一种基于故障底层特征的机电系统维修方式预测方法技术方案

本发明专利技术提供了一种基于故障底层特征的机电系统维修方式预测方法。该方法包括：基于机电系统的维修记录以故障数据为实例，以故障类型为标签，构建实例与标签间的相关矩阵，对所有标签进行聚类处理，计算实例到标签正负实例集的聚类中心之间的欧式距离，得到实例与标签间的映射关系；构建二元分类器，将故障机电系统的故障数据作为未知实例，将所述未知实例输入到所述二元分类器，输出所述故障机电系统的维修方式的初步判定结果；引入校准标签，利用故障底层特征和校准标签对故障机电系统的维修方式的初步判定结果进行更新，得到最终的维修方式判定结果。本发明专利技术提供的方法可以有效的根据复杂机电系统采集的数据进行维修方式判定，且精度高。且精度高。且精度高。

【技术实现步骤摘要】
一种基于故障底层特征的机电系统维修方式预测方法


[0001]本专利技术涉及机电系统维修
，尤其涉及一种基于故障底层特征的机电系统维修方式预测方法。

技术介绍

[0002]随着复杂机电系统不断朝着精细化、智能化的方向发展，提升了复杂机电系统的状态监测与维护模式难度。复杂机电系统在长期使用中，受到人为、环境等各方面因素的影响，容易发生故障。观察和检测系统设备的运行质量和运行状态工作至关重要。以状态修、寿命管理的一些要求为依据，对超过磨损程度范围的零部件要及时的更换，还需要及时地对那些超出维护标准的设备参数做出调整。例如，列车牵引系统部件状态直接影响行车安全，当前铁路部门累计了大量的复杂机电系统维修记录，基于监测项点的运行数据与故障维护数据，如何科学高效准确的实现对复杂机电系统维修方式判定是目前保证设备安稳运行亟待解决的关键问题。
[0003]目前，现有技术中还没有一种有效地复杂机电系统的维修方式的判定方法。

