基于信息物理融合的智能单元体混合决策模型的分类方法

1.本发明属于智能制造领域，用于工业设备的故障检测等，涉及在多个复杂工况环境下的故障检测和信息分类方法，具体涉及基于信息物理融合的智能单元体混合决策模型。


背景技术：

2.智能制造是我国国家创新的主战场，尤其随着人工智能、机器人、工业互联网、数字工厂等领域的快速发展，我们智能制造产业取得了快速发展。不管在总体规模还是质量水平上都在不断增强。但是随着技术的快速发展，如何作好技术转换，在原有设备基础上引进新技术新方法是当前需要解决的主要问题。尤其对于一些重型高危行业，如何优化产业布局，提高设备利用率，减少设备故障率等问题是新一代智能制造需要首要解决的问题。
3.在复杂工业环境下，能够维护工业设备保持稳定运行状态是非常重要的。在复杂环境下设备常常面临着许多问题，但是仅仅依靠人工去检查设备的运行状态费事费力。我们希望在现有设备的基础上，通过增加传感器或者检测设备收集数据，然后通过人工智能技术对设备进行故障分析和提前预警。这将极大的减少在高危环境下人员的利用，并减少事故发生率。


技术实现要素：

4.本发明目的是提供一种准确度高，容错率低且具有可解释性的设备故障预测方法，以减少人力资源的浪费，实现智能化工厂。
5.本发明为实现上述目的所采用的技术方案是：
6.基于信息物理融合的智能单元体混合决策模型的分类方法，包括以下步骤：
7.通过不同传感器采集智能单元体的多维度信息，建立多维度信息数据库；
8.根据智能单元体的不同工况，对多维度信息数据库中的多维度信息进行清洗并分类，并对其赋予标签；
9.构建多个分类器模型，将带有标签的多维度信息分别输入不同的分类器模型，进行初步筛选，得到同一多维度信息在不同分类器模型下的不同准确度；
10.选取同一多维度信息在不同分类器模型下准确度最高的若干个分类器模型进行融合决策，得到混合决策模型；
11.将智能单元体采集得到的多维度信息输入混合决策模型进行智能单元体故障预测，预测得到智能单元体是否故障。
12.所述多维度信息包括：智能单元体的温度信息、文字信息、语音信息、图像信息、运行时间。
13.所述标签用于区分智能单元体的不同工况，所述智能单元体的不同工况包括：智能单元体正常、智能单元体警告、智能单元体异常。
14.所述分类器模型包括：朴素贝叶斯、伯努利贝叶斯、k近邻分类器、决策树、逻辑回
归、sgd分类器。
15.所述选取同一多维度信息在不同分类器模型下准确度最高的若干个分类器模型进行融合决策，包括以下步骤：
16.使用硬投票方式或软投票方式对同一多维度信息在不同分类器模型下准确度最高的若干个分类器模型进行融合；
17.使用spearman秩相关系数计算各多维度信息之间的相关性，将相关性大于或等于阈值的多维度信息进行降维处理，将相关性小于阈值的多维度信息与降维后的多维度信息重新组合；
18.调整各分类器模型投票的权重即投票值；
19.将重新组合后的多维度信息分别输入混合后的各分类器模型，得到各模型预测输出结果。
20.投票分类中，各分类器模型的成功率＝sum(某类多维度信息分类成功率*某类多维度信息投票值)/某类多维度信息个数；
21.各分类器模型的总成功率为＝sum(各分类器模型的某类多维度信息的成功率*各模型的投票值)/某类多维度信息。
22.本发明具有以下有益效果及优点：
23.本发明解决当下复杂工业环境下，设备故障检测准确率低、检测模型解释性不强等问题。利用多模型混合决策极大地提高设备故障的检测准确率，并可以及时预警以减少设备故障发生率。同时，我们在初始阶段用多种可解释的机器学习模型进行预选，然后通过筛选得到三种表现最好的模型进行模型混合，使得计算量得到极大的缩减。同时使用简单的投票方式进行混合决策具有可解释性。值得注意的是，我们的模型故障预测输出概率可以映射到设备的损伤率。有利于我们分析设备的使用，优化生产布局。
附图说明
24.图1为本发明的总体流程图；
25.图2为本发明生产流程图。
具体实施方式
26.下面结合附图及实施例对本发明做进一步的详细说明。
27.本发明提出一种用于复杂工况下，基于多维度数据的信息混合决策模型。通过朴素贝叶斯，k近邻分类器和决策树分类器的融合对复杂工况下的设备故障进行检测，并可以对多种信息进行分类。
28.如图1所示，主要包括以下步骤：
29.步骤1：开始，这里需要有完整的工业环境，包括感知、分析、决策、执行模块。
30.步骤2：数据收集、清洗、编码、标签。
31.运用传感器获取工业设备正常状态下，异常状态下，检修预警状态下的数值，通过数据清洗得到我们需要的数据，并对一些数据进行可理解的编码，然后对数据进行打标签。
32.步骤3：构建多个分类器模型，并通过建立的多个分类器对数据进行预测，当故障准确率低于设定值时，我们需要进行下一步。
33.步骤4：利用多个分类器对设备进行预测，观察是否单模型预测就能达到性能要求；
34.步骤5：当单模型无法对故障预测达到一个满意的结果，我们需要利用多模型混合决策来提高模型性能。一般来说，不同模型检测的侧重点不同，因此模型混合可以极大的提高模型效率。
35.步骤6：结束。
36.智能单元体为工业设备，基于信息物理融合的智能单元体混合决策模型的检测分类方法，包括以下六个步骤：
