针对传感器网络的故障诊断方法及传感器诊断系统
文献发布时间:2024-04-18 19:58:21
技术领域
本申请涉及传感器技术领域,具体而言,涉及一种针对传感器网络的故障诊断方法及传感器诊断系统。
背景技术
随着工业自动化程度的提高,传感器网络在许多领域中被广泛应用,例如环境监测、智能交通系统和工业自动化等。传感器网络通常由大量分布式传感器节点组成,这些节点协同工作以收集和传输数据。然而,传感器网络所在设备系统的故障可能会导致数据不准确或无法获取,进而影响设备系统的性能和可靠性。
目前,为了检测和诊断传感器网络所在设备系统中的故障,现有的故障诊断方法通常只考虑单个传感器节点,对于传感器节点之间的协同关系缺乏明确的建模和分析。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种针对传感器网络的故障诊断方法及传感器诊断系统。
第一方面,本申请实施例提供一种针对传感器网络的故障诊断处理方法,应用于传感器诊断系统,所述方法包括:
获取传感器网络在传感器协同交互过程的传感器协同事件数据;
在所述传感器协同事件数据中提取针对预定义故障关系图对应的目标故障链的目标传感器协同事件数据;
依据所述目标传感器协同事件数据和预定义故障关系图,确定所述传感器网络的先验故障类别;
基于所述目标故障链和目标传感器协同事件数据,在所述预定义故障关系图对应的故障类别序列中确定出所述传感器网络的一个或多个推定故障类别;
将所述先验故障类别和推定故障类别进行加权分析,生成所述传感器网络的故障诊断类别。
在第一方面的一种可能的实施方式中,所述基于所述目标故障链和目标传感器协同事件数据,在所述预定义故障关系图对应的故障类别序列中确定出所述传感器网络的一个或多个推定故障类别,包括:
对所述目标故障链的链特征数据进行编码,生成所述目标故障链的故障编码特征;
依据所述目标传感器协同事件数据,将所述故障编码特征转换为所述传感器网络的协同故障定位矢量;
在所述预定义故障关系图对应的故障类别序列中提取所述协同故障定位矢量对应的一个或多个故障类别,生成所述传感器网络的推定故障类别。
在第一方面的一种可能的实施方式中,所述依据所述目标传感器协同事件数据,将所述故障编码特征转换为所述传感器网络的协同故障定位矢量,包括:
依据所述目标传感器协同事件数据,在所述故障编码特征中提取目标传感器协同交互过程内所述传感器网络进行传感器协作交互的一个或多个目标故障链的故障编码特征,生成第一故障编码特征;
调用机器学习网络对所述第一故障编码特征进行局部接受域的极大化处理,生成第二故障编码特征;
对所述第二故障编码特征进行异向性调整,生成所述传感器网络的协同故障定位矢量。
在第一方面的一种可能的实施方式中,所述调用机器学习网络对所述第一故障编码特征进行局部接受域的极大化处理,生成第二故障编码特征之前,还包括:
获取所述传感器网络传感器协作交互生成的示例故障链序列对应的示例故障编码特征序列,所述示例故障编码特征序列包括一个或多个故障类别标签数据的示例故障编码特征;
在所述示例故障编码特征序列中确定出一个或多个目标示例故障编码特征,并将所述示例故障编码特征序列中除所述目标示例故障编码特征以外的示例故障编码特征作为候选训练数据的待学习故障编码特征;
调用初始化机器学习网络对所述目标示例故障编码特征进行转换,生成所述传感器网络的示例协同故障定位矢量;
调用所述初始化机器学习网络对所述待学习故障编码特征进行转换,生成所述待学习故障编码特征的待学习故障编码特征;
依据所述示例协同故障定位矢量和待学习故障编码特征,推定所述传感器网络针对所述待学习故障编码特征的故障类别数据,生成推定故障类别数据;
基于所述推定故障类别数据和故障类别标签数据,对初始化机器学习网络进行训练,生成机器学习网络。
在第一方面的一种可能的实施方式中,所述在所述预定义故障关系图对应的故障类别序列中提取所述协同故障定位矢量对应的一个或多个故障类别,生成所述传感器网络的推定故障类别,包括:
获取所述预定义故障关系图对应的故障类别序列,并在所述预定义故障关系图中提取出图结构数据;
调用故障类别诊断网络在所述故障类别序列中提取所述协同故障定位矢量对应的一个或多个参考故障类别,并对所述参考故障类别进行编码,生成所述参考故障类别的基础故障类别表征向量;
调用所述故障类别诊断网络对所述图结构数据进行编码,生成基础故障节点向量和故障节点关联向量,并将基础故障节点向量和故障节点关联向量进行加权分析,生成故障节点向量;
将所述故障节点向量和所述基础故障类别表征向量进行加权分析,生成所述参考故障类别的故障类别表征向量;
计算所述协同故障定位矢量和故障类别表征向量之间的相关度,并将所述相关度作为所述传感器网络对所述故障类别表征向量对应的故障诊断类别的估测概率值;
依据所述估测概率值,对所述参考故障类别进行次序整理;
