本發明涉及設備生產監控技術領域，特別是涉及一種基于機器學習的設備狀態智能診斷方法及裝置。

背景技術：

在工業生產領域中，傳統的設備狀態監測方案是通過定閾值監測或者簡單的多閾值監測判斷的，但是這種方案可以通用地解決一類狀態檢測問題。隨著被監測狀態和參數的多樣化以及所處行業生產過程的復雜化或者其他非一致性的客觀條件，基于傳統的定值監測技術越來越不能適應這種變化，難以保證狀態判斷結果的準確度。

為了解決這一問題，在現有的技術情況下，采用的是有經驗的人員配合監測系統實現人工干預和預判斷從而進行有效的判斷，由于基于個人經驗的差異以及種種思維慣性，這種機器結合人工的方法具有一定的局限性。

技術實現要素：

針對于上述問題，本發明提供一種設備狀態診斷方法及裝置，實現了提高了設備狀態診斷的準確度和精確度的目的。

為了實現上述目的，根據本發明的第一方面，提供了一種設備狀態診斷方法，該方法包括：

對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設備歷史故障樣本數據；

根據所述典型樣本故障分類及其特征值，對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類；

獲得所述故障初步分類對應的樣本特征值，對所述樣本特征值進行加權計算得到相似度參數，并根據所述相似度參數確定所述被測樣本的故障分類；

判斷所述故障分類的種類數量是否滿足預設條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預設條件為所述故障初步分類為單一種類；

當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障初步分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類。

優選的，所述根據所述典型樣本故障分類及其特征值，對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類，包括：

根據所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

依據所述判斷條件，對所述被測樣本進行參數關聯分析，判斷得到所述被測樣本的故障初步分類。

優選的，所述當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類，包括：

當所述故障初步分類的結果為多個分類時，獲取各個分類下的歷史樣本；

對所述歷史樣本通過相似度評判標準進行評判，得到各個分類下對應的歷史樣本的相似度值；

對所述相似度值進行排序，將相似度值最高的對應的分類作為所述被測樣本的故障診斷分類。

優選的，當對所述相似度值進行排序，得到相似值最高的對應的分類為多個時，該方法還包括：

根據人工經驗對所述多個分類進行判斷分析，得到唯一的故障分類，將所述分類作為所述被測樣本的故障診斷分類。

優選的，當確定所述被測樣本的故障診斷分類之后，該方法還包括：

將所述被測樣本記錄到歷史樣本數據庫中，并對所述典型樣本故障分類進行修正。

根據本發明的第二方面，提供了一種設備狀態診斷裝置，該裝置包括：

處理模塊，用于對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設備歷史故障樣本數據；

第一判斷模塊，用于根據所述典型樣本故障分類及其特征值，對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類；

分類模塊，用于獲得所述故障初步分類對應的樣本特征值，對所述樣本特征值進行加權計算得到相似度參數，并根據所述相似度參數確定所述被測樣本的故障分類；

第二判斷模塊，用于判斷所述故障分類的種類數量是否滿足預設條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預設條件為所述故障初步分類為單一種類；

第三判斷模塊，用于當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障初步分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類。

