[发明专利]基于样本分布的通用故障预警系统及其预警方法

说明书

本发明公开了一种基于样本分布的通用故障预警系统及其预警方法，包括数据清洗模块，用于对故障预警系统数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征；特征工程模块，用于基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获、构造相应统计型特征；故障时间聚类模块，用于对所述历史故障发生时间做离散化处理，从而获得故障发生时间区间段；分类器模块，用于对故障时间聚类模块处理得到的训练数据进行切分，取前80%的数据用于分类器的训练，取后20%的数据用于分类型的性能评估。本发明能够有效的开展设备故障预警预测工作。

技术领域

本发明涉及通用故障预警系统，尤其是涉及基于样本分布的通用故障预警系统及其预警方法。

背景技术

机器学习技术已经在图像、医疗、推荐等领域取得了突破性发展；而在生产制造环节，若能够对设备故障发生的时间做到精准性预测，则可以更加积极主动并确保在此之前提供保养维护手段，减少设备停机时间并降低维修人力成本。因此设备故障预测是确保生产过程高效运转的关键，是实现智能制造的重要保障。

针对生产制造环节故障发生时间预测问题，学术界与工业界已开展深入研究。现有的预测方法包括传统方法和现代方法：传统方法如统计故障间隔时间的平均值作为下次故障发生时间；现代方法如基于统计机器学习方法、基于神经网络方法等。传统方法逻辑简单，易于理解，但精度较低。现代方法逻辑复杂，精度较高，但在小样本数据集上进行预测往往会产生过拟合，鲁棒性较差，这是因为由于故障样本数据采集困难的原因所导致。而在实践过程中经常面对的一个问题是：原始故障数据积累不足，导致直接对目标进行建模时往往产生较大程度的过拟合现象。

传统的故障预警主要为两类，一类是分类问题，即根据设备运行状态数据，对设备是否即将发生故障进行判断，此类故障预警系统往往仅能得到预测结果为“有故障”或“无故障”两类，但对正负样本的数量有着较高要求，且对故障的发生时间并没有预测能力；第二类则是回归问题，根据设备的历史故障发生时间，结合对应故障之前的设备运行状态数据，对设备未来故障的发生时间进行预测，此种方法可以较好地解决第一类方法所不能对设备故障发生时间做出预测的问题，但也对正负样本的数量有着较高要求。

发明内容

本发明目的在于提供一种基于样本分布的通用故障预警系统，本发明另一目的是提供该通用故障预警系统的预警方法。通过采用智能算法对故障发生时间进行离散化处理，进而把样本转换为适合分类算法的数据，从而输入模型中对模型进行训练，并对设备下一次故障发生时间进行模预测。

为实现上述目的，本发明采取下述技术方案：

本发明所述基于样本分布的通用故障预警系统，包括下述模块：

数据清洗模块，用于对故障预警系统数据进行缺失填补、丢弃、平滑处理、最大最小归一化、剔除冗余样本数据、移除低方差特征、移除低皮尔逊相关系数特征；

特征工程模块，用于基于滑窗法构造故障时间一阶差分特征、基于箱线图算法对传感器异常值数据进行捕获、构造相应统计型特征；

故障时间聚类模块，基于历史故障发生时间的分布，用于对所述历史故障发生时间做离散化处理，从而获得故障发生时间区间段；

分类器模块，用于对所述故障时间聚类模块处理得到的训练数据进行切分，取前80%的数据用于分类器的训练，取后20%的数据用于分类型的性能评估。

所述故障时间聚类模块，对所述历史故障发生时间数据采用kmeans++算法进行聚类，基于轮廓系数寻找最佳聚类个数，并对历史故障发生时间进行离散化处理，构造故障发生时间分类标签，并构造输入到分类器模块的训练数据。