基于所述参考故障类别的次序整理信息,在所述参考故障类别中提取所述传感器网络的推定故障类别。
在第一方面的一种可能的实施方式中,所述调用故障类别诊断网络在所述故障类别序列中提取所述协同故障定位矢量对应的一个或多个参考故障类别之前,还包括:
获取传感器网络对应的目标示例故障类别,并依据所述目标示例故障类别,在所述故障类别序列中进行随机负采样获得负示例故障类别,生成示例故障类别序列;
在预定义故障关系图中提取出示例图结构数据,并依据该示例图结构数据构建负示例图结构数据,生成示例图结构数据序列;
依据所述示例故障类别序列,确定所述传感器网络的第一训练代价函数值;
基于所述示例图结构数据序列,确定所述传感器网络的第二训练代价函数值;
依据所述第一训练代价函数值和第二训练代价函数值,对所述基础故障类别诊断网络进行反向传播优化,生成所述故障类别诊断网络。
在第一方面的一种可能的实施方式中,所述依据所述目标传感器协同事件数据和预定义故障关系图,确定所述传感器网络的先验故障类别,包括:
在所述预定义故障关系图提取出类别映射信息,所述类别映射信息用于指示所述目标故障链与参考先验故障类别之间的映射信息;
在所述目标传感器协同事件数据中确定所述传感器网络针对各所述目标故障链的触发次数;
在所述类别映射信息中解析出各所述目标故障链对应的参考先验故障类别;
依据所述触发次数,对所述参考先验故障类别进行次序整理;
基于所述参考先验故障类别的次序整理信息,在所述参考先验故障类别中提取所述传感器网络的先验故障类别,并确定各先验故障类别的先验映射概率值。
在第一方面的一种可能的实施方式中,所述将所述先验故障类别和推定故障类别进行加权分析,生成所述传感器网络的故障诊断类别,包括:
获取各故障类别标签对应的影响权重,并基于所述先验映射概率值,在所述先验故障类别中提取目标先验故障类别,在所述触发次数中提取所述目标先验故障类别对应的目标触发次数,并依据所述目标触发次数,确定所述传感器网络的触发权重,将所述触发权重与所述目标先验故障类别的先验映射概率值进行加权分析,生成加权先验映射概率值,并依据所述影响权重,对所述加权先验映射概率值进行乘积运算,生成所述先验故障类别的目标先验映射概率值;
基于所述影响权重,对所述估测概率值进行乘积运算,生成目标估测概率值;
将所述目标先验映射概率值和目标估测概率值进行加权分析,生成加权概率值;
对所述加权概率值进行规则化转换,生成所述先验故障类别的目标先验映射概率值和所述推定故障类别的目标估测概率值;
依据所述目标先验映射概率值和目标估测概率值,在所述先验故障类别和推定故障类别中提取所述传感器网络的故障诊断类别。
在第一方面的一种可能的实施方式中,所述在所述传感器协同事件数据中提取针对预定义故障关系图对应的目标故障链的目标传感器协同事件数据,包括:
在所述预定义故障关系图中提取出一个或多个故障焦点,并在所述传感器协同事件数据中识别出所述故障焦点对应的目标故障链;
在所述传感器协同事件数据中提取所述目标故障链对应的初始传感器协同事件数据;
对所述初始传感器协同事件数据进行噪声剔除,生成所述目标故障链对应的目标传感器协同事件数据。
第二方面,本申请实施例还提供一种传感器诊断系统,所述传感器诊断系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的针对传感器网络的故障诊断处理方法。
第三方面,本申请实施例提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于被处理器执行时,以实现以上第一方面的针对传感器网络的故障诊断处理方法。
第四方面,本申请实施例提供一种计算机程序产品,包括计算机程序或计算机可执行指令,所述计算机程序或计算机可执行指令被处理器执行时,以实现以上第一方面的针对传感器网络的故障诊断处理方法。
本申请实施例至少具有以下有益效果:
通过结合传感器协同事件数据和预定义的故障关系图,以及利用先验故障类别和推定故障类别的加权分析,能够更准确地诊断出设备的故障类型,避免了因误诊或漏诊导致的设备损坏和生产中断。
基于预定义的故障关系图,可以快速确定出可能的故障链,从而及时进行故障处理,减少设备停机时间,提高生产效率。
根据传感器协同事件数据和故障关系图,可以预测出传感器网络所在的设备系统可能发生的故障类型和故障链,从而提前采取措施,避免或减轻故障造成的影响。
附图说明
图1为本申请实施例提供的针对传感器网络的故障诊断处理方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
除非另有定义,本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
需要说明的是,以下实施例中所获得的各类数据均是在获得用户授权许可的基础上获取的。
