System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及故障诊断,尤其涉及一种基于人工智能的电机预诊断方法。
技术介绍
1、作业机械中的电机是指用于过滤液体或气体中的杂质和固体颗粒的组件,它位于液体或气体流动路径上,起到过滤和清除污染物的作用,以保护作业机械的正常运行和延长其寿命。如果电机堵塞,过滤效果将受到影响,导致污染物进入作业系统,增加机械部件的摩擦和磨损风险。因此,诊断电机是否堵塞以及及时更换电机是维护作业机械健康的关键步骤。
2、目前,多依据电机压力是否大于设定阈值以及设定时段内该阈值出现的次数来判断电机是否堵塞。然而,当遇到恶劣工况时,会出现短期内满足报警条件,而电机实际并没有堵塞,易产生误报警情况发生;此外,当设定阈值偏大时,电机已经堵塞,导致漏报警。
技术实现思路
1、本申请提供一种基于人工智能的电机预诊断方法,用以解决现有技术中基于人工智能的电机预诊断易造成误报或漏报的缺陷。
2、第一方面,本申请提供一种基于人工智能的电机预诊断方法,包括:
3、获取影响作业机械中电机状态的运行参数;
4、将所述运行参数输入至电机诊断模型,由所述电机诊断模型从所述运行参数中提取多个维度特征;所述多个维度特征用于表征所述运行参数不同维度的属性;所述电机诊断模型基于特征决策树构建得到,所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到;所述样本故障标签用于表征样本运行参数对应电机状态;所述电机状态包括堵塞状态和未堵塞状态;
5、基于所述各维度特征在
6、在一实施例中,基于所述各维度特征在特征决策树中进行决策路径遍历,得到所述电机的电机诊断结果,包括:
7、以所述特征决策树的根节点为第一起始节点,沿所述特征决策树的分支选择对应维度特征取值的路径,得到所述根节点的子节点;
8、以所述子节点为第二起始节点,沿所述特征决策树的分支选择对应维度特征取值的路径,直到达所述特征决策树的叶节点;
9、将所述叶节点对应的故障状态确定为所述电机诊断结果。
10、在一实施例中,特征决策树的构建步骤包括:
11、划分步骤:遍历当前样本集合对应的各特征属性,并基于所述当前样本集合的各特征属性对所述当前样本集合进行划分,得到各特征属性对应的当前样本子集合;所述当前样本集合中包括所述样本运行参数对应的所有样本维度特征;
12、确定步骤:基于各当前样本子集合中各类样本故障标签的占比,确定对应特征属性对应的信息增益;
13、构建步骤:将最大信息增益对应的特征属性作为所述特征决策树当前节点的划分属性,并将所述划分属性对应的当前样本子集合作为所述当前样本集合以及从所述当前样本集合中删除所述划分属性对应的样本维度特征;
14、返回依次重复执行所述划分步骤、所述确定步骤以及所述构建步骤,直至所述当前样本集合中不存在样本维度特征。
15、在一实施例中,基于各当前样本子集合中各类样本故障标签对应样本维度特征的占比,确定对应特征属性对应的信息增益,包括:
16、基于各当前样本子集合中各类样本故障标签的占比,确定第一信息熵;所述第一信息熵表征按特征属性对当前样本集合进行划分后,得到的各当前样本子集合的数据纯度的平均值;各当前样本子集合的数据纯度基于各当前样本子集合中各类样本故障标签所占比例大小确定;
17、基于所述当前样本集合中各类样本故障标签的占比,确定第二信息熵;所述第二信息熵表征当前样本集合的数据纯度基于当前样本集合中各类样本故障标签所占比例大小;
18、基于所述第一信息熵和所述第二信息熵,确定对应特征属性对应的信息增益。
19、在一实施例中,在构建得到所述特征决策树后,还包括:
20、获取测试运行参数对应的多个测试维度特征以及所述测试运行参数对应的测试故障标签;所述测试运行参数表征用于测试所述特征决策树精度的运行参数;所述测试维度特征用于表征所述运行参数不同维度的属性;
21、基于所述特征决策树应用各测试维度特征,确定测试故障结果;
22、基于所述测试故障结果和所述测试故障标签,确定所述特征决策树的精度;
23、在所述特征决策树的精度小于阈值的情况下,增量获取样本运行参数对应的多个样本维度特征以及样本故障标签,并基于增量获取的多个样本维度特征以及样本故障标签更新所述特征决策树。
24、在一实施例中,基于所述测试故障结果和所述测试故障标签,确定所述特征决策树的精度,包括:
25、基于所述测试故障结果和所述测试故障标签,确定真正例、假正例,真反例以及假反例;所述真正例表征将故障样本正确地预测为故障样本;所述假正例表征将非故障样本错误地预测为故障样本;所述真反例表征将非故障样本正确地预测为非故障样本;所述假反例表征将故障样本错误地预测为非故障样本;
