一种基于工业物联网数据的故障预测方法和系统技术方案

本发明专利技术属于人工智能技术领域，具体涉及一种基于工业物联网数据的故障预测方法和系统。本发明专利技术的方法包括如下步骤：步骤1，输入工业物联网采集的多变量时间序列；步骤2，利用离散化方法将所述多变量时间序列转换成模式袋；步骤3，利用分类器对所述模式袋进行计算，得到故障预测结果。本发明专利技术还提供了用于实现上述方法的系统。本发明专利技术通过对方法的算法和参数进行优选，达到了很好的预测性能，因而具有很好的应用前景。用前景。用前景。

【技术实现步骤摘要】
一种基于工业物联网数据的故障预测方法和系统


[0001]本专利技术属于人工智能
，具体涉及一种基于工业物联网数据的故障预测方法和系统。

技术介绍

[0002]多变量时间序列(MTS)是在一段时间内记录多个相互连接的数据流时产生的。它们广泛应用于许多领域，如语音识别、EFG/EGC信号异常检测、智能家居、机器监控、能源预测(智能电网)、位置跟踪等。在现代的工业生产线中，利用物联网采集的设备运行数据就是一种MTS数据。
[0003]MTS很难处理，因为MTS样本在一个时间瞬间包含多个观测值。因此，为了对MTS进行分类，需要同时考虑多种特征的贡献。为了解决这个问题，多种模型被开发出来。例如，模式挖掘(Batal et al.2012，Batal et al.2009，Kadous et al.2005)、分类方法(Chandrakala et al.，2010，Nguyen et al.2011，Orsenigo et al.2010)、相似性度量(Chen et al.2013，Yang et al.2005，Yoon et al.2005)。
[0004]同时，MTS的早期分类也是一个值得研究的问题。例如，分析监测制浆造纸过程的传感器产生的MTS可以尽早识别异常情况，并在发生断纸事件之前向工人发出紧急警报。另一个例子是，分析患者监测产生的MTS并识别其异常情况，可以为医生提供紧急警报。迄今为止，除Ghalwash等人(2012，doi:10.1186/1471
‑
2105
>‑
13
‑
195.)外，对MTS数据早期分类的研究很少。他提出了一个由多个线段组成的Shapelet，所有部分都是同时在同一滑动时间窗口中提取。然而现有的多元时间序列分类模型发展仍处于早期阶段，所应用的场景仍然有限，其应用于工业设备的预测性维护策略面临一些问题，例如不合适的核心数据表示导致模型性能较差。因此，针对工业设备的预测性维护任务，仍然有必要开发新的多元时间序列分类模型。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术提供了一种利用MTS进行故障预测的方法。
[0006]一种基于工业物联网数据的故障预测方法，包括如下步骤：
[0007]步骤1，输入工业物联网采集的多变量时间序列；
[0008]步骤2，利用离散化方法将所述多变量时间序列转换成模式袋；
[0009]步骤3，利用分类器对所述模式袋进行计算，得到故障预测结果。
[0010]优选的，步骤2中，所述离散化方法为SAX。
[0011]优选的，步骤2中，利用滑动窗口将多变量时间序列中包含的每个单变量时间序列通过SAX转换为单词，统计单词以形成模式袋。
[0012]优选的，所述滑动窗口的大小为100
‑
1000。
[0013]步骤3中，所述分类器的计算过程包括：利用卡方检验选择特征，然后利用逻辑回归模型对故障进行预测。
[0014]优选的，步骤3中，所述卡方检验中，特征集的大小为20
‑
2000。
[0015]优选的，所述多变量时间序列是从造纸设备中采集的。
[0016]本专利技术还提供一种用于实现上述基于工业物联网数据的故障预测方法的系统，包括：
[0017]输入模块，用于输入工业物联网采集的多变量时间序列；
[0018]多变量时间序列转换模块，用于利用离散化方法将所述多变量时间序列转换成模式袋；
[0019]预测模块，用于利用分类器对所述模式袋进行计算，得到故障预测结果；
[0020]输出模块，用于输出故障预测结果。
[0021]本专利技术还提供一种计算机可读存储介质，其上存储有用于实现上述基于工业物联网数据的故障预测方法的计算机程序。
[0022]本专利技术提供了一种利用MTS进行故障预测的方法和系统。当前多元时间序列分类模型发展仍处于早期阶段，所应用的场景仍然有限。本专利技术首次将多元时间序列分类模型用于工业物联网失效预测(预测性维护模型)，实现了工业物联网故障诊断，具有很好的应用前景。
[0023]在优选方案中，本专利技术对用于转换MTS的离散化方法和用于获得预测结果的分类器进行了优化，能够达到很好的预测性能，具有很好的应用前景。
[0024]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0025]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0026]图1为实验例1中的变量间相关性；
[0027]图2为实验例1中针对训练集和测试集的特征集大小可视化FPR、FNR、召回和精度；
[0028]图3为实验例1中针对训练集和测试集的窗口大小可视化FPR、FNR、召回和精度。
具体实施方式
[0029]需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
[0030]实施例1基于工业物联网数据的故障预测方法和系统
[0031]本实施例提供的系统包括：
[0032]输入模块，用于输入工业物联网采集的多变量时间序列；
[0033]多变量时间序列转换模块，用于利用离散化方法将所述多变量时间序列转换成模式袋(BOP)；
[0034]预测模块，用于利用分类器对所述模式袋进行计算，得到故障预测结果；
[0035]输出模块，用于输出故障预测结果。
[0036]采用上述系统对设备进行故障预测的方法如下：使用符号聚合近似(SAX)生成模
式袋(P.and LESER,U.2017.Multivariate time series classification with WEASEL+MUSE.arXiv preprint arXiv:1711.11343.)，以词包为输入，进行特征选择的卡方检验。然后，使用逻辑回归对时间序列进行分类(P.andM.SFA:a symbolic fourier approximation and index for similarity search in high dimensional datasets.Proceedings of the15th International Conference on Extending Database Technology,2012.ACM,516
‑
527.)，得到故障预测结果。
[0037]具体包括如下步骤：
[0038]步骤1，输入工业物联网采集的多变量时间序列；该多变量时间序列是工业生产设备运行是所产生的，例如可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业物联网数据的故障预测方法，其特征在于，包括如下步骤：步骤1，输入工业物联网采集的多变量时间序列；步骤2，利用离散化方法将所述多变量时间序列转换成模式袋；步骤3，利用分类器对所述模式袋进行计算，得到故障预测结果。2.按照权利要求1所述的故障预测方法，其特征在于：步骤2中，所述离散化方法为SAX。3.按照权利要求2所述的故障预测方法，其特征在于：步骤2中，利用滑动窗口将多变量时间序列中包含的每个单变量时间序列通过SAX转换为单词，统计单词以形成模式袋。4.按照权利要求3所述的故障预测方法，其特征在于：所述滑动窗口的大小为100
‑
1000。5.按照权利要求1所述的故障预测方法，其特征在于：步骤3中，所述分类器的计算过程包括：利用卡方检验选择特征，然后利用逻辑回归模型对故障进行预测。6.按照权利要求5所述的故...

【专利技术属性】
技术研发人员：王常玺，王婷，李康，李真林，
申请(专利权)人：四川大学，
类型：发明
国别省市：