在本申请实施例的场景中,在物联网(IoT)环境中,传感器的作用非常关键。它们能实时监测各种物理量(如温度、湿度、光照、声音等),并将这些数据转换为电信号,通过网络发送到中央处理系统。当谈论传感器协同事件数据时,主要是指多个传感器同时收集的数据,并且这些数据之间可能存在某种相关性或协同关系。
例如,在智能工厂中,一个机械臂的运动可能涉及到位移传感器、力矩传感器、角度传感器等多个传感器的协同工作。这些传感器产生的数据被统一收集和分析,以确保机械臂的正常运动。如果其中任何一个传感器出现异常,都可能导致机械臂的运动出现问题。
然而,由于传感器协同事件的复杂性,其产生的数据特征也会相应增加。这些特征可能包括传感器读数的时间序列模式、传感器之间的数据相关性、甚至是各种高级统计特征(如频谱分析结果)。因此,理解和处理这些数据需要大量的专业知识和计算资源。
而且,由于故障链的复杂性,如果想从这些复杂的数据特征中找出可能导致设备故障的模式,难度更大。故障链是指一个或多个设备故障之间的因果关系链。例如,在智能工厂中,位移传感器故障可能导致机械臂运动不准确,进一步引发生产线停工等一系列问题。这样的故障链可能包含多个环节,每个环节都可能涉及到多个传感器的数据。
因此,要处理传感器协同事件数据和故障链的复杂性,就需要使用高级的数据分析和机器学习技术。
参见图1:
步骤S110,获取传感器网络在传感器协同交互过程的传感器协同事件数据。
例如,在一个典型的智能工厂环境中,可能有成百上千个传感器,它们被安装在各种设备上,包括但不限于生产线上的机器人手臂、自动化仓库中的无人叉车以及温度控制系统等。这些传感器不断地监测设备的运行状态并收集数据,如振动频率、电流变化、温度等。当两个或者多个传感器检测到相关事件时,就形成了一条传感器协同事件数据。例如,如果机器人手臂的角度传感器检测到异常移动,并且振动传感器也同时报告异常振动,那么这就是一次传感器协同事件。
步骤S120,在所述传感器协同事件数据中提取针对预定义故障关系图对应的目标故障链的目标传感器协同事件数据。
例如,本申请实施例预先定义了一份故障关系图,这份故障关系图中列出了所有可能发生的设备故障(也可以称作为故障节点)以及这些设备故障间的关联。例如,故障关系图可能指出,当机器人手臂的角度传感器和振动传感器同时报告异常时,可能是因为手臂的马达出现了问题。在这种情况下,会从所有的传感器协同事件数据中提取出与"马达故障"相关的数据。
步骤S130,依据所述目标传感器协同事件数据和预定义故障关系图,确定所述传感器网络的先验故障类别。
例如,在确定目标传感器协同事件数据以及预定义的故障关系图后,可以确定出一种或者多种先验故障类别。继续上面的例子,如果发现除了角度传感器和振动传感器外,马达的温度传感器也报告了过热,那么就可以根据故障关系图,确定"马达过热"为一个先验故障类别。
步骤S140,基于所述目标故障链和目标传感器协同事件数据,在所述预定义故障关系图对应的故障类别序列中确定出所述传感器网络的一个或多个推定故障类别。
例如,本申请实施例还需要需要进一步分析目标传感器协同事件数据,以便在预定义故障关系图中找到更精确的故障类别。例如,如果电流传感器也报告了异常,那么可能会将"电源故障"添加到推定故障类别中。
步骤S150,将所述先验故障类别和推定故障类别进行加权分析,生成所述传感器网络的故障诊断类别。
例如,可以将所有确定出来的先验故障类别和推定故障类别进行加权分析。例如,如果一个故障类别是由多个传感器共同决定的,那么可能会给它更高的权重。然后可以通过算法计算出最有可能的故障诊断类别。在上面的例子中,经过加权分析后,可能会得出"马达过热并且存在电源问题"的故障诊断类别。
基于以上步骤,通过结合传感器协同事件数据和预定义的故障关系图,以及利用先验故障类别和推定故障类别的加权分析,能够更准确地诊断出设备的故障类型,避免了因误诊或漏诊导致的设备损坏和生产中断。基于预定义的故障关系图,可以快速确定出可能的故障链,从而及时进行故障处理,减少设备停机时间,提高生产效率。根据传感器协同事件数据和故障关系图,可以预测出传感器网络所在的设备系统可能发生的故障类型和故障链,从而提前采取措施,避免或减轻故障造成的影响。
在一种可能的实施方式中,步骤S140可以包括:
步骤S141,对所述目标故障链的链特征数据进行编码,生成所述目标故障链的故障编码特征。
接着上述智能工厂中机械臂的例子,假设已经从传感器协同事件数据中提取出了关于马达可能故障的信息,即目标故障链。目标故障链可能包括多个相关的传感器事件,比如角度传感器检测到异常移动、振动传感器报告异常振动以及温度传感器报告马达过热。需要将这些信息转化为可以用于分析的形式,也就是进行编码。编码可能会依据各个事件的严重程度或者发生顺序等因素,比如可以将角度异常编码为1,振动异常编码为2,温度过热编码为3,形成一个故障编码特征向量[1,2,3]。
步骤S142,依据所述目标传感器协同事件数据,将所述故障编码特征转换为所述传感器网络的协同故障定位矢量。