技术实现思路

[0004]本专利技术的实施例提供了一种基于故障底层特征的机电系统维修方式预测方法，以实现有效地进行复杂机电系统的维修工作。
[0005]为了实现上述目的，本专利技术采取了如下技术方案。
[0006]一种基于故障底层特征的机电系统维修方式预测方法，包括：
[0007]基于机电系统的维修记录以故障数据为实例，以故障类型为标签，构建实例与标签之间的相关矩阵，对所有标签进行聚类处理，计算实例到标签正负实例集的聚类中心之间的欧式距离，得到实例与标签正负实例集之间的映射关系；
[0008]根据所述实例与标签之间的相关矩阵和实例与标签正负实例集之间的映射关系构建二元分类器，将故障机电系统的故障数据作为未知实例，将所述未知实例输入到所述二元分类器，所述二元分类器输出所述故障机电系统的维修方式的初步判定结果；
[0009]引入校准标签，利用故障底层特征和校准标签对所述故障机电系统的维修方式的初步判定结果进行更新，得到最终的维修方式判定结果。
[0010]优选地，所述的基于机电系统的维修记录以故障数据为实例，以故障类型为标签，构建实例与标签之间的相关矩阵，对所有标签进行聚类处理，计算实例到标签正负实例集的聚类中心之间的欧式距离，得到实例与标签正负实例集之间的映射关系，包括：
[0011]以故障机电系统的每项故障数据为实例，每项故障类型为标签，故障类型对应的具体参数为特征值，构建实例与特征值之间的特征矩阵F及实例与标签之间的相关矩阵R：
[0012][0013][0014]其中，m表示所有的实例数，n表示所有的特征数，q表示所有的标签数，a
ij
为该实例的具体该特征参数，1≤i≤m，1≤j≤n，b
ij
为
‑
1或1，
‑
1表示该实例不具有对应标签，1表示该实例具有对应标签，1≤i≤m，1≤j≤q；
[0015]Step2：对于每一个标签对应的实例若与该标签相关则加入该标签的正实例集P，反之，则加入负实例集N；
[0016]Step3：对各标签对应的正实例集合P和负实例集合N分别计算标签熵E(k)
p
、E(k)
n
：
[0017][0018][0019]其中，E(k)
p
表示第k个标签对应正实例集合的标签熵；hp(j)表示在该标签对应的正实例集中出现的第j个标签向量与在正实例集中出现的总标签向量的比值；E(k)
n
和hn(j)则分别表示第k个标签的负实例集对应的标签熵及向量比值；
[0020]Step4：利用正负实例集的标签熵计算每个标签的基本熵，用基本熵评估标签的最小变化：
[0021][0022]w
k
表示第k个标签的基本熵；
[0023]Step5：计算根据训练数据自适应的聚类簇数：
[0024][0025]其中，c
k
表示第k个标签正负实例集的对应聚类簇数；其中r
k
为第k个标签对应的比率参数；s为平滑参数；|P|和|N|分别表示正负实例集的基数，对各标签对应正负实例集合以相同的聚类簇数c
k
分别执行k
‑
means聚类；
[0026]Step6：根据聚类结果对每个标签构建由n维至2c
k
维的映射：
[0027][0028]ε(x)
k
表示实例与第j个标签对应正负实例集分别的聚类结果的集合构建的映射；
为实例与该标签正实例集各聚类中心的欧氏距离，为实例与该标签负实例集各聚类中心的欧氏距离，所述映射包含标签的相关实例集和不相关实例集分别进行处理，得到的不同标签特征结果。
[0029]优选地，所述的根据所述实例与标签之间的相关矩阵和实例与标签正负实例集之间的映射关系构建二元分类器，将故障机电系统的故障数据作为未知实例，将所述未知实例输入到所述二元分类器，所述二元分类器输出所述故障机电系统的维修方式初步判定结果，包括：
[0030]Step1：根据实例与标签之间的相关矩阵R和实例与标签对应正负实例集的聚类结果之间的映射关系构建一个二元训练集D
jk
，该训练集D
jk
中包含每两对标签间与实例的相关性对应关系，对于q个可能的类别标签{l1，l2，
…
，l
q
}，通过成对比较生成q(q
‑
1)/2个二进制分类器；
[0031][0032][0033]其中，D
jk
表示对于每个实例特征向量x
i
与第j个标签和第k个标签的相关性二进制训练集；b
ij
代表矩阵R中的第i行j列个元素；b
ik
代表矩阵R中的第i行k列个元素；ε(x
i
)
j
表示对应第j个标签对应正负实例集聚类结果的实例向量x
i
映射结果；Ψ(Y
i
，l
j
，l
k
)表示实例x
i
相对于第j个标签和第k个标签的偏好值，Y
i
表示第i个实例的相关标签集，对于每个实例对应的训练集利用二进制学习算法B诱导得到一个二进制分类器，即g
jk
←
B(D
jk
)；其中g
jk
表示由训练集D
jk
训练得到的，从距离集合到标签对相关性的映射关系，B是任意简单二元分类学习器；
[0034]Step2：每一个实例都将参与二元分类器的学习过程，分类学习结果作为投票法的投票依据：对于任意实例x
i
∈X，若g
jk
>0则系统投票给l
j
，否则投票给l
k
，将故障机电系统的故障数据作为未知实例x
u
...