優選的，所述第一判斷模塊包括：

確定單元，用于根據所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

初步判斷單元，用于依據所述判斷條件，對所述被測樣本進行參數關聯分析，判斷得到所述被測樣本的故障初步分類。

優選的，所述第三判斷模塊包括：

獲取單元，用于當所述故障初步分類的結果為多個分類時，獲取各個分類下的歷史樣本；

評判單元，用于對所述歷史樣本通過相似度評判標準進行評判，得到各個分類下對應的歷史樣本的相似度值；

排序單元，用于對所述相似度值進行排序，將相似度值最高的對應的分類作為所述被測樣本的故障診斷分類。

優選的，當對所述相似度值進行排序，得到相似值最高的對應的分類為多個時，該裝置還包括：

人工判斷單元，用于根據人工經驗對所述多個分類進行判斷分析，得到唯一的故障分類，將所述分類作為所述被測樣本的故障診斷分類。

優選的，當確定所述被測樣本的故障診斷分類之后，該裝置還包括：

修正模塊，用于將所述被測樣本記錄到歷史樣本數據庫中，并對所述典型樣本故障分類進行修正。

相較于現有技術，本發明對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值；對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類；獲得所述故障初步分類對應的樣本特征值，進行加權計算得到相似度參數，并確定所述被測樣本的故障分類；判斷所述故障分類的種類數量是否滿足預設條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類；當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障初步分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類。本發明基于歷史樣本作為分類和判斷的依據有效解決了現有技術中個體差異和人工判斷不準確的情況，并且在本發明中采用了多次判斷使結果更加準確，降低了誤判的可能性，最后將被測樣本歸入歷史樣本數據庫中，隨著數據庫中數據的增加，使后續的判斷可信度越來越高，進而實現了提高了設備狀態診斷的準確度和精確度的目的。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據提供的附圖獲得其他的附圖。

圖1為本發明實施例一提供的一種設備狀態診斷方法的流程示意圖；

圖2為本發明實施例二對應的圖1中s12步驟獲取故障初步分類的流程示意圖；

圖3為本發明實施例二對應的圖1中s16步驟精確模型判斷的流程示意圖；

圖4為本發明實施例三提供的一種設備狀態診斷裝置的結構示意圖。

具體實施方式

下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例?；诒景l明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

本發明的說明書和權利要求書及上述附圖中的術語“第一”和“第二”等是用于區別不同的對象，而不是用于描述特定的順序。此外術語“包括”和“具有”以及他們任何變形，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統、產品或設備沒有設定于已列出的步驟或單元，而是可包括沒有列出的步驟或單元。

實施例一

參見圖1為本發明實施例一提供的一種設備狀態診斷方法的流程示意圖，該方法包括以下步驟：

s11、對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設備歷史故障樣本數據；

具體的，在歷史樣本數據庫中獲取到歷史樣本數據后，采用統計學方法對樣本數據進行初步的歸類和整理，通常會使用k-近鄰算法進行歸納，得到典型樣本故障分類，分類的數量通過人工判斷結合歷史數據整理會逐漸增多。舉例說明，比如獲取到汽輪機歷史故障樣本數據，對其進行典型樣本的故障分類可以分為轉子突變性不平衡、轉子不對中、轉子形狀熱彎曲、專職支承部件松動、轉軸徑向碰磨、旋轉失速和油膜渦動這幾類典型故障，此處只是舉例說明故障類型，但是不局限于上述幾類故障分類。并根據現有技術中的方法獲得對應的樣本特征值。并且，典型樣本數據的歸類應以同類型全部樣本歷史數據作為參考。

s12、根據所述典型樣本故障分類及其特征值，對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類；

具體的，將被測樣本與所述典型樣本故障分類進行比較獲得被測樣本的初步分類。計算相似度時應以時間維度以及樣本置信率作為主要參考，過老的記錄和過新的記錄在相似度比例中應占比更低，作為被多次近鄰的樣本其置信度應該更高，若所有相似度低于一個標準值，則該狀態應該作為一個新故障分類進行處理，作為孤本樣本，應排除在相似度計算中。

s13、獲得所述故障初步分類對應的樣本特征值，對所述樣本特征值進行加權計算得到相似度參數，并根據所述相似度參數確定所述被測樣本的故障分類；

具體的，當確定了被測樣本的初步分類后還有對所述初步分類進行驗證，以確定該初步分類是否為被測樣本的故障分類。

s14、判斷所述故障分類的種類數量是否滿足預設條件，如果是，則執行步驟s15，如果否，則執行步驟s16。

s15、將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預設條件為所述故障初步分類為單一種類；

s16、當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障初步分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類。

