本发明专利技术涉及故障诊断技术领域，具体涉及工程机械的数据样本库的构建、故障预测方法及工程机械，该构建方法包括获取目标工程机械对应的初始样本库，初始样本库包括正常设备库以及故障库，初始样本库中各个原始数据均有对应的时序特征；获取目标工程机械的监测数据；基于预设时间单元对监测数据进行划分，得到监测时间序列；对各个监测时间序列进行特征提取，得到监测数据对应的监测特征；基于监测特征与各个初始样本库中各个原始数据的时序特征的相似度，确定监测数据所属的初始样本库，以对初始样本库进行更新确定目标样本库。该方法以推理方法基于真实数据扩充初始样本库，解决故障样本不足的问题。样本不足的问题。样本不足的问题。
【技术实现步骤摘要】
工程机械的数据样本库的构建、故障预测方法及工程机械
[0001]本专利技术涉及故障诊断
，具体涉及工程机械的数据样本库的构建、故障预测方法及工程机械。
技术介绍
[0002]在异常检测领域，基于各类机器学习模型的方法是一个重要的技术路线，这类方法需要从大量的历史数据中学习故障规律，并不断进行算法迭代和参数修正，从而构建精确的故障诊断模型。其中，高质量的样本库是所有模型的基础，尤其是对于有监督的机器学习方法，往往需要构建不同类别样本库，这些样本库样本容量与质量都会是影响最终算法实现效果的重要因素。
[0003]工程机械设备的异常检测作为一个子领域，其本身存在的客观局限性使得通用的样本库构建技术往往无法满足机器学习算法的要求，具体的问题如下：
[0004]1)工程机械设备在故障状态下的运行时间往往只占其全生命周期的很少一部分，从客观上导致故障样本量远小于健康样本量，因此产生样本不平衡问题，不利于智能算法的训练；
[0005]2)在通用样本库构建时，无论是人工标注还是半自动化生成标签，往往对于各类样本有一套明确可执行的方法，而工程机械设备数量多、分布广、工时长，监测所有设备进行并收集故障样本往往是不现实的，对于不同的运行状态的甄别工作只能对有限的设备在有限的时间里开展，这就进一步局限了可获取的故障样本数量。
[0006]由于可获取的样本数量有限，常见的样本均衡办法如降采样直接将样本容量限制在一个较低的水平，不利于后续基于样本库的高级算法开发，如故障预测故障识别等。
技术实现思路
[0007]有鉴于此，本专利技术实施例提供了一种工程机械的数据样本库的构建、故障预测方法及工程机械，以解决工程机械的样本数量有限的问题。
[0008]根据第一方面，本专利技术实施例提供了一种工程机械的数据样本库的构建方法，包括：
[0009]获取目标工程机械对应的初始样本库，所述初始样本库包括正常设备库以及故障库，所述初始样本库中各个原始数据均有对应的时序特征；
[0010]获取所述目标工程机械的监测数据；
[0011]基于预设时间单元对所述监测数据进行划分，得到监测时间序列；
[0012]对各个所述监测时间序列进行特征提取，得到所述监测数据对应的监测特征；
[0013]基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。
[0014]本专利技术实施例提供的工程机械的数据样本库的构建方法，基于目标工程机械少量的原始数据构建初始样本库，采用时序特征提取处理原始数据，再以推理方法基于真实数
据扩充初始样本库，解决工程机械难以跟踪导致的故障样本不足的问题。
[0015]结合第一方面，在第一方面第一实施方式中，所述基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库，包括：
[0016]计算所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度；
[0017]基于各个所述初始样本库中所有相似度的均值，确定所述监测特征与各个所述初始样本库的相似度；
[0018]将与各个所述初始样本库的相似度中最大相似度对应的初始样本库确定为所述监测数据所属的初始样本库；
[0019]将所述监测数据及其监测特征加入所述所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。
[0020]本专利技术实施例提供的工程机械的数据样本库的构建方法，由于在各个初始样本库中均对应有多个原始数据均有至少一个时序特征，基于此，通过计算同一初始样本库中所有相似度的均值，即可确定出监测特征与各个初始样本库的相似度，进而确定出其所属的初始样本库，以扩充所属的初始样本库，可以保证所确定出的所属的初始样本库的准确性。
[0021]结合第一方面第一实施方式，在第一方面第二实施方式中，所述将所述监测数据及其监测特征加入所述所属的初始样本库，以对所述初始样本库进行更新确定目标样本库，还包括：
[0022]对更新后的初始样本库进行降采样，得到各个目标样本库，所述各个目标样本库中的样本数量相同。