26、基于所述真正例、所述假正例,所述真反例以及所述假反例,确定查全率以及查准率;所述查全率表征所述特征决策树对故障样本的识别能力;所述查准率表征所述特征决策树在预测为故障的样本中的正确率;
27、基于所述查全率以及所述查准率,确定所述特征决策树的精度。
28、在一实施例中,在基于样本运行参数对应的多个样本维度特征和样本故障标签构建所述特征决策树之前,还包括:
29、对所述样本运行参数进行数据处理,得到数据处理后的样本运行参数;
30、从数据处理后的样本运行参数中提取得到多个初始维度特征;所述多个初始维度特征包括时域维度特征和频域维度特征;
31、对各初始维度特征进行特征选择,得到所述多个样本维度特征。
32、第二方面,本申请还提供一种基于人工智能的电机预诊断装置,包括:
33、获取单元,用于获取影响作业机械中电机状态的运行参数;
34、提取单元,用于将所述运行参数输入至电机诊断模型,由所述电机诊断模型从所述运行参数中提取多个维度特征;所述多个维度特征用于表征所述运行参数不同维度的属性;所述电机诊断模型基于特征决策树构建得到,所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到;所述样本故障标签用于表征样本运行参数对应电机状态;所述电机状态包括堵塞状态和未堵塞状态;
35、诊断单元,用于基于所述各维度特征在特征决策树中进行决策路径遍历,得到所述电机的电机诊断结果。
36、第三方面,本申请还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一种所述基于人工智能的电机预诊断方法。
37、第四方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一种所述基于人工智能的电机预诊本文档来自技高网...
【技术保护点】
1.一种基于人工智能的电机预诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于人工智能的电机预诊断方法,其特征在于,所述基于所述各维度特征在特征决策树中进行决策路径遍历,得到所述电机的电机诊断结果,包括:
3.根据权利要求1所述的基于人工智能的电机预诊断方法,其特征在于,所述特征决策树的构建步骤包括:
4.根据权利要求3所述的基于人工智能的电机预诊断方法,其特征在于,所述基于各当前样本子集合中各类样本故障标签对应样本维度特征的占比,确定对应特征属性对应的信息增益,包括:
5.根据权利要求3所述的基于人工智能的电机预诊断方法,其特征在于,在构建得到所述特征决策树后,还包括:
6.根据权利要求5所述的基于人工智能的电机预诊断方法,其特征在于,所述基于所述测试故障结果和所述测试故障标签,确定所述特征决策树的精度,包括:
7.根据权利要求1至6任一项所述的基于人工智能的电机预诊断方法,其特征在于,在基于样本运行参数对应的多个样本维度特征及样本故障标签构建所述特征决策树之前,还包括:
8.一种基于人
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于人工智能的电机预诊断方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于人工智能的电机预诊断方法。
...【技术特征摘要】
1.一种基于人工智能的电机预诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于人工智能的电机预诊断方法,其特征在于,所述基于所述各维度特征在特征决策树中进行决策路径遍历,得到所述电机的电机诊断结果,包括:
3.根据权利要求1所述的基于人工智能的电机预诊断方法,其特征在于,所述特征决策树的构建步骤包括:
4.根据权利要求3所述的基于人工智能的电机预诊断方法,其特征在于,所述基于各当前样本子集合中各类样本故障标签对应样本维度特征的占比,确定对应特征属性对应的信息增益,包括:
5.根据权利要求3所述的基于人工智能的电机预诊断方法,其特征在于,在构建得到所述特征决策树后,还包括:
6.根据权利要求5所述的基于人工智能的电机预诊断方法,其特征在于,所述...
【专利技术属性】
技术研发人员:严并元,
申请(专利权)人:深圳市霆宝科技有限公司,
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。