一种基于制造技术

本发明专利技术属于工业失效分析技术领域，涉及一种基于

【技术实现步骤摘要】
一种基于LightGBM算法的工业失效分析方法


[0001]本专利技术属于工业失效分析
，涉及一种工业失效分析方法，尤其涉及一种基于
LightGBM
算法的工业失效分析方法
。

技术介绍

[0002]失效分析，是工业领域中针对器械元件等设备失效进行的故障分析检测
。
通常需要工程师依托故障树逐步进行分析验证，过程中可能包含多种量测
、
拆解等操作，直至最终找到故障元件，然后再对故障元件进行维修
。
[0003]这种检修方式，需要依托相关专业知识以及耗费大量的人力和时间，人工检测涉及到一些针对故障元件的拆解
、
量测等操作，在此过程中，可能会使故障单元其他元件受损或者出现操作失误等，从而导致检测结果不准确，且部分故障树自身检测准确率并不高
。
[0004]因此，针对上述现有技术中存在的缺陷，需要研发一种新型的工业失效分析方法
。

技术实现思路

[0005]为了克服现有技术的缺陷，本专利技术提出一种基于
LightGBM
的工业失效分析方法，其是一种可替代故障树分析法的多分类检测方式，依托失效元件的工业失效分析模型，无需人工参与，无需量测拆除等操作，即可完成失效分析
。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于
LightGBM
算法的工业失效分析方法，其特征在于，包括以下步骤：
[0008]1)、
对工业失效数据进行采集与处理，并将处理后的数据分成训练集和验证集；
[0009]2)、
构建
LightGBM
模型作为工业失效分析模型；
[0010]3)、
使用训练集对所述工业失效分析模型进行训练；
[0011]4)、
对所述工业失效分析模型进行参数优化，得到最优工业失效分析模型；
[0012]5)、
使用验证集对最优工业失效分析模型进行验证；
[0013]6)、
使用验证后的最优工业失效分析模型对元件故障进行预测；
[0014]7)、
输出元件故障预测结果
。
[0015]优选地，所述步骤
1)
中的对工业失效数据进行采集与处理具体包括：
[0016]1.1)、
采集工业失效数据；
[0017]1.2)、
缺失值填充：对所述工业失效数据中存在的缺失值进行填补；
[0018]1.3)、
离散列映射：对缺失值填充后的所述工业失效数据的离散列进行映射，以将字符串类型映射到数值类型，从而构建数值字典；
[0019]1.4)、
小样本合并：将所述工业失效数据中样本数量小于
10
的低频率故障类型的所有样本合并为一类，且样本标签以逗号分隔拼接；
[0020]1.5)、
数据采样：采用
Borderline
‑
Somte
算法对低频率故障类型的样本数量进行数据采样
。
[0021]优选地，所述步骤
1.2)
中，在进行缺失值填充时，将所述工业失效数据中的离散列
中的缺失值以字符串“None“进行填补，连续列中的缺失值以均值进行填补
。
[0022]优选地，所述步骤
1)
中，将处理后的数据的
80
％
‑
90
％作为训练集，
10
％
‑
20
％作为验证集
。
[0023]优选地，所述步骤
2)
中，构建
LightGBM
模型作为工业失效分析模型具体为：采用
LightGBM
算法分别对检测准确率低于
90
％的每个故障树进行建模，以构建多个
LightGBM
模型，每个所述
LightGBM
模型分别作为一个工业失效分析模型
。
[0024]优选地，在所述步骤
4)
中，优化的参数包括：
num_leaves
，即，一棵故障树上的叶子节点个数；
min_data_in_leaf
，即，一颗故障树的最小叶子节点数；
max_depth
，即，一颗故障树的最大深度；
lambda_l1
，即，正则化参数；
learning_rate
，即，学习率
。
[0025]优选地，在所述步骤
4)
中，在进行参数优化时，采用贝叶斯优化算法对每个所述参数进行优化
。
[0026]与现有技术相比，本专利技术的基于
LightGBM
算法的工业失效分析方法具有如下有益技术效果中的一者或多者：
[0027]1、
本专利技术跳过了人工检测的步骤，使用训练好的工业失效分析模型，直接对失效元件进行故障诊断，避免了检测过程中出现的操作失误，提升了分析准确率，同时也节省了大量的时间和人力，提升了分析效率，达到了为企业降本增效的目的
。
[0028]2、
本专利技术相较于现有技术具有更高效
(
无需人工参与
)、
更准确
(
不存在操作失误或量测失误
)、
更简单
(
无需拆解
)
等优点
。
[0029]3、
本专利技术通过对采集的工业失效数据的一系列处理，克服了工业失效数据质量不高的缺陷，提高了分析的准确率
。
[0030]4、
本专利技术通过对工业失效分析模型的参数优化，提高了工业失效分析模型的预测准确率
。
附图说明
[0031]图1为本专利技术的基于
LightGBM
算法的工业失效分析方法的流程图
。
[0032]图2为本专利技术中对工业失效数据进行采集与处理的流程图
。
[0033]图3为
Borderline
‑
Somte
算法中采样样本分类图
。
[0034]图4为本专利技术中采用
Borderline
‑
Somte
算法采样前后的样本分布对比图，其中，左为采样前，右为采样后
。
具体实施方式
[0035]下面结合附图和实施例对本专利技术进一步说明，实施例的内容不作为对本专利技术的保护范围的限制
。
[0036]为了提升工业失效分析的效率和准确率，本专利技术提出了一种基于
LightGBM
算法的工业失效分析方法，该方法跳过了人工检测的步骤，使用训练好的工业失效分析模型，直接对失效元件进行故障诊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
LightGBM
算法的工业失效分析方法，其特征在于，包括以下步骤：
1)、
对工业失效数据进行采集与处理，并将处理后的数据分成训练集和验证集；
2)、
构建
LightGBM
模型作为工业失效分析模型；
3)、
使用训练集对所述工业失效分析模型进行训练；
4)、
对所述工业失效分析模型进行参数优化，得到最优工业失效分析模型；
5)、
使用验证集对最优工业失效分析模型进行验证；
6)、
使用验证后的最优工业失效分析模型对元件故障进行预测；
7)、
输出元件故障预测结果
。2.
根据权利要求1所述的基于
LightGBM
算法的工业失效分析方法，其特征在于，所述步骤
1)
中的对工业失效数据进行采集与处理具体包括：
1.1)、
采集工业失效数据；
1.2)、
缺失值填充：对所述工业失效数据中存在的缺失值进行填补；
1.3)、
离散列映射：对缺失值填充后的所述工业失效数据的离散列进行映射，以将字符串类型映射到数值类型，从而构建数值字典；
1.4)、
小样本合并：将所述工业失效数据中样本数量小于
10
的低频率故障类型的所有样本合并为一类，且样本标签以逗号分隔拼接；
1.5)、
数据采样：采用
Borderline
‑
Somte
算法对低频率故障类型的样本数量进行数据采样
。3.
根据权利要求2所述的基于
LightGBM
算法的工业失效分析方法，其特征在于，所述步骤
1.2)
中，在进行缺失值填充时，将所述工业失效数据中的离散列中的缺失...

【专利技术属性】
技术研发人员：胡浩江，刘丁枭，肖东宝，吴浩，
申请(专利权)人：北京智谱华章科技有限公司，
类型：发明
国别省市：