本发明专利技术公开了一种设备故障检测分类器训练方法，包括步骤：从设备获取设备运行数据集，并对数据集的每条运行数据记录进行处理生成原始样本，得到包括多个原始样本的原始样本集；对原始样本集中的每个原始样本进行编码生成一个个体，得到包括多个个体的初始种群；根据原始样本集中所包括的故障类型构建适合度函数；根据适合度函数对种群进行遗传迭代得到目标种群；确定目标种群中的最优个体；根据最优个体的染色体确定所述原始样本集的优化特征集；根据优化特征集对原始样本集中的每个原始样本进行处理生成训练样本，得到包括多个训练样本的训练样本集；根据训练样本集对分类器进行训练。本发明专利技术还一并公开了一种计算设备和计算机可读存储介质。计算机可读存储介质。计算机可读存储介质。
【技术实现步骤摘要】
一种设备故障检测分类器训练方法、计算设备及存储介质
[0001]本专利技术涉及设备故障诊断领域，特别涉及一种设备故障检测分类器训练方法、计算设备及存储介质。
技术介绍
[0002]随着计算机和传感器技术的发展，越来越以来计算机对设备的运行情况进行监控，以及自动化判断设备的运行问题。通常通过在设备中部署传感器的方式，对设备的运行数据进行采集，以及由计算机对运行数据进行分析，得到分析结果。但由于运行数据采集的项目较多，设备的运行情况较为复杂，运行数据与设备的故障类型的对应关系不够清晰。因此不得不提出了大量的原始特征以进行故障识别，但受分类器规模、训练过程复杂性、计算机容量等诸多因素的制约，往往并不能取得良好的诊断效果。
[0003]在现有技术中，通过采用主分量进行分析，用最大特征值所对应的特征向量作为分类特征，剔除了原始特征集中一些不相关的特征。但在剔除特征后得到的特征集合，会遗漏一些特征导致得到的分类器不能取得良好的诊断效果。
[0004]为此，需要一种新的设备故障检测分类器训练方法。
技术实现思路
[0005]为此，本专利技术提供一种设备故障检测分类器训练方法，以力图解决或者至少缓解上面存在的问题。
[0006]根据本专利技术的一个方面，提供一种设备故障检测分类器训练方法，适于在服务器中执行，服务器与一台或多台设备通信连接，方法包括步骤：从设备获取设备运行数据集，并对运行数据集的每条运行数据记录进行处理生成原始样本，得到包括多个原始样本的原始样本集，原始样本集包括多种故障类型的原始样本；对原始样本集中的每个原始样本进行编码生成一个个体，得到包括多个个体的初始种群；根据原始样本集中所包括的故障类型构建适合度函数；根据适合度函数对初始种群进行遗传迭代得到目标种群；确定目标种群中的最优个体；根据最优个体的染色体确定原始样本集的优化特征集；根据优化特征集对原始样本集中的每个原始样本进行处理生成训练样本，得到包括多个训练样本的训练样本集；根据训练样本集对分类器进行训练。
[0007]可选地，在根据本专利技术的方法中，原始样本包括多个特征维度，对原始样本集中的每个原始样本进行编码生成一个个体包括步骤：对原始样本中的每个特征维度的特征值进行二进制编码生成个体的染色体码。
[0008]可选地，在根据本专利技术的方法中，根据原始样本集中所包括的故障类型构建适合度函数包括步骤：根据原始样本集中包括的故障类型的数量、原始样本持有相应特征维度的数量、每类故障类型中包括的原始样本的个数以及在原始样本集中的比率构建类内散度矩阵和类间散度矩阵；根据类内散度矩阵的迹和类间散度矩阵的迹构建适合度函数。
[0009]可选地，在根据本专利技术的方法中，根据适合度函数对初始种群进行遗传迭代得到
目标种群包括步骤：设置对初始种群进行遗传迭代的迭代次数、变异算子、选择算子、杂交算子和尺度因子；根据适合度函数、变异算子、选择算子、杂交算子和尺度因子对初始种群按照迭代次数进行遗传迭代。
[0010]可选地，在根据本专利技术的方法中，根据适合度函数、变异算子、选择算子、杂交算子和掺杂率表达式对初始种群按照迭代次数进行遗传迭代时，每次遗传迭代执行步骤包括：根据适合度函数对初始种群中的每个个体计算适合度得分；根据选择算子和适合度得分从初始种群中选择多个个体；对所选择的多个个体中的每个个体执行选择操作，得到第一中间种群。
[0011]可选地，在根据本专利技术的方法中，还包括步骤：根据杂交算子从第一中间种群中选择多个个体；对所选择的多个个体中的每个个体进行杂交操作，得到第二中间种群。
[0012]可选地，在根据本专利技术的方法中，还包括步骤：根据变异算子从第二中间种群中选择多个个体；对所选择的多个个体中的每个个体进行变异操作，得到第三中间种群。
[0013]可选地，在根据本专利技术的方法中，还包括步骤：根据第三中间种群中每个个体的染色体计算第三中间种群的群体熵；根据第三中间种群的群体熵和尺度因子计算掺杂算子；根据所述掺杂算子生成新的个体，对第三中间种群进行替换得到第四中间种群。