具體的，確定所述被測樣本的故障分類后，如果得到的分類種類為多種需要進行進一步判斷，已得到最接近故障分類記作故障診斷分類。

通過本發明實施例一公開的技術方案，對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值；對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類；獲得所述故障初步分類對應的樣本特征值，進行加權計算得到相似度參數，并確定所述被測樣本的故障分類；判斷所述故障分類的種類數量是否滿足預設條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類；當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障初步分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類。本發明基于歷史樣本作為分類和判斷的依據有效解決了現有技術中個體差異和人工判斷不準確的情況，并且在本發明中采用了多次判斷使結果更加準確，降低了誤判的可能性，最后將被測樣本歸入歷史樣本數據庫中，隨著數據庫中數據的增加，使后續的判斷可信度越來越高，進而實現了提高了設備狀態診斷的準確度和精確度的目的。

實施例二

參照本發明實施例一和圖1中所描述的s11到s16步驟的具體過程，并參見圖2，所述步驟s12根據所述典型樣本故障分類及其特征值，對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類，具體包括以下步驟：

s121、根據所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

s122、依據所述判斷條件，對所述被測樣本進行參數關聯分析，判斷得到所述被測樣本的故障初步分類。

具體的，在獲得了典型樣本故障分類后，針對不同分類情況下，歸納明確的判斷條件，然后對被測樣本進行參數關聯性分析歸類，獲得被測樣本的故障初步分類。其中，根據樣本特征值和故障類型會存在不同的歸類方法，最簡單的是手動歸類即由專家自己分類；或者是基于線性回歸，邏輯回歸聚類等多種歸類方式，均可作為本發明中提到的參數關聯性分析歸類的手段，本發明對此不做限定。

參見圖3，所述步驟s16當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類，具體包括：

s161、當所述故障初步分類的結果為多個分類時，獲取各個分類下的歷史樣本；

s162、對所述歷史樣本通過相似度評判標準進行評判，得到各個分類下對應的歷史樣本的相似度值；

s163、對所述相似度值進行排序，將相似度值最高的對應的分類作為所述被測樣本的故障診斷分類。

可以理解的是，在確定了被測樣本其可能的故障分類后，針對其可能的故障分類下面的樣本創建精確模型，即結合歷史數據總結樣本分布得出較為準確的特征值和故障分類表現的聯系程度，后經數學提到計算得出較為準確的判斷模型；方法為對故障分類下的歷史樣本通過相似度評判標準進行評判也就是在獲得了所述歷史樣本的特征值后，采用k-臨近算法，對特征值進行加權計算獲得所述各個歷史樣本的相似度值，然后基于所述精確模型進行相似性判斷，得出相似度值進行排序，確認其相似度值較高的對應的分類作為所述被測樣本的故障診斷分類。其中，相似度評判標準可由外部參數設定或者模型內部設定，然后采用邏輯回歸算法或神經網絡分類器，根據實時數據計算的特征值計算代價函數，通過反復迭代使得該樣本數據的代價函數最小，這樣可以獲得相似度值。

同時，若經過精確模型判斷后仍為多個故障分類，需要對應的分類作為所述被測樣本的故障診斷分類。通?？梢越挥扇斯づ袛嗷蛘哂涗浿眯怕?基于記錄時間以及該記錄被近似的次數和概率)進行更廣度的確認，確認其單一故障分類作為故障診斷分類。

當確定所述被測樣本的故障診斷分類之后，該方法還包括：

將所述被測樣本記錄到歷史樣本數據庫中，并對所述典型樣本故障分類進行修正。

可以理解的是，確認結果后，結果應記錄在歷史樣本數據庫中，同時完成歷史庫中的典型故障特征及典型故障樣本修正，進一步可以為樣本置信率修正，對于數量較少的樣本，其置信率應該交由人工修正。

