[发明专利]一种故障诊断方法、系统、设备及存储介质

说明书

本申请公开了一种故障诊断方法、系统、设备及存储介质，该方法包括：分别获取目标设备在正常运行和故障运行时的与初始特征集对应的特征数据集，得到包括正常特征数据集和故障特征数据集的训练数据；分别计算正常特征数据集中每一特征数据与故障特征数据集中相应的特征数据之间对应的KL距离，得到KL距离集；采用支持向量机分类在训练数据上进行交叉验证；根据验证结果以及KL距离集中KL距离的大小，从初始特征集中确定出与故障运行相关的特征，得到最优特征集；当获取到目标设备的待诊断数据，则从待诊断数据中确定出与最优特征集对应的特征数据，然后利用该特征数据对目标设备进行相应的故障诊断。本申请有效地提升了后续故障诊断结果的准确性。

技术领域

本发明涉及故障诊断技术领域，特别涉及一种故障诊断方法、系统、设备及存储介质。

背景技术

当前，人们在判断一台设备是否出现故障时，通常是通过人工判断的方式来进行确定，这样一方面由于人为主观因素的影响，导致故障诊断结果的可靠性不稳定，另一方面则需要消耗大量的人工成本，并且诊断效率较低。为了降低人工成本，提高诊断效率，现在人们逐渐开始采用支持向量机来对设备展开故障诊断，但是诊断结果的准确性还有待进一步的提升。

综上，如何提升故障诊断结果的准确性是目前亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种故障诊断方法、系统、设备及存储介质，能够提升故障诊断结果的准确性。其具体方案如下：

第一方面，本发明公开了一种故障诊断方法，包括：

分别获取目标设备在正常运行和故障运行时的与初始特征集对应的特征数据集，得到包括正常特征数据集和故障特征数据集的训练数据；其中，所述初始特征集包括多种特征；

分别计算所述正常特征数据集中每一特征数据与所述故障特征数据集中相应的特征数据之间对应的KL距离，得到KL距离集；

采用支持向量机分类在所述训练数据上进行交叉验证，得到验证结果；

根据所述验证结果以及所述KL距离集中KL距离的大小，从所述初始特征集中确定出与故障运行相关的特征，得到最优特征集；

当获取到所述目标设备的待诊断数据，则从所述待诊断数据中确定出与所述最优特征集对应的特征数据，然后利用该特征数据对所述目标设备进行相应的故障诊断。

可选的，所述分别计算所述正常特征数据集中每一特征数据与所述故障特征数据集中相应的特征数据之间对应的KL距离的步骤，包括：

分别确定所述正常特征数据集和所述故障特征数据集中的每一特征数据所对应的高斯分布；

分别计算所述正常特征数据集中每一特征数据对应的高斯分布与所述故障特征数据集中相应的特征数据对应的高斯分布之间的KL距离。

可选的，所述分别确定所述正常特征数据集和所述故障特征数据集中的每一特征数据所对应的高斯分布的步骤，包括：

分别对所述正常特征数据集和所述故障特征数据集中的每一特征数据进行标准化处理，然后分别确定所述正常特征数据集和所述故障特征数据集中的每一标准化处理后的特征数据所对应的高斯分布。

可选的，所述采用支持向量机分类在所述训练数据上进行交叉验证的步骤，包括：

采用支持向量机分类在所述训练数据上进行十折交叉验证。

可选的，所述根据所述验证结果以及所述KL距离集中KL距离的大小，从所述初始特征集中确定出与故障运行相关的特征，得到最优特征集的步骤，包括：

从所述KL距离集中筛选满足预设条件的KL距离，得到目标KL距离；

从所述初始特征集中筛选所述目标KL距离对应的特征，得到目标特征；