[0023]本专利技术实施例提供的工程机械的数据样本库的构建方法，由于各个初始样本库中的原始数据可能存在不均衡的问题，因此通过对其进行降采样，保证所得到的各个目标样本库中的样本数量相同。
[0024]结合第一方面，在第一方面第三实施方式中，所述获取目标工程机械对应的初始样本库，包括：
[0025]获取所述目标工程机械的原始数据，以确定所述正常设备库以及所述故障库，所述原始数据包括正常运行数据以及带故障类型标注的故障运行数据；
[0026]基于预设时间单元分别对所述正常设备库以及所述故障库中的各个原始数据进行划分，得到原始时间序列；
[0027]对所述原始时间序列进行特征提取，确定各个原始数据对应的时序特征；
[0028]基于所述原始数据及其对应的时序特征确定所述初始样本库。
[0029]本专利技术实施例提供的工程机械的数据样本库的构建方法，利用带标签的原始数据构建各个数据库，再进行时间划分得到原始时间序列，再进行特征提取，得到各个原始数据对应的时序特征，通过少量的原始数据对各个原始时间序列再进行特征提取，可以得到丰富的时序特征。
[0030]结合第一方面第三实施方式，在第一方面第四实施方式中，所述对所述原始时间序列进行特征提取，确定各个原始数据对应的时序特征，包括：
[0031]对各个所述原始时间序列进行至少一种类型的特征提取，得到所述各个原始数据对应的时序特征。
[0032]本专利技术实施例提供的工程机械的数据样本库的构建方法，针对各个原始时间序列均提取至少一种类型的特征，得到丰富的时序特征，保证了后续进行初始样本库匹配的可靠性。
[0033]根据第二方面，本专利技术实施例还提供了一种故障预测方法，包括：
[0034]获取目标工程机械的实时运行数据；
[0035]将所述实时运行数据输入目标故障预测模型中，确定目标故障类型，所述目标故障预测模型是基于本专利技术第一方面，或第一方面任一实施方式中所述的工程机械的数据样本库的构建方法构建的目标样本库训练得到的。
[0036]本专利技术实施例提供的故障预测方法，由于目标故障预测模型是基于上述得到的目标样本库训练得到的，由于目标样本库的丰富性，训练得到的目标故障预测模型的预测准确性较高，进而可以保证所确定出的目标故障类型的可靠性。
[0037]结合第二方面，在第二方面第一实施方式中，所述目标故障预测模型的训练过程包括：
[0038]获取所述目标样本库；
[0039]将所述目标样本库中的各个数据输入初始故障预测模型中，得到预测故障类型；
[0040]基于所述预测故障类型与所述各个数据对应的故障类型进行损失计算，更新所述初始故障预测模型的参本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工程机械的数据样本库的构建方法，其特征在于，包括：获取目标工程机械对应的初始样本库，所述初始样本库包括正常设备库以及故障库，所述初始样本库中各个原始数据均有对应的时序特征；获取所述目标工程机械的监测数据；基于预设时间单元对所述监测数据进行划分，得到监测时间序列；对各个所述监测时间序列进行特征提取，得到所述监测数据对应的监测特征；基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。2.根据权利要求1所述的方法，其特征在于，所述基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库，包括：计算所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度；基于各个所述初始样本库中所有相似度的均值，确定所述监测特征与各个所述初始样本库的相似度；将与各个所述初始样本库的相似度中最大相似度对应的初始样本库确定为所述监测数据所属的初始样本库；将所述监测数据及其监测特征加入所述所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。3.根据权利要求2所述的方法，其特征在于，所述将所述监测数据及其监测特征加入所述所属的初始样本库，以对所述初始样本库进行更新确定目标样本库，还包括：对更新后的初始样本库进行降采样，得到各个目标样本库，所述各个目标样本库中的样本数量相同。4.根据权利要求1所述的方法，其特征在于，所述获取目标工程机械对应的初始样本库，包括：获取所述目标工程机械的原始数据，以确定所述正常设备库以及所述故障库，所述原始数据包括正常运行数据以及带故障类型标注的故障运行数据；基于预设时间单元分别对所述正常设备库以及所述故障库中的各个原始数据进行划分，得到原始时间序列；对所述原始时间序列进行特征提取，确定各...
【专利技术属性】
技术研发人员：李源琦，付磊，吴思远，罗建华，袁爱进，闫鑫，
申请(专利权)人：上海华兴数字科技有限公司，
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。