故障分类方法、系统及控制器和存储介质与流程

本技术属于故障识别，具体涉及故障分类方法、故障分类系统及控制器和计算机可读存储介质。

背景技术：

1、在对工艺数据(例如螺栓拧紧数据)进行质量检测时，会发现一些缺陷数据，通过对这些缺陷数据进行分类，可以快速得出缺陷产生的原因，有利于进行针对性的防范和工艺改进。通常采用预先训练完成的故障分类模型来实现对缺陷数据进行分类。通常采用单一模型来进行训练，例如是单独采用自编码器(包括编码器和解码器)或者随机森林模型进行训练得到故障分类模型。传统的故障分类模型依赖专家经验，难以应对复杂的故障类型，并且仅应用自编码器容易忽略特征判别性，仅应用随机森林模型直接处理原始缺陷数据易受到噪声干扰。同时，在故障分类模型的训练过程中，采用静态特征提取的方式，故障分类模型无法自适应不同的故障类型。

技术实现思路

1、本技术所要解决的技术问题在于，提供一种故障分类方法、故障分类系统及控制器和计算机可读存储介质，以解决现有故障分类中容易忽略特征判别性、易受到数据噪声干扰以及无法自适应不同故障类型等问题。

2、为了解决或者一定程度上改善上述技术问题，根据本技术一方面，提供一种故障分类方法，应用预先训练的故障分类系统，所述故障分类方法，包括：

3、对第一故障数据进行预处理，以得到目标故障数据；

4、将所述目标故障数据输入所述故障分类系统中，以得到所述第一故障数据所对应的故障类型；

5、其中，所述故障分类系统包括自编码器和随机森林模型，所述自编码器包括编码器和解码器，所述故障分类系统的训练方法包括：

6、控制所述编码器提取第二故障数据中的多个第一自动提取特征，作为多个第一目标特征；

7、通过所述随机森林模型评估多个所述第一目标特征的第一特征重要性，基于所述第一特征重要性调整多个所述第一目标特征的第一权重；

8、控制所述解码器基于调整所述第一权重后的多个所述第一目标特征构建重建故障数据；

9、根据所述第二故障数据与所述重建故障数据之间的重构误差优化所述编码器和所述解码器，完成对所述故障分类系统的训练。

10、在一些实施方式中，所述故障分类系统的训练方法包括：

11、接收人工提取的多个第一人工提取特征；

12、分别赋予多个所述第一自动提取特征和多个所述第一人工提取特征对应的第二权重；

13、融合赋予所述第二权重的多个所述第一自动提取特征和多个所述第一人工提取特征，作为所述第一目标特征。

14、在一些实施方式中，所述通过所述随机森林模型评估多个所述第一目标特征的第一特征重要性，基于所述第一特征重要性调整多个所述第一目标特征的第一权重的步骤，包括：

15、将多个所述第一目标特征输入所述随机森林模型中；

16、分别基于多个所述第一目标特征在随机森林模型中的每个决策树的分裂节点中基尼不纯度减少的贡献来确定多个所述第一目标特征的所述第一特征重要性；

17、根据多个所述第一目标特征分别对应的所述第一特征重要性，分别确定多个所述第一目标特征所对应的所述第一权重。

18、在一些实施方式中，所述分别基于多个所述第一目标特征在随机森林模型中的每个决策树的分裂节点中基尼不纯度减少的贡献来确定多个所述第一目标特征的所述第一特征重要性的步骤，包括：

19、分别计算每个所述第一目标特征在所述随机森林模型的每个节点的基尼不纯度减少的贡献值；

20、将每个所述第一目标特征在所述随机森林模型的全部节点的所述基尼不纯度减少的贡献值进行求和，得到每个所述第一目标特征总基尼重要性；

21、基于所述总基尼重要性评估每个所述第一目标特征的所述第一特征重要性。

22、在一些实施方式中，计算每个所述第一目标特征在每个节点的所述基尼不纯度的公式如下：

23、

24、式中，pk是节点n中样本属于故障类别k的概率，k是故障类别的数量；

25、计算每个所述第一目标特征在所述随机森林模型中每棵决策树的基尼重要性的公式如下：

26、

27、式中，giniimp(fj,t)表示第t颗决策树中第一目标特征fj的基尼重要性，tt是第t棵决策树的所有节点集合；|nsamples|是节点n中样本的数量；gini(n)是节点n的基尼不纯度；gini(nleft)和gini(nright)分别是左子节点和右子节点的基尼不纯度；|nleft|和|nright|分别是左子节点和右子节点的样本数量；|ttsamples|是第t棵决策树的所有样本数；