例如,可以根据目标传感器协同事件数据,将故障编码特征进一步转换为协同故障定位矢量。这个协同故障定位矢量将考虑传感器之间的协同关系,以及各个传感器协同事件发生的时间顺序。比如,如果知道在机械臂故障前,角度异常总是先于振动异常出现,那么这个信息就可以编入到协同故障定位矢量中,生成一个新的协同故障定位矢量,例如[1,2,3]。
步骤S143,在所述预定义故障关系图对应的故障类别序列中提取所述协同故障定位矢量对应的一个或多个故障类别,生成所述传感器网络的推定故障类别。
例如,本步骤需要在预定义的故障关系图中找出与这个协同故障定位矢量相匹配的故障类别。假设的故障关系图中已经定义了[1,2,3]对应的故障类别为"马达过热导致的机械臂失效",那么这就是的推定故障类别。然后,这个推定故障类别就可以用于后续的故障诊断和处理流程,帮助工厂快速精准地找到问题并解决。
在一种可能的实施方式中,步骤S142可以包括:
步骤S1421,依据所述目标传感器协同事件数据,在所述故障编码特征中提取目标传感器协同交互过程内所述传感器网络进行传感器协作交互的一个或多个目标故障链的故障编码特征,生成第一故障编码特征。
例如,接着上述智能工厂中机械臂的例子,已经得到了初始的故障编码特征[1,2,3],这是根据角度异常、振动异常和温度过热这三个传感器事件生成的。然后,需要从这些特征中提取出目标故障链的故障编码特征。假设在这个案例中,目标故障链就是关注的这三个事件,因此第一故障编码特征也是[1,2,3]。
步骤S1422,调用机器学习网络对所述第一故障编码特征进行局部接受域的极大化处理,生成第二故障编码特征。
例如,可以将第一故障编码特征输入到一个预先训练好的机器学习网络中。这个机器学习网络的任务是找出各个事件之间的潜在关系,并通过一种叫做"局部接受域极大化"的处理方式,生成第二故障编码特征。这个处理过程可能会强化那些对确定故障类别更有决定性的特征。例如,如果的网络认为温度过热是最关键的因素,那么它可能会生成一个新的特征向量[1,2,5]。
步骤S1423,对所述第二故障编码特征进行异向性调整,生成所述传感器网络的协同故障定位矢量。
例如,本步骤是将第二故障编码特征进行异向性调整。这个过程实际上是要考虑到各个事件发生的顺序和时间间隔。比如,如果角度异常总是先于振动异常出现,而温度过热则是在这两个事件之后发生,那么这个信息就会被编入到最终的协同故障定位矢量中,形成一个如[1,2,5]的新的矢量。通过这样的方式,就可以更准确地找出导致设备故障的原因,从而有效地进行维修和优化。
在一种可能的实施方式中,在步骤S1422之前,还包括:
步骤S101,获取所述传感器网络传感器协作交互生成的示例故障链序列对应的示例故障编码特征序列,所述示例故障编码特征序列包括一个或多个故障类别标签数据的示例故障编码特征。
接着上述智能工厂中机械臂的例子,具体解析一下这个步骤:
在这一步,从历史数据中收集一系列的示例故障链的示例故障编码特征序列,比如[1,2,3]、[1,3,2]、[2,1,3]等,它们分别代表了不同类型的故障点,比如马达过热、减速器失效和电池低电等,这些都被标记上了相应的故障类别标签。
步骤S102,在所述示例故障编码特征序列中确定出一个或多个目标示例故障编码特征,并将所述示例故障编码特征序列中除所述目标示例故障编码特征以外的示例故障编码特征作为候选训练数据的待学习故障编码特征。
假设关注的目标示例故障编码特征是[1,2,3],那么其它的示例故障编码特征,比如[1,3,2]和[2,1,3],就可以作为候选训练数据,供机器学习网络学习。
步骤S103,调用初始化机器学习网络对所述目标示例故障编码特征进行转换,生成所述传感器网络的示例协同故障定位矢量。
这一步中,将目标示例故障编码特征输入到一个初始化的机器学习网络中,经过初始化的机器学习网络的处理,得到了示例协同故障定位矢量。
步骤S104,调用所述初始化机器学习网络对所述待学习故障编码特征进行转换,生成所述待学习故障编码特征的待学习故障编码特征。
这一步类似于上一步,只不过这次输入的是待学习故障编码特征。通过机器学习网络的转换,得到了新的待学习故障编码特征。
步骤S105,依据所述示例协同故障定位矢量和待学习故障编码特征,推定所述传感器网络针对所述待学习故障编码特征的故障类别数据,生成推定故障类别数据。
在这一步,利用示例协同故障定位矢量和新的待学习故障编码特征,通过机器学习网络预测出针对这些待学习特征的故障类别数据。
步骤S106,基于所述推定故障类别数据和故障类别标签数据,对初始化机器学习网络进行训练,生成机器学习网络。
最后一步是利用刚才生成的推定故障类别数据以及原始的故障类别标签数据,来训练的机器学习网络。经过训练,就得到了能够处理新的故障事件,预测故障类型的机器学习网络。
在一种可能的实施方式中,步骤S143可以包括:
