故障劣化程度确定方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术适用于计算机技术领域，提供了一种故障劣化程度确定方法、装置、计算机设备及存储介质，所述方法包括：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第一故障诊断模型确定是否存在第一故障；根据所述故障诊断数据以及预设的第一故障劣化评价模型确定第一故障的劣化程度。本发明专利技术实施例提供的故障劣化程度确定方法，其中第一故障诊断模型以及第一故障诊断模型是基于大量的样本数据以及非负矩阵分解算法预先训练生成，对故障的判断以及故障劣化程度具有较高的准确率，此外还能够判断出故障的劣化程度，便于用户获取更加全面的故障信息。

Determination method, device, computer equipment and storage medium of fault deterioration degree

【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。本专利技术实施例的另一目的在于提供一种故障劣化程度确定装置，具体包括：故障诊断数据获取单元，用于按照预设的规则获取故障诊断数据；特征数据集生成单元，用于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；第一故障判断单元，用于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；第一故障劣化程度判断单元，用于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。本专利技术实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述故障劣化程度确定方法的步骤。本专利技术实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述故障劣化程度确定方法的步骤。本专利技术实施例提供的一种故障劣化程度确定方法，按照预设的规则获取故障诊断数据后，先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，然后根据预先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判断是否存在第一故障，当判断存在第一故障时，再进一步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。本专利技术实施例提供的故障劣化程度确定方法，其中第一故障诊断模型以及第一故障诊断模型是基于大量的样本数据以及非负矩阵分解算法预先训练生成，对故障的判断以及故障劣化程度具有较高的准确率，能够准确判断出故障的劣化程度，便于用户获取更加全面的故障信息。附图说明图1为本专利技术实施例提供的一种故障劣化程度确定方法的步骤流程图；图2为本专利技术实施例提供的确定是否存在故障的方法的步骤流程图；图3为本专利技术实施例提供的训练生成第一故障诊断模型的方法的步骤流程图；图4为本专利技术实施例提供的一种分解生成特征数据样本集的步骤流程图；图5为本专利技术实施例提供的一种故障劣化程度确定装置的结构示意图；图6为本专利技术实施例提供的一种第一故障判断单元的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，在一个实施例中，提供了一种故障劣化程度确定方法的步骤流程图，具体包括：步骤S102，按照预设的规则获取故障诊断数据。在本专利技术实施例中，所述预设的规则是根据具体的应用环境获取相应的故障诊断数据，以艾默生水箱综合实验平台的调节阀故障诊断为例，该平台模仿化工生产实际，汇集温度、压力、流量等传感信号，可以实现单回路、串级、多入多出、耦合回路的实践，则此时获取的故障诊断数据包括控制指令输出、调节阀反馈、液位信号、控制指令输出-调节阀反馈、控制指令输出/调节阀反馈，共同组成五维数据，当采集多组五维数据，可进一步构成故障诊断数据集。步骤S104，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。在本专利技术实施例中，基于Semi-NMF方法可以对矩阵进行分解提取出故障诊断数据的数据特征，即特征数据集，其中具体的步骤如下：对于由故障诊断数据构成的故障诊断数据集X∈Rm×n，由分负矩阵分解可知，数据集X可近似为两个分负矩阵之积，即X＝UV，U∈Rm×1，V∈R1×n，此时通过循环如下迭代过程即可确定U、V：U＝XVT(VVT)-1；其中，Qi，j表示矩阵Q的第i行第j列，表示矩阵Q的正值部分，表示矩阵Q的负值部分，当确定一个初始V后，循环上述迭代过程直到||X-UV||F收敛即可，即||X-UV||F满足预设的条件，此时，重新根据U、V之积确定提取特征之后的特征数据集X′。步骤S106，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。在本专利技术实施例中，可以包括多种故障类型，而对于不同的故障类型分别有不同的故障诊断模型，以前述提及的艾默生水箱综合实验平台的调节阀故障诊断为例，包括的故障类型有恒增益故障、恒偏差故障、卡死故障、粘滞故障、死区故障五种已发故障以及阀塞或阀座下沉、阀或轴承摩擦增加、外部泄露、内部泄漏四种缓变故障，对于上述提到的每一种故障都有相应的故障诊断模型。在本专利技术实施例中，根据特征数据集X′以及故障诊断模型确定是否存在第一故障确定是否存在故障的步骤具体请参阅图2及其解释说明，而具体的训练生成所述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请参阅图3及其解释说明。步骤S108，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本文档来自技高网...

【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