【技术实现步骤摘要】
故障劣化程度确定方法、装置、计算机设备及存储介质
本专利技术属于计算机
,尤其涉及一种故障劣化程度确定方法、装置、计算机设备及存储介质。
技术介绍
当今信息技术的飞速发展,使工业生产不断智能化、集成化,生产系统更加复杂多样,故障的产生在所难免,会对企业社会的经济效益、安全生产造成巨大危害,因此故障诊断技术的研究一直被予以重视,并得到长足的发展。现有的故障诊断技术一般分为三类,即基于解析模型的故障诊断、基于知识的故障诊断和基于数据驱动的故障诊断。基于解析模型的方法包括参数估计、状态估计以及等价空间三种,需要对研究对象有深刻的认识,而实际工程实践中由于非线性、多耦合、外界干扰等原因使得很难搭建有效精准的数学模型,这也制约了解析模型方法的发展。基于知识的故障诊断方法包括故障树分析、专家系统等,具有很强的知识逻辑分析能力,但是在知识获取、推理、解释等方面能力较差。然而现有的故障诊断技术中,除了一直都存在的诊断结果不够准确的技术问题外,现有技术通常还只能确定出故障是否存在,而无法进一步确定故障的劣化程度,即限制了用户对故障信息的获取,用户无法第一时间知晓故障的程度,从而无法针对性的做出应急措施。可见,现有的故障诊断技术还存在着无法确定故障劣化程度的技术问题。
技术实现思路
本专利技术实施例的目的在于提供一种故障劣化程度确定方法,旨在解决现有的故障诊断技术还存在着无法确定故障劣化程度的技术问题。本专利技术实施例是这样实现的,一种故障劣化程度确定方法,具体包括以下步骤:按照 ...
【技术保护点】
1.一种故障劣化程度确定方法,其特征在于,具体包括以下步骤:/n按照预设的规则获取故障诊断数据;/n基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集;/n根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障;/n当判断存在第一故障时,根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。/n
【技术特征摘要】
1.一种故障劣化程度确定方法,其特征在于,具体包括以下步骤:
按照预设的规则获取故障诊断数据;
基于半非负矩阵分解对所述故障诊断数据进行矩阵分解生成特征数据集;
根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障;
当判断存在第一故障时,根据所述故障诊断数据以及预设的基于二分类非负矩阵分解算法训练生成的第一故障劣化评价模型确定第一故障的劣化程度。
2.根据权利要求1所述的故障劣化程度确定方法,其特征在于,所述根据所述特征数据集以及预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型确定是否存在第一故障的步骤具体包括:
确定初始化的第一故障诊断结果矩阵;
按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整,生成调整后的第一故障诊断结果矩阵;
根据所述特征数据集、所述调整后的第一故障诊断结果矩阵以及所述第一故障诊断模型并按照预设的故障诊断结果目标函数计算故障诊断结果损失值;
判断所述故障诊断结果损失值是否满足预设的第一条件;
当判断所述故障诊断结果损失值不满足预设的第一条件时,将所述调整后的第一故障诊断结果矩阵确定为当前的第一故障诊断结果矩阵,并返回至所述按照预设的第一故障诊断结果矩阵调整模型并根据所述特征数据集、所述第一故障诊断模型以及当前的第一故障诊断结果矩阵对所述当前的第一故障诊断结果矩阵进行调整,生成调整后的第一故障诊断结果矩阵的步骤;
当判断所述故障诊断结果损失值满足预设的第一条件时,根据所述调整后的第一故障诊断结果矩阵确定是否存在第一故障。
3.根据权利要求1所述的故障劣化程度确定方法,其特征在于,训练生成所述预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型的步骤具体包括:
获取故障诊断数据样本,所述故障诊断数据样本包括正常态数据样本以及与所述第一故障对应的第一故障态数据样本;
基于半非负矩阵分解对所述故障诊断数据样本进行分解生成特征数据样本集;
根据所述特征数据样本集确定故障诊断权重矩阵;
构建初始化的分类结果矩阵;
根据所述特征数据样本集以及分类结果矩阵确定分类矩阵;
按照预设的分类结果矩阵调整模型,并根据所述特征数据样本集、当前的分类矩阵、当前的分类结果矩阵以及所述权重矩阵对分类结果矩阵进行调整,生成调整后的分类结果矩阵;
根据所述特征数据样本集、所述调整后的分类矩阵、所述调整后的分类结果矩阵以及权重矩阵并按照预设的故障诊断模型目标函数计算故障诊断模型损失值;
判断所述故障诊断模型损失值是否满足预设的第二条件;
当判断所述故障诊断模型损失值不满足预设的第二条件时,将所述调整后的分类矩阵确定为当前的分类矩阵,将所述调整后的分类结果矩阵确定为当前的分类结果矩阵,并返回至所述根据所述特征数据样本集以及分类结果矩阵确定分类矩阵的步骤;
当判断所述故障诊断模型损失值满足预设的第二条件时,将所述调整后的分类矩阵确定为所述预设的基于二分类非负矩阵分解算法训练生成的第一故障诊断模型。
4.根据权利要求3所述的故障劣化程度确定方法,其特征在于,所述基于半非负矩阵分解对所述故障诊断数据样本进行分解生成特征数据样本集的步骤具体包括:
构建初始化的系数样本集;
根据所述故障诊断数据样本以及初始化的系数样本集确定数据特征样本集;
按照预设的系数样本集调整模型并根据所述故障诊断数据样本、所述调整后的数据特征样本...
【专利技术属性】
技术研发人员:王印松,孙天舒,丁梦婷,
申请(专利权)人:华北电力大学保定,
类型:发明
国别省市:河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。