一种基于不等长时间序列处理的工业设备故障诊断方法及系统技术方案

本发明专利技术公开了一种基于不等长时间序列处理的工业设备故障诊断方法及系统，涉及机器学习技术领域，用以解决现有基于神经网络的分类器由于没有预先对不等长时间序列数据进行等长处理而导致分类精度不高的问题。本发明专利技术的技术要点包括：采集工业设备一种或多种运行状态量，并将同种运行状态量按照时间排序，形成时间序列集；对时间序列集中长度不等的时间序列进行等长处理；将长度相等的时间序列集输入基于神经网络的故障诊断分类器中进行训练；将待测运行状态样本对应的时间序列进行等长处理后输入训练好的故障诊断分类器中，获取故障预测结果。本发明专利技术有效提高了神经网络的泛化性能。将本发明专利技术应用于工业设备的故障诊断中，可准确识别系统的故障状态。准确识别系统的故障状态。准确识别系统的故障状态。

【技术实现步骤摘要】
一种基于不等长时间序列处理的工业设备故障诊断方法及系统


[0001]本专利技术涉及机器学习
，具体涉及一种基于不等长时间序列处理的工业设备故障诊断方法及系统。

技术介绍

[0002]时间序列是一种广泛存在的与时间密切相关的高维数据。它也是数据挖掘的主要研究对象，广泛应用于金融、医疗、气象、工业领域，如股票、心电图、大气温度和发动机性能参数。近年来，随着社会经济和信息技术的发展，时间序列数据的数量增长越来越快。因此，利用数据挖掘技术在时间序列数据库中寻找潜在有用的信息已越来越受到各个领域研究人员的关注。时间序列的研究主要包括时间序列分类、相似时间序列搜索和时间序列预测。其中，时间序列分类是该领域的一个重要问题。时间序列分类方法广泛应用于许多领域，如隐马尔可夫模型、动态时间扭曲算法(DTW)在语音处理和语音识别应用中。在数据库领域，许多数据集中包含的信息具有特定的时间关系。时间序列分类负责挖掘时间相关数据集中的相关知识，这对于实际应用具有重要意义。
[0003]与标准机器学习数据集相比，时间序列数据集往往具有长度不等的特征，因此比传统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不等长时间序列处理的工业设备故障诊断方法，其特征在于，包括以下步骤：步骤一、采集工业设备一种或多种运行状态量，并将同种运行状态量按照时间排序，形成时间序列集；步骤二、对时间序列集中长度不等的时间序列进行等长处理，获取长度相等的时间序列集；步骤三、将所述长度相等的时间序列集输入基于神经网络的故障诊断分类器中进行训练，获取训练好的故障诊断分类器；步骤四、将待测运行状态样本对应的时间序列进行等长处理后，输入训练好的故障诊断分类器中，获取待测运行状态样本的故障预测结果。2.根据权利要求1所述的一种基于不等长时间序列处理的工业设备故障诊断方法，其特征在于，步骤二的具体过程包括：步骤二一、对时间序列集进行预处理；步骤二二、对预处理后的时间序列集进行卷积，生成多维卷积序列；步骤二三、利用给定的常数时间序列对所述多维卷积序列进行DTW运算，获得二维扭曲轨迹矩阵；步骤二三、对于二维扭曲轨迹矩阵，利用高斯模糊迭代算法进行采样处理，直至生成扭维度大小相等的扭曲轨迹矩阵，所述扭曲轨迹矩阵即为等长处理后的长度相等的时间序列集。3.根据权利要求2所述的一种基于不等长时间序列处理的工业设备故障诊断方法，其特征在于，步骤二一中所述预处理包括：根据故障描述，对相应时间序列标记标签，以指示故障类型；对时间序列集中的噪点、异常值进行平滑处理。4.根据权利要求2所述的一种基于不等长时间序列处理的工业设备故障诊断方法，其特征在于，步骤二三的具体过程包括：判断当前输入扭曲轨迹矩阵的两个维度是否相等，若相等则执行步骤三，不相等则进行高斯模糊迭代运算；判断扭曲轨迹矩阵的两个维度大小，若常数时间序列对应的维度大于另一个维度，则进行上采样高斯模糊迭代运算，反之进行降采样高斯模糊迭代运算；若进行上采样高斯模糊迭代运算，采样之后进行模糊运算；若进行下采样高斯模糊迭代运算，采样之前进行模糊运算；判断扭曲轨迹矩阵较大的维度是否大于较小维度的2倍，若是则进行所有偶数列的上采样或者降采样，否则进行指定偶数列的上采样或者降采样；判断经过当次采样运算及高斯模糊运算之后扭曲轨迹的两个维度是否相等，若相等则执行步骤三，否则重复执行上述过程，继续进行高斯模糊迭代运算。5.一种基于不等长时间序列处理的工业设备故障诊断系统，其特征在于，包括：数据采集模块，其配置成采集工业设备一种或多种运行状态量，并...

【专利技术属性】
技术研发人员：霍鑫，高赫蔚，孟姣，何长春，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：