[发明专利]基于DCFM模型的设备故障预测方法

权利要求书

1.基于DCFM模型的设备故障预测方法，包括构建DCFM模型并基于该模型实现设备故障状态的预测，其特征在于，所述DCFM模型的构建包括以下步骤：

S1：加载设备样本数据并进行特征筛选；

S2：将筛选后保留的特征数据进行编码，并组成嵌入堆叠层作为DCFM模型的输入；

S3：设计嵌入了Deep Network、FM、Cross Network三种模块的自动构造设备特征模块，定义并行关系的Deep Network、FM、Cross Network三种模块用于设备特征的自动构造与探索；

S4：将编码后的特征数据输入至Deep Network模块中，对设备隐式高阶特征信息进行提取；

S5：FM组件共享Deep Network模块的输入，用于设备二阶特征的构造和一阶设备二阶特征的表达，具体过程为：使用x_i表示i维设备特征，x_ix_j表示第i维与第j维特征的交叉项，交叉特征对应的权重系数个数为n(n-1)/2个；

S6：Cross Network模块共享Deep Network、FM模块的输入，用于显示高阶设备特征间的交叉组合，数学表达式为：其中：X_l+1表示CrossNetwork模块的第l+1层输出，即第l+1层设备特征向量，X_l表示Cross Network模块的第l层输出，即第l层设备特征向量；W_l为所要学习的权重参数，b_l为偏置项，X₀表示0层设备特征输出，表示l层设备特征输出的转置，f(·)表示拟合该层输出和上一层输出的残差；

S7：融合输出层将Deep Network、Cross Network和FM三个模块的结果项进行融合，生成连接向量；

S8：将连接向量输入到概率预测函数，计算设备状态故障的概率，将Sigmoid作为最外层概率预测函数,用来计算最终的故障概率结果；

S9：定义阈值，计算设备故障状态的预测结果，阈值r为0.5，大于r则判定预测结果为1，否则为0。

2.根据权利要求1所述的方法，其特征在于，所述设备故障的预测方法包括以下步骤：

(1)按照统一的模型输入对设备数据进行编码处理；

(2)将编码后的设备数据按4:1进行训练集和测试集的划分，训练集用于对DCFM模型进行拟合，测试集用来观察DCFM模型的拟合效果，模型评价指标为AUC与LogLoss；

(3)使用LogLoss作为模型的损失函数，用于计算输出值与目标值之间的误差；

(4)使用Adam对模型参数进行优化；

(5)当评价指标LogLoss的值不再发生剧烈变化或训练次数达到最大迭代次数上限时，输出训练好的模型文件；

(6)加载保存的DCFM模型，将待预测的设备样本数据，输入到DCFM模型，得到设备故障分类的结果。