步骤S1431,获取所述预定义故障关系图对应的故障类别序列,并在所述预定义故障关系图中提取出图结构数据。
首先,需要获取一个预定义的故障关系图。这个故障关系图包含了各种可能的故障类别以及它们之间的关系,比如马达过热可能会引发减速器失效,而减速器失效又可能导致电池电量过快消耗。然后还需要提取出这个故障关系图的图结构数据,也就是每个故障节点(故障类别)以及它们之间的连接关系。
步骤S1432,调用故障类别诊断网络在所述故障类别序列中提取所述协同故障定位矢量对应的一个或多个参考故障类别,并对所述参考故障类别进行编码,生成所述参考故障类别的基础故障类别表征向量。
然后,利用前面训练好的故障类别诊断网络,在故障类别序列中找出与的协同故障定位矢量[1,2,5]对应的参考故障类别,比如马达过热、减速器失效和电池低电。接着对这些参考故障类别进行编码,得到它们的基础故障类别表征向量。
步骤S1433,调用所述故障类别诊断网络对所述图结构数据进行编码,生成基础故障节点向量和故障节点关联向量,并将基础故障节点向量和故障节点关联向量进行加权分析,生成故障节点向量。
接下来,还需要将前面提取出来的图结构数据输入到故障类别诊断网络中,得到基础故障节点向量和故障节点关联向量。然后通过一种加权分析的方法,将基础故障节点向量和故障节点关联向量融合起来,得到最终的故障节点向量。
示例性的,以智能工厂中机械臂的例子进行说明:
假设有一个预定义故障关系图,其中节点表示不同类型的故障,如"马达过热"、"减速器失效"和"电池低电",边则表示这些故障之间的关系。在这个图中,如果"马达过热"通常会引起"减速器失效",那么就会有一条从"马达过热"指向"减速器失效"的边。
当调用故障类别诊断网络对图结构数据进行编码时,每一个故障类别(节点)都会被转化为一个基础故障节点向量。例如,"马达过热"可能被编码为[0.9, 0.1],"减速器失效"被编码为[0.7, 0.3],"电池低电"被编码为[0.4, 0.6]。同时,每一种故障关联(边)也会被转化为一个故障节点关联向量。例如,"马达过热"引起"减速器失效"的关联可能被编码为[0.8, 0.2]。
接下来,需要将基础故障节点向量和故障节点关联向量进行加权分析,生成最终的故障节点向量。例如,可以采用加权平均的方式,对于"马达过热"节点,其基础故障节点向量是[0.9, 0.1],故障节点关联向量是[0.8, 0.2],假设两者的权重都是0.5,那么最终的故障节点向量就是(0.5*[0.9, 0.1] + 0.5*[0.8, 0.2]) = [0.85, 0.15]。
这样,就得到了每个故障类别的最终编码,即故障节点向量,它包含了该故障自身的信息以及与其它故障的关联信息,为后续的故障诊断提供了数据基础。
步骤S1434,将所述故障节点向量和所述基础故障类别表征向量进行加权分析,生成所述参考故障类别的故障类别表征向量。
这一步是将上一步得到的故障节点向量和基础故障类别表征向量进行进一步的加权分析,生成参考故障类别的故障类别表征向量。
示例性的,这一步骤是在生成故障节点向量后,将这个向量与基础故障类别表征向量进行加权分析,从而得到参考故障类别的故障类别表征向量。基础故障类别表征向量可以看作是对每个故障类别本身特性的编码,而故障节点向量则融合了更多的上下文信息,如该故障类别与其它故障类别的关联。
依然以智能工厂中机械臂的例子来说明:
假设已经有了"马达过热"的故障节点向量[0.85, 0.15],这个向量包含了马达过热故障自身的信息以及与其它故障(如减速器失效)的关联信息。同时,也有"马达过热"的基础故障类别表征向量,比如是[0.9, 0.1],这个向量仅代表了马达过热这一故障类别本身的特性。
接下来,要将这两个向量进行加权分析,生成最终的故障类别表征向量。例如,可以采用加权平均的方式,假设两者的权重都是0.5,那么"马达过热"的故障类别表征向量就是(0.5*[0.85, 0.15] + 0.5*[0.9, 0.1]) = [0.875, 0.125]。
这个最终的故障类别表征向量既包含了故障类别自身的特性信息,也包含了其与其它故障类别的关联信息,为后续的故障诊断提供了更全面的数据支持。
步骤S1435,计算所述协同故障定位矢量和故障类别表征向量之间的相关度,并将所述相关度作为所述传感器网络对所述故障类别表征向量对应的故障诊断类别的估测概率值。
接下来,需要计算协同故障定位矢量和故障类别表征向量之间的相关度。这个相关度可以被视为传感器网络对于某个故障类别的估测概率值。
示例性的,这一步是要计算协同故障定位矢量和故障类别表征向量之间的相关度,并将这个相关度作为对应故障诊断类别的估测概率值。协同故障定位矢量可以看作是根据当前的传感器读数和状态,预测出的可能发生故障的位置和类型。故障类别表征向量则代表了每个故障类别的特性和上下文信息。
还是以智能工厂中机械臂的例子来说明:
