基于过采样分类的工业设备故障预测方法
本发明属于工业设备状态监测,具体涉及基于过采样分类的工业设备故障预测方法。
背景技术:
1、在智能制造、预测性维护和工业互联网场景中,工业设备通常通过振动传感器、温度传感器、电流传感器、压力传感器、声学传感器和控制系统日志持续产生运行状态数据。利用上述数据建立故障预测模型,能够提前识别设备异常状态,减少非计划停机并提高设备运行安全性。
2、实际生产中,设备正常运行样本数量远大于故障样本数量,故障样本具有稀缺性、边界模糊性和噪声干扰性。若直接使用原始不平衡数据训练分类器,模型容易偏向正常类,导致早期故障识别能力不足。因此,需要一种能够生成高质量故障类样本并提高分类模型稳定性的过采样分类方法。
技术实现思路
1、本发明的目的在于提供基于过采样分类的工业设备故障预测方法,解决了现有工业设备早期故障识别能力不足的问题。
2、本发明所采用的技术方案是:基于过采样分类的工业设备故障预测方法,包括以下步骤:
3、步骤1、获取工业设备运行状态数据集并预处理;
4、步骤2、提取故障类少数样本,基于故障类近邻关系构建并筛选候选连接线;
5、步骤3、在候选连接线上设置评估锚点并计算其邻域少数类概率和多数类风险,得到局部风险信息;
6、步骤4、根据局部风险信息计算候选连接线综合评分并归一化为生成概率;
7、步骤5、根据生成概率抽取候选连接线并采用三点引导插值,生成平衡数据集;
8、步骤6、使用平衡数据集训练分类器构建工业设备故障预测模型,输出故障预测类别、概率及预警等级。
9、本发明的特点还在于,
10、步骤1中的预处理包括将正常运行状态样本标记为多数类,将故障状态样本或故障前预警状态样本标记为少数类。
11、步骤2具体为:从预处理后的数据集中提取故障类少数样本集合,在故障类少数样本集合内部搜索每个故障类少数样本的近邻故障类少数样本,将每个故障类少数样本与其近邻故障类少数样本连接形成候选连接线,计算候选连接线的长度,若候选连接线的长度超过预设距离阈值则剔除,获得有效候选连接线集合。
12、步骤3具体包括以下步骤:
13、步骤3.1、在候选连接线上设置评估锚点;
14、步骤3.2、基于评估锚点的近邻样本计算邻域少数类概率和多数类风险,得到候选连接线的局部风险信息。
15、步骤3.1具体包括以下步骤:
16、步骤3.1.1、在每条候选连接线的中点设置基础评估锚点,设候选连接线由故障类少数样本和构成,则基础评估锚点为:
17、
18、步骤3.1.2、计算候选连接线的长度:
19、
20、并在长度大于所有候选连接线长度中位数预设倍数的候选连接线上设置多个等距评估锚点:
21、
22、式中,表示第
q个评估锚点对应的插值系数,,,
q表示评估锚点数量。
23、步骤3.2具体包括以下步骤:
24、步骤3.2.1、搜索每个评估锚点的
k个近邻样本得到近邻样本集合,并计算相应评估锚点的邻域少数类概率:
25、
26、式中,表示样本的类别标签,为指示函数;
27、步骤3.2.2、根据邻域少数类概率计算多数类风险:
28、
29、步骤3.2.3、计算设置有多个评估锚点的候选连接线的平均少数类概率、最大多数类风险和少数类概率方差:
30、
31、
32、
33、式中,表示候选连接线的整体故障类支持程度,表示候选连接线上的最大多数类风险,表示候选连接线上故障类支持的连续性;之后将平均少数类概率、最大多数类风险和少数类概率方差作为候选连接线的局部风险信息。
34、步骤4具体包括以下步骤:
35、步骤4.1、根据平均少数类概率和最大多数类风险计算安全性得分:
36、
37、步骤4.2、根据平均少数类概率、软边界中心参数和边界宽度参数计算软边界价值:
38、
