[发明专利]一种分层故障诊断模型及方法

说明书

本发明属于机器学习与故障诊断技术领域，涉及一种分层故障诊断模型及方法，诊断模型分为三层：（1）本地监测层：负责发现故障并及时上报给故障分类层；（2）故障分类层:负责对故障进行分类并识别未知故障；（3）决策层:负责整个系统知识的自我学习和更新。该发明可以在保障检测精度的前提下大幅减少数据传输量，从而降低终端节点的能耗，特别适用于资源受限的故障诊断系统。

技术领域

本发明属于故障诊断技术领域，具体涉及一种分层故障诊断模型及方法，主要用于解决如何用低配置的多个物联网节点进行设备故障诊断的问题。

背景技术

由于物联网节点部署灵活方便、造价较低，基于物联网技术的设备健康监测正越来越受到工业界的关注。故障诊断是设备健康监测的主要内容，传统的故障诊断方法通常是在多个本地传感器上收集原始设备信息，将其汇总上传到终端设备，由终端设备完成对原始设备信号特征的提取，并进行智能诊断，这种方式需要本地节点上传大量数据供后台进行分析，传输这些数据将消耗大量的能量，这对于低配置、特别是电池供电的物联网节点来说是不适用的。因此，需要设计一种轻量级的故障识别和诊断方案，在保障诊断准确性的前提下，减少物联网节点的能耗。

发明内容

本发明针对现有技术中的不足，提供一种分层故障诊断模型及方法。

为实现上述目的，本发明采用以下技术方案：

一种分层故障诊断模型，其特征在于，包括：本地监测层、故障分类层和决策层；

所述本地监测层包括带各类传感器和微处理器的物联网节点，负责采集数据、发现故障并及时上报给故障分类层；本地监测层通过稀疏自编码机算法对原始信号进行处理，判断设备是否出现故障，当设备运行正常时，不发送任何数据，当检测到故障时，将故障数据发送到故障分类层；

所述故障分类层包括靠近物联网节点的汇聚节点，负责对接收到的故障数据进行特征提取，通过将在决策层训练好的随机森林模型嵌入汇聚节点，实现对故障分类并识别未知故障；

所述决策层负责整个系统知识的自我学习和更新，通过处理故障分类层发送上来的未知故障信号，将其正确分类，从中学习其特征并实时更新故障分类层的分类模型。

此外，还提出了一种采用上述分层故障诊断模型的分层故障诊断方法，包括：

1)本地监测层的处理流程如下：

由设备上的正常数据训练稀疏自编码机；

将训练好的稀疏自编码机嵌入本地设备中，设备的感知数据输入训练好的稀疏自编码机，输出学习后的数据；

将输出数据与正常数据做差值，差值超过规定的阈值的为故障数据；

2)故障分类层的处理流程如下：

根据训练样本数据集构建随机森林模型，其中包含多棵随机树；

在每棵树中，对于落入相同叶子结点的实例构建球；

对于测试实例，如果其落在球内，则为已知故障，其故障类型为该球标签，如果其落在球外，则为未知故障；

3)决策层的处理流程如下：

确定聚类数目范围；

对于第N次聚类，计算每个数据的轮廓系数，最佳聚类数目为其最大值所对应的数目；

根据最佳聚类数目输出k-means聚类结果；

根据聚类结果重新更新故障分类层。

为优化上述技术方案，采取的具体措施还包括：

进一步地，本地监测层检测故障的具体步骤如下：