一個類別模式，建立相應的故障訓練集；

實時采集機電設備的運行狀態信息，依次經過預處理、構建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓練集進行比對，判斷機電設備的運行狀態。

進一步地，所述服務器，還被配置為：利用基于boost思想的增量學習算法來更新故障訓練集，實現對機電設備的運行狀態進行分類。

在構建故障訓練集的過程中，隨著增量數據過大，使得訓練時間很長，對低配置計算機而言很容易出現系統資源不足問題；而且數據集更新復雜，使得新模型向新增樣本集偏斜，使得模型的結構風險加大。通過本發明的基于boost思想的增量學習算法來更新故障訓練集，在增量學習過程中可以剔除次要因素，加快增量學習訓練過程，減少訓練時間和空間。

進一步地，該系統還包括：A/D轉化器，其用于將采集機電設備的運行狀態信息由模擬量轉化為數字量。采集的機電設備的運行狀態信息均是模擬量，通過模數轉換，可以使模擬信號轉變成可以計算的數據。

本領域內的技術人員應明白，本發明的實施例可提供為方法、系統、或計算機程序產品。因此，本發明可采用硬件實施例、軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器和光學存儲器等)上實施的計算機程序產品的形式。

本發明是參照根據本發明實施例的方法、設備(系統)、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random AccessMemory，RAM)等。

上述雖然結合附圖對本發明的具體實施方式進行了描述，但并非對本發明保護范圍的限制，所屬領域技術人員應該明白，在本發明的技術方案的基礎上，本領域技術人員不需要付出創造性勞動即可做出的各種修改或變形仍在本發明的保護范圍以內。