假设当前的传感器读数和状态预测出的协同故障定位矢量为[0.8, 0.2],这个协同故障定位向量表示系统预测马达有80%的概率过热,有20%的概率正常。而"马达过热"的故障类别表征向量是[0.875, 0.125],这个向量包含了马达过热故障自身的信息以及与其它故障(如减速器失效)的关联信息。
接下来,要计算这两个向量之间的相关度。相关度的计算方式可以有多种,比如余弦相似度、欧氏距离等。在这里,假设使用余弦相似度,那么相关度就是协同故障定位矢量和故障类别表征向量之间的夹角的余弦值。这个值越接近1,表示两个向量越相似,也就意味着当前的传感器读数和状态更有可能对应于"马达过热"这个故障。
最后,将这个相关度作为对"马达过热"这个故障诊断类别的估测概率值。例如,如果相关度计算出来是0.9,那么就可以认为当前的传感器网络有90%的概率预测出"马达过热"这个故障。
步骤S1436,依据所述估测概率值,对所述参考故障类别进行次序整理。
步骤S1437,基于所述参考故障类别的次序整理信息,在所述参考故障类别中提取所述传感器网络的推定故障类别。
本实施例中,需要根据这些估测概率值,对所有的参考故障类别进行排序,根据这个排序结果,选择出最可能的故障类别,也就是传感器网络的推定故障类别。比如在这个案例中,可能就是马达过热。
在一种可能的实施方式中,在步骤S1432之前,还包括:
步骤A110,获取传感器网络对应的目标示例故障类别,并依据所述目标示例故障类别,在所述故障类别序列中进行随机负采样获得负示例故障类别,生成示例故障类别序列。
接着上述智能工厂中机械臂的例子,假设关注的目标示例故障类别是马达过热,那么在所有可能的故障类别(比如马达过热、减速器失效和电池低电)中,可以进行随机负采样,也就是随机选择除了马达过热以外的其它故障类别作为负示例。这样,就得到了一个包含正例(马达过热)和负例的示例故障类别序列。
步骤A120,在预定义故障关系图中提取出示例图结构数据,并依据该示例图结构数据构建负示例图结构数据,生成示例图结构数据序列。
例如,可以从预定义的故障关系图中提取出与选定的示例故障类别序列相对应的图结构数据,同时,也根据这些数据构建出负示例图结构数据。这样,就得到了一个包含正例和负例的示例图结构数据序列。
示例性的,正样本(positive examples)通常是想要模型学习的目标,而负样本(negative examples)则是与正样本相对的情况,可以帮助模型更好地区分不同的情况。
接着之前的智能工厂中机械臂的例子,预定义故障关系图是根据历史数据和专家知识预先设定的,它包含了各种可能的故障类别以及它们之间的关系。在这个图中,可以提取出一些具体的故障链作为示例图结构数据。比如"马达过热"->"减速器失效"->"电池低电"就是一个可能的示例图结构数据。
然后,需要生成一些负示例图结构数据。这些负示例通常是与正示例相反的情况。例如,如果在实际操作中,"马达过热"并不会导致"电池低电",那么"马达过热"->"电池低电"就可以作为一个负示例。
最后,将所有的正示例和负示例组合在一起,形成一个示例图结构数据序列。这个序列包含了各种可能的故障链,以及它们是否会真实发生的标签(正示例为1,负示例为0)。这个序列将被用来训练的故障诊断模型,使得模型能够学习到不同故障链之间的关系,并据此进行预测。
步骤A130,依据所述示例故障类别序列,确定所述传感器网络的第一训练代价函数值。
例如,需要计算出示例故障类别序列对应的第一训练代价函数值。这个值实际上是衡量的故障类别诊断网络在当前状态下处理示例故障类别序列时的误差大小。
步骤A140,基于所述示例图结构数据序列,确定所述传感器网络的第二训练代价函数值。
例如,还需要计算出示例图结构数据序列对应的第二训练代价函数值。这个值是衡量的故障类别诊断网络在当前状态下处理示例图结构数据序列时的误差大小。
示例性的,训练代价函数(也叫损失函数)是用来评估模型预测结果与实际值之间差距的一种方法。在这个例子中,有两个训练代价函数,分别对应示例故障类别序列和示例图结构数据序列。
假设示例故障类别序列为["马达过热", "减速器失效", "电池低电"],对应的真实标签为[1, 0, 1],表示"马达过热"和"电池低电"是真正发生的故障,而"减速器失效"并未发生。传感器网络对这三种故障的预测可能是[0.9, 0.6, 0.8]。这时,可以采用交叉熵损失函数来计算第一训练代价函数值,该函数会考虑模型对每个类别的预测概率和实际发生的概率之间的差距。
假设示例图结构数据序列为[("马达过热"->"减速器失效", 1), ("马达过热"->"电池低电", 0)],表示"马达过热"导致"减速器失效"是真实发生的故障链,而"马达过热"并未导致"电池低电"。传感器网络对这两个故障链的预测可能是[0.8, 0.7]。同样,可以采用交叉熵损失函数来计算第二训练代价函数值。