37.s1、搭建智能体，包括数据感知、分析、决策、执行等环节；
38.s2、运用各类传感器、检测装置收集多维度信息建立多维度信息数据库；
39.s3、对建立的数据库进行分类，制作标签便于模型训练；
40.s4、构建多种分类模型，统一输入/输出方便混合模型；
41.s5、利用朴素贝叶斯、伯努利贝叶斯、k近邻分类器、决策树、逻辑回归、sgd分类器进行初步分类筛选；
42.s6、利用上述多种分类器分类准确度选取若干分类器(这里选取三个)进行融合模型混合决策。
43.步骤s2包含以下子步骤：
44.s21、传感器或者其他检测装置收集的多维度信息不一定都是数值信息，因此我们需要提前对所收集的信息进行统一编码，对于电压、电流等数值型数据可直接用于模型，但是对于文字性描述，我们需要进行数值化描述。
45.步骤s3包含以下子步骤：
46.s31、在制作标签时，我们需要注意的是清洗数据，因此前一步收集的传感器数据包含一些不利于分类的因素，我们需要手工剔除。
47.步骤s5包括以下子步骤：
48.s51、将多维度信息进行分类，初步可仅做三分类，即异常、警告、正常。
49.s52、对于分类器准确率可以手工设置，我们可以对异常值的判断要严格一些，这样可以减少事故的发生提前作出检修。
50.s53、分别统计朴素贝叶斯、伯努利贝叶斯、k近邻分类器、决策树、逻辑回归、sgd分类器在训练过程中预测异常检测正确的训练样本个数，除以训练样本总数即为算法分类的异常准确度，记为a
al
。训练过程中预测警告样本个数除以训练样本总数为算法检测警告准确度，记为b
al
。训练过程中预测正常样本个数除以样本训练总数为算法预测正常准确度记为c
al
。
51.图2为本发明生产流程图，根据预测准确度选取若干分类器(这里选取朴素贝叶斯、k近邻分类器、决策树)，步骤s6包括以下子步骤：
52.s61、通过各部分零件(模块)运行时间、设备使用时间、以往异常、设备按键次数、能耗增益、电压、电流、气阀流量提取出关键指标；
53.s62、利用硬投票和软投票进行多模型融合进行决策。
54.s63、选择spearman秩相关系数来确定指标之间的相关性，并对筛选出的相关性强的指标利用主成分分析方法(pca)进行降维处理，重新组合新的相互无关的综合变量。
55.s64、经过硬投票和软投票以后确定一种适合当下工况环境的决策方式，经大量实验验证，软投票的实验结果在各项指标上均好于硬投票。
56.s65、我们侧重的评价指标是设备异常现象的准确率，因此需要单独对各个模型分类结果进行分析。朴素贝叶斯对异常值检测准确度更加敏感，但是k近邻分类器对警告数据的预测更加准确，因此我们需要根据我们的需要调整模型投票的权重，人为手动调整权重，目的是平衡各模型权重和参考指标的倾向，例如模型a对指标a’比较敏感，若想要模型a预测值好一点，则加大对模型a的权重。
57.s66、模型融合的条件：个体学习器准确性越高、多样性越大，则融合越好。(e＝e^'-a'，e代表融合后的误差加权均值，e^'代表个体学习器的误差加权均值，a'代表模型的多样性，也就是各个模型之间的分歧值)。基础模型之间的相关性要尽可能的小。这就是为什么非基于树的模型往往表现不是最好但还是要将它们包括在整体里面的原因。整体的多样性越大，最终模型的偏差就越低。基础模型之间的性能表现不能差距太大。这其实是一个平衡，在实际中很有可能表现相近的模型只有寥寥几个而且它们之间相关性还不低。但是实践告诉我们即使在这种情况下整体还是能大幅提高成绩。
58.s67、加权投票机制可以概括为如下：
59.投票分类中，各分类的成功率＝sum(实体分类成功率*实体投票值)/实体个数。
60.假设投票实体数(模型个数)为m，投票分类数为n，
61.各模型对各分类的分类成功率为矩阵：其中，x为分类总数，多少类，y为模型个数。
62.[x00,x01,x02,
…
,x0n]，
[0063]
[x10,x11,x02,
…
,x1n]，
[0064]
[x20,x21,x22,
…
,x0n]，
[0065]
…
[0066]
[xm0,xm1,xm2,
…
,xmn]，
[0067]
在一次投票中，各实体对各分类的投票值为(softmax)：
[0068]
[y00,y01,y02,
…
,y0n]，
[0069]
[y10,y11,y02,
…
,y1n]，
[0070]
[y20,y21,y22,
…
,y0n]，
[0071]
…
[0072]
[ym0,ym1,ym2,
…
,ymn],
[0073]
那么在此次投票中，各分类的总成功率为z＝(各模型的本类的成功率*各模型的投票值)的总和/m：
[0074]
z0＝(x00*y00+x10*y10+...+xm0*ym0)/m；
[0075]
z1＝(x00*y00+x10*y10+...+xm0*ym0)/m；
[0076]
...
[0077]
zn＝(x0n*y0n+x1n*y1n+...+xmn*ymn)/m；
[0078]
即矩阵相乘，列相加。
[0079]
尽管已经示出和描述本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨情况下可以对这些实施例进行多种变化、修改、替换和变现，本发明的范围由权利要求及其同物限定。