39、步骤4.3、根据少数类概率方差和候选连接线长度,分别计算连续性得分和距离惩罚项:
40、
41、
42、式中,表示所有候选连接线长度的中位数;
43、步骤4.4、将安全性得分、软边界价值、连续性得分和距离惩罚项相乘,得到候选连接线综合评分:
44、
45、步骤4.5、设候选连接线集合为,将候选连接线综合评分归一化为生成概率;
46、
47、中,表示候选连接线被选中的概率,
ε为常数;
48、若所有候选连接线综合评分均为零,则采用均匀概率:
49、
50、式中,
t表示候选连接线数量。
51、步骤5具体包括以下步骤:
52、步骤5.1、根据生成概率抽取候选连接线,以抽取的候选连接线两端的故障类少数样本及其近邻样本构成局部故障样本集合:
53、
54、式中,表示故障类少数样本集合;
55、步骤5.2、在局部故障样本集合中选择代表性故障样本和两个密度加权故障样本进行三点引导插值,并结合特征重要性引导扰动生成候选故障类合成样本;
56、步骤5.3、对候选故障类合成样本执行生成后风险验收、局部异常样本删除、边界样本拒绝和补偿生成,形成平衡数据集。
57、步骤5.2具体包括以下步骤:
58、步骤5.2.1、计算局部故障样本集合中每个故障类样本到其他故障类样本的平均距离,并将平均距离最小的故障类样本确定为代表性故障样本:
59、
60、步骤5.2.2、根据平均距离计算局部密度分数,并归一化为采样概率,再根据采样概率从局部故障样本集合中选择两个不同的故障类样本和:
61、
62、
63、式中,表示局部故障样本集合中的任一故障类样本;
64、步骤5.2.3、设插值系数
、 服从预设区间内的均匀分布,并令,生成候选故障类合成样本:
65、
66、步骤5.2.4、计算特征重要性向量和局部故障样本集合中每个特征的标准差,并添加高斯扰动:
67、
68、
69、式中,表示特征数,表示样本特征总维度,表示表示均值为0、尺度参数为的高斯分布,表示特征重要性向量中第
k个元素;
70、得到扰动后的候选故障类合成样本:
71、。
72、步骤5.3具体包括以下步骤:
73、步骤5.3.1、重新计算候选故障类合成样本生成后邻域少数类概率和多数类风险,若少数类支持低于预设的少数类支持阈值或多数类风险高于预设多数类风险阈值,则拒绝相应样本;将候选故障类合成样本与原始故障类样本合并并计算局部异常因子,若异常程度超过预设阈值,则删除相应样本;
74、分别计算候选故障类合成样本到原始故障类样本集合和原始正常类样本集合的平均近邻距离,若候选故障类合成样本更靠近正常类样本集合,则将相应样本作为边界样本或噪声样本剔除:
75、
76、其中,表示样本到原始故障类样本集合的平均近邻距离,表示样本到原始正常类样本集合的平均近邻距离;
77、步骤5.3.2、设正常类样本数量为,故障类样本数量为,目标平衡比例为
r,则需要生成的故障类合成样本数量为:
78、
79、若合成样本数量未达到,则从综合评分较高、风险较低、连续性较好的连接线中补偿生成,再与步骤1所得数据集中的训练数据合并,形成平衡数据集。
80、本发明的有益效果是:本发明基于过采样分类的工业设备故障预测方法,通过多重质量控制生成高质量的工业设备故障类平衡数据集,有效克服了设备运行数据中故障样本稀缺、类边界模糊和噪声干扰的负面影响,避免了合成样本落入正常类密集区域,从而显著提升了工业设备早期故障、弱故障及边界故障的识别准确率与灵敏度,增强了预测模型的泛化能力与稳定性,实现了对设备异常状态的提前精准预警,有效减少非计划停机并提高运行安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com