28、计算每个所述第一目标特征的总基尼重要性的公式如下：

29、

30、式中，wj表示第一目标特征fj的总基尼重要性，giniimp(fj,t)表示第t颗决策树中第一目标特征fj的基尼重要性，t为所述随机森林模型中的决策树数量。

31、在一些实施方式中，所述故障分类系统训练方法还包括：

32、在所述自编码器中引入注意力机制，以分别赋予所述第二故障数据中每个特征所对应的第三权重；

33、基于所述第三权重提取多个所述第一自动提取特征。

34、在一些实施方式中，所述将所述目标故障数据输入所述故障分类系统中，以得到所述第一故障数据所对应的故障类型的步骤，包括：

35、所述编码器提取在所述目标故障数据中提取多个第二自动提取特征，作为多个第二目标特征；

36、将多个所述第二目标特征输入到所述随机森林模型中，基于所述随机森林模型的多个决策树的投票机制，得到所述第一故障数据所对应的故障类型。

37、在一些实施方式中，所述故障分类方法包括：

38、接收人工提取的多个第二人工提取特征；

39、分别赋予多个所述第二自动提取特征和多个所述第二人工提取特征对应的第四权重；

40、融合赋予所述第四权重的多个所述第二自动提取特征和多个所述第二人工提取特征，作为所述第二目标特征。

41、在一些实施方式中，所述基于所述随机森林模型的多个决策树的投票机制，得到所述第一故障数据所对应的故障类型的步骤，包括：

42、通过所述随机森林模型评估多个所述第二目标特征分别对应的第二特征重要性；

43、基于所述第二特征重要性分别赋予多个所述第二目标特征所对应的第五权重；

44、根据赋予所述第五权重的多个所述第二目标特征确定所述第一故障数据所对应的故障类型。

45、根据本技术的一实施例，提供一种故障分类系统，所述故障分类系统配置为对第一故障数据进行预处理得到目标故障数据进行故障分类，以得到所述第一故障数据所对应的故障类型；

46、所述故障分类系统包括：自编码器和随机森林模型，其中所述自编码器包括编码器和解码器；

47、其中，所述编码器配置为提取第二故障数据中的多个第一自动提取特征，作为多个第一目标特征；

48、所述随机森林模型评估多个所述第一目标特征的第一特征重要性，基于所述第一特征重要性调整多个所述第一目标特征的第一权重；

49、所述解码器基于调整所述第一权重后的多个所述第一目标特征构建重建故障数据；

50、所述编码器和所述解码器还配置为根据所述第二故障数据与所述重建故障数据之间的重构误差优化所述编码器和所述解码器，完成对所述故障分类系统的训练。

51、根据本技术的一实施例，提供一种控制器，其包括存储器与处理器，所述存储器存储有计算机程序，所述程序在被所述处理器执行时能够实现上述任一实施方式所述的故障分类方法的步骤。

52、根据本技术的一实施例，提供一种计算机可读存储介质，用于存储计算机程序，所述程序在由一计算机或处理器执行时实现上述任一实施方式所述的故障分类方法的步骤。

53、本技术与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本技术的故障分类方法、故障分类系统系统及控制器和计算机可读存储介质可以达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有下列优点：

54、本技术通过引入基于随机森林的特征重要性反馈机制，动态优化自编码器提取的特征。这意味着特征的选择和优化是自动进行的，而不依赖于人工经验。通过对特征的实时反馈和动态调整，自编码器能够自动学习到对故障识别最具判别力的特征，能够适应更复杂的故障模式；在自编码器中引入了注意力机制，使得模型能够自动学习哪些特征在故障分类中最为重要。每个特征的权重根据其对分类任务的贡献动态调整，从而使模型能够更加聚焦于关键特征，提高故障识别的准确性；将自编码器提取的深度特征(即自动提取特征)与人工特征(即人工提取特征)结合起来，增强了特征的多样性与丰富性。通过为每种特征分配不同的权重，能够最大化利用多模态数据的互补性，进一步提升系统的故障分类性能。

55、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。