【技术保护点】

【技术特征摘要】
1.一种基于故障底层特征的机电系统维修方式预测方法，其特征在于，包括：基于机电系统的维修记录以故障数据为实例，以故障类型为标签，构建实例与标签之间的相关矩阵，对所有标签进行聚类处理，计算实例到标签正负实例集的聚类中心之间的欧式距离，得到实例与标签正负实例集之间的映射关系；根据所述实例与标签之间的相关矩阵和实例与标签正负实例集之间的映射关系构建二元分类器，将故障机电系统的故障数据作为未知实例，将所述未知实例输入到所述二元分类器，所述二元分类器输出所述故障机电系统的维修方式的初步判定结果；引入校准标签，利用故障底层特征和校准标签对所述故障机电系统的维修方式的初步判定结果进行更新，得到最终的维修方式判定结果。2.根据权利要求1所述的方法，其特征在于，所述的基于机电系统的维修记录以故障数据为实例，以故障类型为标签，构建实例与标签之间的相关矩阵，对所有标签进行聚类处理，计算实例到标签正负实例集的聚类中心之间的欧式距离，得到实例与标签正负实例集之间的映射关系，包括：以故障机电系统的每项故障数据为实例，每项故障类型为标签，故障类型对应的具体参数为特征值，构建实例与特征值之间的特征矩阵F及实例与标签之间的相关矩阵R：参数为特征值，构建实例与特征值之间的特征矩阵F及实例与标签之间的相关矩阵R：其中，m表示所有的实例数，n表示所有的特征数，q表示所有的标签数，a
ij
为该实例的具体该特征参数，1≤i≤m,1≤j≤n，b
ij
为
‑
1或1，
‑
1表示该实例不具有对应标签，1表示该实例具有对应标签，1≤i≤m,1≤j≤q；Step2：对于每一个标签对应的实例若与该标签相关则加入该标签的正实例集P，反之，则加入负实例集N；Step3：对各标签对应的正实例集合P和负实例集合N分别计算标签熵E(k)
p
、E(k)
n
：：其中，E(k)
p
表示第k个标签对应正实例集合的标签熵；hp(j)表示在该标签对应的正实例集中出现的第j个标签向量与在正实例集中出现的总标签向量的比值；E(k)
n
和hn(j)则
分别表示第k个标签的负实例集对应的标签熵及向量比值；Step4：利用正负实例集的标签熵计算每个标签的基本熵，用基本熵评估标签的最小变化：w
k
表示第k个标签的基本熵；Step5：计算根据训练数据自适应的聚类簇数：其中，c
k
表示第k个标签正负实例集的对应聚类簇数；其中r
k
为第k个标签对应的比率参数；s为平滑参数；|P|和|N|分别表示正负实例集的基数，对各标签对应正负实例集合以相同的聚类簇数c
k
分别执行k
‑
means聚类；Step6：根据聚类结果对每个标签构建由n维至2c
k
维的映射：ε(x)
k
表示实例与第j个标签对应正负实例集分别的聚类结果的集合构建的映射；为实例与该标签正实例集各聚类中心的欧氏距离，为实例与该标签负实例集各聚类中心的欧氏距离，所述映射包含标签的相关实例集和不相关实例集分别进行处理，得到的不同标签特征结果。3.根据权利要求2所述的方法，其特征在于，所述的根据所述实例与标签之间的相关矩阵和实例与标签正负实例集之间的映射关系构建二元分类器，将故障机电系统的故障数据作为未知实例，将所述未知实例输入到所述二元分类器，所述二元分类器输出所述故障机电系统的维修方式初步判定结果，包括：Step1：根据实例与标签之间的相关矩阵R和实例与标签对应正负实例集的聚类结果之间的映射关系构建一个二元训练集D
jk
，该训练集D
jk
中包含每两对标签间与实例的相关性对应关系，对于q个可能的类别标签{l1,l2,
…
,l
q
}，通过成对比较生成q(q
‑
1)/2个二进制分类器；D
jk
＝{(ε(x
i
)
j
,Ψ(Y
i
,l
j
,l
k
))}其中，D
jk
表示对于每个实例特征向量x
i
与第j个标签和第k个标签的相关性二进制训练集；b
ij
代表矩阵R中的第i行j列个元素；b
ik
代表矩阵R中的第i行k列个元素；ε(x
i
)
j
表示对应第j个标签对应正负实例集聚类结果的实例向量x
i
映射结果；Ψ(Y
i
,l
j
,l
k
)表示实例x

【专利技术属性】
技术研发人员：李曼，宾紫嫣，周鑫燚，贾利民，覃思瑶，苗诗晗，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：