基于多阶段数据特征切片的实时分类方法及系统

本发明涉及状态监测与故障预警，具体地说，尤其涉及一种面向工业设备运行过程的多阶段数据特征切片的实时分类方法及系统。

背景技术：

1、在工业生产现场，电机、泵、压缩机、数控机床等工业设备在启动、稳定运行、高负荷运行及停机前等不同运行阶段会持续产生电压、电流、温度、振动、转速、压力或功率等运行数据。不同运行阶段对应的设备工况不同，其异常表现也存在差异，例如启动阶段可能出现电流冲击异常，稳定运行阶段可能出现温度波动异常，高负荷阶段可能出现振动峰值异常或温升过快，停机前阶段可能出现参数衰减异常。

2、现有工业设备状态识别方法通常将多个运行阶段的运行数据一次性整体输入分类模型，忽略了不同运行阶段对当前故障状态判别贡献程度的差异。与当前故障预警无关的历史阶段特征，若仍参与模型推理，容易引入噪声特征并增加边缘计算设备的处理负载，从而导致状态识别延迟升高、误报率或漏报率增加。

3、部分工业设备监测方案虽引入多阶段特征融合机制，但多采用固定起始阶段进行融合，缺乏对有效历史阶段起点的动态控制，导致每一当前阶段均需要对全部历史阶段数据特征进行建模和推理。当设备运行阶段数量增加或传感器通道数量增多时，特征维度持续累积，容易造成边缘端计算开销增大，难以满足工业现场对实时故障预警的响应时间要求。

4、因此，有必要提出一种面向工业设备状态监测与故障预警的多阶段数据特征切片的实时分类方法，在保留与当前设备状态判别相关的有效阶段特征的同时，剔除过时或无关阶段特征，降低特征维度和计算复杂度，提高工业设备异常识别的实时性和可靠性。

技术实现思路

1、本发明的目的在于克服现有技术的缺陷与不足，提供一种基于多阶段数据特征切片的实时分类方法及系统，通过阶段数据特征提取、阶段特征切片以及阶段独立分类处理，实现对工业设备运行状态的实时识别和故障预警。

2、为了实现上述目的，本发明所采用的技术方案如下：

3、一种基于多阶段数据特征切片的实时分类方法，包括以下步骤：

4、获取工业设备运行过程中的运行数据，并将运行数据划分为反映工业设备状态变化的多个阶段运行数据序列；

5、对每一阶段的运行数据序列分别进行特征提取，得到每一阶段的设备状态特征集；

6、对每一阶段的设备状态特征集分别进行特征切片处理，得到每一阶段的特征子集；

7、将每一阶段的特征子集分别输入预训练设备状态分类模型，进行分类预测，得到各阶段的设备状态分类结果；

8、输出每一阶段的设备状态分类结果，根据每一阶段的设备状态分类结果，进行工业设备状态监测或故障预警。

9、进一步地，运行数据包括电压、电流、温度、振动频率、转速、压力和功率中的至少一种，按照设备运行工况、时间窗口或工艺流程节点，将运行数据划分为反映工业设备状态变化的多个阶段运行数据序列。

10、进一步地，设备状态特征集包括统计特征、时序变化特征和异常波动特征中的至少一种，统计特征包括均值、方差或峰值，时序变化特征包括变化率或趋势斜率，异常波动特征包括电流波动幅度、振动峰值、压力波动范围或功率突变幅度。

11、进一步地，切片处理包括过时特征向量剔除处理和固定维度筛选处理中的至少一种。

12、进一步地，过时特征向量剔除处理包括：确定切片起点索引j，将设备状态特征集中位于切片起点索引j之前的、对当前阶段状态识别贡献度低于预设阈值的特征剔除；

13、切片起点索引j根据以下方式中的至少一种确定：基于各阶段特征对设备状态分类结果的贡献度、基于特征产生时刻与当前判别时刻之间的时间间隔、基于运行数据的稳定性或异常相关性、或基于工业设备类型或运行工况预设。

14、进一步地，固定维度筛选处理包括：设置固定维度v，固定维度v基于模型计算复杂度阈值、硬件算力限制或分类精度需求动态配置，且满足1≤v≤当前阶段设备状态特征总维度，使切片后的特征子集维度不大于v。

15、进一步地，切片处理的策略根据当前阶段序号k、当前阶段设备状态特征集的特征数量w、预设阶段数阈值k0以及预设维度阈值dim0选择，具体包括：

16、获取当前待处理阶段的阶段序号k及当前阶段设备状态特征集的特征数量w；

17、设定阶段数阈值k0和维度阈值dim0，其中k0为判断是否需要剔除过时特征的阶段数临界值，dim0为判断是否需要固定维度的特征维度临界值；

18、若k≤k0且w≤dim0，则判定为不使用过时特征向量剔除且不使用固定维度筛选的策略；

19、若k≤k0且w>dim0，则判定为仅使用固定维度筛选的策略；

20、若k>k0且w≤dim0，则判定为仅使用过时特征向量剔除的策略；

21、若k>k0且w>dim0，则判定为同时使用过时特征向量剔除和固定维度筛选的策略，且固定维度筛选在过时特征向量剔除处理之后执行。

22、进一步地，阶段数阈值k0和维度阈值dim0的设定方式包括以下至少一种：基于历史分类数据的性能反馈结果自适应调整、基于工业设备的运行特性预设固定值或基于应用场景对分类实时性、精度的需求动态配置。

23、进一步地，设备状态分类模型为支持向量机、随机森林、k近邻或偏最小二乘中的至少一种，设备状态分类模型基于对应阶段的历史标注样本训练得到，训练过程采用交叉验证或网格搜索优化模型参数。

24、一种基于多阶段数据特征切片的实时分类系统，应用上述任一项所述的基于多阶段数据特征切片的实时分类方法，包括：

25、数据采集模块，用于获取工业设备运行过程中的运行数据，并将运行数据划分为反映工业设备状态变化的多个阶段运行数据序列；

26、特征提取模块，用于对每一阶段的运行数据序列分别进行特征提取，得到每一阶段的设备状态特征集；

27、特征切片模块，用于对每一阶段的设备状态特征集分别进行特征切片处理，得到每一阶段的特征子集；

28、阶段分类模块，用于将每一阶段的特征子集分别输入预训练设备状态分类模型，进行分类预测，得到各阶段的设备状态分类结果；

29、结果输出模块，用于输出每一阶段的设备状态分类结果，根据每一阶段的设备状态分类结果，进行工业设备状态监测或故障预警。

30、与现有技术相比，本发明通过采用单阶段独立处理机制，使每个阶段基于自身数据完成 特征提取、切片、建模和预测全流程，避免了多阶段数据相互依赖所导致的处理灵活性不足的问题，提升了各阶段特征利用的针对性。

31、本发明通过各阶段独立执行切片与分类操作，无需等待后续阶段数据即可实时输出当前阶段结果，将响应延迟从传统的全阶段处理时长缩短至单阶段处理时长，显著提升了阶段性状态反馈的实时性。

32、本发明通过阶段特征向量化与单阶段独立建模，利用独立特征空间精确刻画各阶段的状态差异，并结合各阶段独立的模型参数配置，提高了单阶段特征的拟合精度，进而提升了阶段性分类结果的准确性。

33、本发明系统的各模块与运行阶段数据一一对应设置，特征提取、切片策略和分类模型均可根据不同工业设备类型、传感器配置及运行工况进行调整，广泛适用于工业设备在线状态监测、异常识别和故障预警场景。