并且說明，在本發明中的樣本的置信率標識該樣本在某個故障分類下的概率，給出的是判斷結果的可信度，對于大子樣的區間估計與置信率的計算方法如下：

根據本發明實施例二公開的技術方案，對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值，對被測樣本進行初步判斷時采用k-近鄰算法判斷故障所述類型，去除一定的符合相似度的分類所述，采用的k-近鄰算法精確度高，方法成熟，既可以用來作分類也可以用來做回歸。在本發明中首先是初步分類的判斷，根據相似度確定初步分類的準確性，然后是進行精確判斷得到最終的分類，如果分類不單一還采用人工干預進行判斷，這樣保證了判斷結果的準確性，降低了誤判的可能性。由于所有的判斷過程都是機器算法完成，即采用機器學習方式，隨著數據庫內數據的增加，該判定可信度將越來越高。進而實現了提高了設備狀態診斷的準確度和精確度的目的。

實施例三

與本發明實施例一和實施例二所公開的一種設備診斷方法相對應，本發明的實施例三還提供了一種設備診斷裝置，參見圖4，該裝置包括：

處理模塊1，用于對獲取到的歷史樣本進行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設備歷史故障樣本數據；

第一判斷模塊2，用于根據所述典型樣本故障分類及其特征值，對所述被測樣本進行相似度判斷得到所述被測樣本的故障初步分類；

分類模塊3，用于獲得所述故障初步分類對應的樣本特征值，對所述樣本特征值進行加權計算得到相似度參數，并根據所述相似度參數確定所述被測樣本的故障分類；

第二判斷模塊4，用于判斷所述故障分類的種類數量是否滿足預設條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預設條件為所述故障初步分類為單一種類；

第三判斷模塊5，用于當所述故障分類的種類數量不滿足所述預設條件時，創建精確模型，將所述故障初步分類輸入到所述精確模型中進行判斷，得到所述被測樣本的故障診斷分類。

對應的，所述第一判斷模塊2包括：

確定單元21，用于根據所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

初步判斷單元22，用于依據所述判斷條件，對所述被測樣本進行參數關聯分析，判斷得到所述被測樣本的故障初步分類。

對應的，所述第三判斷模塊5包括：

獲取單元51，用于當所述故障初步分類的結果為多個分類時，獲取各個分類下的歷史樣本；

評判單元52，用于對所述歷史樣本通過相似度評判標準進行評判，得到各個分類下對應的歷史樣本的相似度值；

排序單元53，用于對所述相似度值進行排序，將相似度值最高的對應的分類作為所述被測樣本的故障診斷分類。

具體的，當對所述相似度值進行排序，得到相似值最高的對應的分類為多個時，該裝置還包括：

人工判斷單元，用于根據人工經驗對所述多個分類進行判斷分析，得到唯一的故障分類，將所述分類作為所述被測樣本的故障診斷分類。

對應的，當確定所述被測樣本的故障診斷分類之后，該裝置還包括：

修正模塊6，用于將所述被測樣本記錄到歷史樣本數據庫中，并對所述典型樣本故障分類進行修正。

在本發明的實施例三中，在處理模塊中得到了典型樣本故障分類及其特征值，在第一判斷模塊中得到所述被測樣本的故障初步分類；在分類模塊中確定所述被測樣本的故障分類；在第二判斷模塊中，如果故障分類結果為單一分類，將將所述故障分類確定為所述被測樣本的故障診斷分類，在第三判斷模塊中，將不是單一分類的進行再次判斷得到所述被測樣本的故障診斷分類。本發明基于歷史樣本作為分類和判斷的依據有效解決了現有技術中個體差異和人工判斷不準確的情況，并且在本發明中采用了多次判斷使結果更加準確，降低了誤判的可能性，最后將被測樣本歸入歷史樣本數據庫中，隨著數據庫中數據的增加，使后續的判斷可信度越來越高，進而實現了提高了設備狀態診斷的準確度和精確度的目的。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

對所公開的實施例的上述說明，使本領域專業技術人員能夠實現或使用本發明。對這些實施例的多種修改對本領域的專業技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發明的精神或范圍的情況下，在其它實施例中實現。因此，本發明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。