最后,可以将这两个训练代价函数值加权求和,得到最终的训练代价函数值。例如,如果设定两个训练代价函数的权重分别为0.5,那么最终的训练代价函数值就是0.5*第一训练代价函数值 + 0.5*第二训练代价函数值。在训练过程中,目标是通过调整模型参数来最小化这个训练代价函数值,从而使模型的预测结果更接近真实值。
步骤A150,依据所述第一训练代价函数值和第二训练代价函数值,对所述基础故障类别诊断网络进行反向传播优化,生成所述故障类别诊断网络。
例如,根据计算出来的两个训练代价函数值,利用反向传播算法对的故障类别诊断网络进行优化。经过这样的训练,就得到了一个能够更准确地判断出故障类别的故障类别诊断网络。
示例性的,所述第一训练代价函数值和第二训练代价函数值分别对应示例故障类别序列和示例图结构数据序列的预测结果与实际值之间的差距。通过反向传播,可以根据这些差距调整故障类别诊断网络的参数,使得故障类别诊断网络的预测结果更接近真实值。
在具体操作中,反向传播会从输出层开始,逐层向前计算每一层对于代价函数值的影响(也就是梯度),然后根据这些梯度来调整每一层的参数。这个过程会反复进行,直到故障类别诊断网络的性能达到满意的水平,或者达到预设的最大迭代次数。
以智能工厂中机械臂的例子来说,如果当前故障类别诊断网络对"马达过热"的预测概率是0.9,但实际上马达并没有过热,那么在反向传播过程中,故障类别诊断网络会通过调整参数,使得下一次对"马达过热"的预测概率更接近实际情况。同样,如果故障类别诊断网络预测"马达过热"会导致"减速器失效",但实际上并未发生,那么故障类别诊断网络也会在反向传播过程中调整参数,使得下一次对这个故障链的预测更接近真实情况。
通过这样的训练,可以得到一个优化后的故障类别诊断网络,可以更准确地预测可能发生的故障类别和故障链。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,在所述预定义故障关系图提取出类别映射信息,所述类别映射信息用于指示所述目标故障链与参考先验故障类别之间的映射信息。
接着上述智能工厂中机械臂的例子,首先,从预定义的故障关系图中提取出类别映射信息。这些类别映射信息实际上是确定每个目标故障链(比如角度异常、振动异常和温度过热)对应的是哪一个参考先验故障类别(比如马达过热)。
步骤S132,在所述目标传感器协同事件数据中确定所述传感器网络针对各所述目标故障链的触发次数。
例如,需要统计每个目标故障链在历史数据中的触发次数。例如,如果角度异常、振动异常和温度过热的组合在过去一年内出现了10次,那么它的触发次数就是10。
步骤S133,在所述类别映射信息中解析出各所述目标故障链对应的参考先验故障类别。
例如,可以根据类别映射信息,找出每个目标故障链对应的参考先验故障类别。比如,角度异常、振动异常和温度过热这个故障链可能对应的就是马达过热这个先验故障类别。
步骤S134,依据所述触发次数,对所述参考先验故障类别进行次序整理。
例如,需要根据每个先验故障类别的触发次数进行排序。触发次数越高,说明这个故障类别出现的可能性越大。
步骤S135,基于所述参考先验故障类别的次序整理信息,在所述参考先验故障类别中提取所述传感器网络的先验故障类别,并确定各先验故障类别的先验映射概率值。
例如,可以根据排序结果,从参考先验故障类别中选出最可能的故障类别作为传感器网络的先验故障类别。同时,还可以计算出每个先验故障类别的先验映射概率值,这个先验映射概率值实际上是表示该故障类别出现的概率。
在一种可能的实施方式中,步骤S150可以包括:
步骤S151,获取各故障类别标签对应的影响权重,并基于所述先验映射概率值,在所述先验故障类别中提取目标先验故障类别,在所述触发次数中提取所述目标先验故障类别对应的目标触发次数,并依据所述目标触发次数,确定所述传感器网络的触发权重,将所述触发权重与所述目标先验故障类别的先验映射概率值进行加权分析,生成加权先验映射概率值,并依据所述影响权重,对所述加权先验映射概率值进行乘积运算,生成所述先验故障类别的目标先验映射概率值。
接着上述智能工厂中机械臂的例子,首先,需要获取每个故障类别标签的影响权重。比如马达过热的影响权重可能是0.7,减速器失效的影响权重可能是0.2,电池低电的影响权重可能是0.1。然后,根据先验映射概率值,从先验故障类别中提取出目标先验故障类别,也就是最可能出现的故障类别,比如马达过热。同时,还需要提取出这个故障类别在历史数据中的触发次数,比如10次。通过这个触发次数,可以计算出传感器网络的触发权重,也就是这个故障类别出现的频率。
然后,将触发权重和目标先验故障类别的先验映射概率值(也就是这个故障类别出现的概率)进行加权分析,得到一个加权先验映射概率值。
接着,再根据每个故障类别的影响权重,对加权先验映射概率值进行乘积运算,得到目标先验映射概率值。这个值实际上就是考虑了故障类别出现的频率和影响程度之后的故障概率。