[0014]可选地，在根据本专利技术的方法中，还包括步骤：判断本次遗传迭代是否为最后一次遗传迭代，若不是最后一次遗传迭代，则将第四中间种群作为下次进行迭代的初始种群；若本次遗传迭代是最后一次遗传迭代，则将掺杂操作后得到的种群作为目标种群。
[0015]可选地，在根据本专利技术的方法中，确定目标准群中的最优个体包括步骤：对目标种群中的每个个体根据适合度函数进行适合度得分计算，将目标种群适合度得分最高的个体作为最优个体。
[0016]可选地，在根据本专利技术的方法中，个体的染色体包括多个基因，每个基因对应原始样本的一个特征维度，所述根据最优个体的染色体确定原始样本集的优化特征集包括步骤：确定最优个体的染色体所保留的一个或多个基因；将最优个体所保留的每个基因对应的特征维度作为优化特征，得到优化特征集。
[0017]可选地，在根据本专利技术的方法中，根据优化特征集对原始样本集中的每个原始样本进行处理生成训练样本包括步骤：将原始样本中的属于优化特征集中的优化特征保留，删除原始样本中非优化特征的特征维度，得到只包含优化特征的原始样本作为训练样本。
[0018]可选地，在根据本专利技术的方法中，根据训练样本集对分类器进行训练包括步骤：将优化特征集中的训练样本输入分类器，调整分类器的参数，使分类器在输入训练样本时，输出指向所输入的训练样本对应的故障类型。
[0019]可选地，在根据本专利技术的方法中，与服务连接的每台设备部署有多个传感器，从设备获取设备数据集包括步骤：从设备中部署的每个传感器获取所采集的运行数据，得到设备的多项运行数据；将设备的多项运行数据作为设备数据集中的一条运行数据记录。
[0020]可选地，在根据本专利技术的方法中，对运行数据集的每条运行数据记录进行处理生成原始样本包括步骤：将运行数据记录中的每项运行数据进行快速傅里叶变换生成频谱数据，得到多个不同方向的频谱数据；根据多个不同方向的频谱数据绘制二维全息谱图；根据二维全息谱图生成原始样本。
[0021]根据本专利技术的另一方面，提供了一种计算设备，包括：一个或多个处理器；存储器；
图像显示系统；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行根据本专利技术的一种设备故障检测分类器训练方法的任一方法的指令。
[0022]根据本专利技术的还有一个方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，该指令当由计算设备执行时，使得计算设备执行根据本专利技术的一种设备故障检测分类器训练方法中的任一方法。
[0023]本专利技术中的设备故障检测分类器训练方法适于在服务器中执行，服务器与一台或多台设备通信连接。首先服务器从设备获取设备运行数据集，并对运行数据集的每条运行数据记录进行处理生成原始样本。由于设备的运行数据记录的项目较多，因此原始样本中的特征维度较多，难以将原始样本的特征维度与原始样本集对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种设备故障检测分类器训练方法，适于在服务器中执行，所述服务器与一台或多台设备通信连接，所述方法包括步骤：从所述设备获取设备运行数据集，并对运行数据集的每条运行数据记录进行处理生成原始样本，得到包括多个原始样本的原始样本集，所述原始样本集包括多种故障类型的原始样本；对所述原始样本集中的每个原始样本进行编码生成一个个体，得到包括多个个体的初始种群；根据所述原始样本集中所包括的故障类型构建适合度函数；根据所述适合度函数对所述初始种群进行遗传迭代得到目标种群；确定所述目标种群中的最优个体；根据所述最优个体的染色体确定所述原始样本集的优化特征集；根据所述优化特征集对原始样本集中的每个原始样本进行处理生成训练样本，得到包括多个训练样本的训练样本集；根据所述训练样本集对分类器进行训练。2.如权利要求1所述的方法，其中，所述原始样本包括多个特征维度，所述对所述原始样本集中的每个原始样本进行编码生成一个个体包括步骤：对所述原始样本中的每个特征维度的特征值进行二进制编码生成所述个体的染色体码。3.如权利要求2所述的方法，其中，所述根据所述原始样本集中所包括的故障类型构建适合度函数包括步骤：根据所述原始样本集中包括的故障类型的数量、原始样本持有相应特征维度的数量、每类故障类型中包括的原始样本的个数以及在原始样本集中的比率构建类内散度矩阵和类间散度矩阵；根据类内散度矩阵的迹和类间散度矩阵的迹构建适合度函数。4.如权利要求1
‑
3中任一项所述的方法，其中，所述根据所述适合度函数对所述初始种群进行遗传迭代得到目标种群包括步骤：设置对所述初始种群进行遗传迭代的迭代次数、变异...
【专利技术属性】
技术研发人员：汪湘湘，朱非白，郝文平，冯坤，王勇，
申请(专利权)人：安徽容知日新科技股份有限公司，
类型：发明
国别省市：
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。