步骤S152,基于所述影响权重,对所述估测概率值进行乘积运算,生成目标估测概率值。
例如,本步骤是对推定故障类别的估测概率值进行处理。具体来说,需要根据每个故障类别的影响权重,对估测概率值进行乘积运算,得到目标估测概率值。
步骤S153,将所述目标先验映射概率值和目标估测概率值进行加权分析,生成加权概率值。
例如,需要将目标先验映射概率值和目标估测概率值进行加权分析,得到一个综合的加权概率值。
步骤S154,对所述加权概率值进行规则化转换,生成所述先验故障类别的目标先验映射概率值和所述推定故障类别的目标估测概率值。
例如,需要对这个加权概率值进行规则化转换,使得所有可能的故障类别的概率之和为1。这样,就得到了最终的目标先验映射概率值和目标估测概率值。
步骤S155,依据所述目标先验映射概率值和目标估测概率值,在所述先验故障类别和推定故障类别中提取所述传感器网络的故障诊断类别。
例如,最后一步是根据计算出来的目标先验映射概率值和目标估测概率值,从先验故障类别和推定故障类别中选出最可能的那个作为传感器网络的故障诊断类别。例如,这个最终的故障诊断类别可能就是马达过热。
在一种可能的实施方式中,步骤S120可以包括:
步骤S121,在所述预定义故障关系图中提取出一个或多个故障焦点,并在所述传感器协同事件数据中识别出所述故障焦点对应的目标故障链。
接着上述智能工厂中机械臂的例子,首先,在预定义的故障关系图中,需要提取出一个或多个故障焦点。故障焦点可以理解为那些在故障发生时最可能首先被影响的部分。例如,如果马达过热,那么"马达温度传感器"就可能是一个故障焦点。然后,在传感器协同事件数据(这些数据记录了所有传感器的读数和状态变化)中,需要找到这些故障焦点对应的目标故障链,比如"马达温度过高"、"减速器转速降低"和"电池电量过快消耗"。
步骤S122,在所述传感器协同事件数据中提取所述目标故障链对应的初始传感器协同事件数据。
例如,需要在传感器协同事件数据中提取出目标故障链对应的初始传感器协同事件数据。这些数据实际上是在故障发生时,所有相关传感器的读数和状态。
步骤S123,对所述初始传感器协同事件数据进行噪声剔除,生成所述目标故障链对应的目标传感器协同事件数据。
例如,本步骤需要对初始传感器协同事件数据进行噪声剔除。因为在实际情况下,传感器的读数可能会受到各种因素的影响,产生噪声。通过某种方法(比如滤波、异常值剔除等)去掉这些噪声,就可以得到更准确的目标传感器协同事件数据。这些数据将被用于后续的故障诊断。
一些设计思路中,提供了一种传感器诊断系统,该传感器诊断系统可以是服务器,该传感器诊断系统包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该传感器诊断系统的处理器用于提供计算和控制能力。该传感器诊断系统的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该传感器诊断系统的数据库用于存储上述方法所涉及的数据。该传感器诊断系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该传感器诊断系统的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种针对传感器网络的故障诊断处理方法。
一些设计思路中,提供了一种传感器诊断系统,该传感器诊断系统可以是终端。该传感器诊断系统包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该传感器诊断系统的处理器用于提供计算和控制能力。该传感器诊断系统的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该传感器诊断系统的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该传感器诊断系统的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其它技术实现。该计算机程序被处理器执行时以实现一种针对传感器网络的故障诊断处理方法。该传感器诊断系统的显示单元用于形成视觉可见的画面。
一些设计思路中,提供了一种传感器诊断系统,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
一些设计思路中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
一些设计思路中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
- 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法
- 一种基于鲁棒输入训练神经网络的多传感器故障诊断系统及方法