电子设备故障诊断系统的制作方法

本发明是关于人工神经网络的时间点过程领域中对电子设备进行故障诊断，提出使用两个循环神经网络(recurrentneuralnetwork,rnn)来建模时序点过程，用循环神经网络点过程条件强度函数对电子设备的故障进行诊断的系统。

背景技术：

随着现代工业及科学技术的迅速发展，生产设备日趋大型化、高速化、自动化和智能化，这类系统一旦发生故障就有可能引起灾难性事故，造成人员和财产的巨大损失。现代工业生产过程的日趋大型化、集成化和精细化，结构越来越复杂。为了维护各种器件及设备，人们必须借助计算机来找出电路的故障，模拟电路故障诊断已成为大规模集成电路课题中令人瞩目的一个课题。模拟电路的故障诊断和定位问题不仅引起广泛的关注，而且是国内外专家设计和使用电子系统的一大难题，对于大规模模拟电路，由于所含元件较多，诊断比较复杂，其中大规模非线性复杂电路容差情况下的故障即软故障诊断，也是困扰广大科学工作者的难题。迄今为止，很少有文献对软故障即容差电路的诊断给出系统而有效的方法，特别是大规模模拟电路的故障诊断。随着机械设备、电子系统自动化和智能化程度的提高，检测与故障诊断的水平也不断提高，对电子设备的故障诊断技术有了更高的要求。工业控制系统的故障主要有传感器故障、控制器故障、执行器故障和被控过程元部件故障。根据故障发生的形式，可以把故障分为加性故障和乘性故障。故障诊断有两种涵义，一种指利用某些专用的仪器来检测某些机器设备的运转是否正常：另一种是指由计算机利用系统的解析冗余完成工况分析，对生产是否正常，何时什么原因引起的故障，故障的程度如何等问题进行分析、判断，得出结论。目前常用的故障诊断技术一般指后者。故障诊断的主要内容是分离出发生故障的部位、判断故障的种类、估计出故障的大小与发生的时间、进行评价与决策。通常，故障检测比较容易，并且花费的时间较短。相反，故障诊断则是比较困难，需要花费更多的时间，以便正确的分离出故障的部位并精确的估计出故障的大小。故障诊断的任务，由低级到高级可分为四个方面的内容：(1)故障建模：按照先验信息和输入输出关系，建立系统故障的数学模型，作为故障检测与诊断的依据。(2)故障检测：从可检测和不可检测的估计变量中，判断运行的系统是否发生故障，一旦系统发生意外变化，应发出报警。(3)故障的分离和估计：如果系统发生了故障，给出故障源的位置，区别出故障原因是执行器故障、传感器故障或被控对象故障等还是特大扰动。故障估计是在弄清故障性质的同时，计算故障的程度、大小及故障发生的时间等参数。(4)故障的分类、评价与决策：判断故障的严重程度，以及故障对系统的影响和发展趋势，针对不同的工况采取不同的措施，其中包括保护系统的启动，系统重构和容错等。提高系统的可靠性与安全性的一个重要的途径就是对系统的运行过程进行实时的故障检测与诊断，从而实现容错控制并对灾难性故障进行预警和采取相应的故障控制措施。传统的工业控制系统故障诊断方法往往要求建立准确的被诊断对象的数学模型，而实际上，由于控制系统是电子、机械、软件及其它因素的复合体，控制系统故障具有复杂性和非线性等问题，难以准确建立数学模型；当电子系统的某个环节发生故障或异常时，若不及时处理，就可能引起故障扩大并导致重大事故的发生。因此建立高效的、准确的实时故障诊断方法，消除故障隐患，及时排除故障，确保安全、平稳、优质的生产和工作，已成为整个生产及电子系统工作过程的关键所在。在工程实际中存在着大量的多故障、多过程、突发性故障及需要对庞大机器或工程系统进行监测和诊断。由于神经网络具有自学习和能拟合任意连续非线性函数的能力，应用神经网络理论和方法进行工业控制系统的故障诊断的研究，已成为热门研究课题。大量的研究成果表明神经网络故障诊断技术为工业控制系统的故障诊断问题提供了新的途径。神经网络诊断方法主要用于，采用神经网络产生残差、采用神经网络作进一步诊断、采用神经网络作自适应误差补偿以及采用模糊神经网络进行故障诊断。

针对设备故障诊断评估，关键点在于针对连续时间域上的异步事件序列进行有效建模。时序点过程可以对众多真实场景中产生的数据建模，例如设备故障日志，地震的位置和震级等等。这些数据都是多维异步事件数据，它们互相影响并在连续时间域上呈现出复杂的动态规律。与同步时间序列等间隔采样形成的离散特性不同的是，异步事件的时间戳处于连续时间域。而时序点过程已经成为该问题的一种重要的解决方法。时序点过程经常被用于未来事件的预测和因果关联关系的发现，这两个任务一定意义上对应机器学习中的两个核心问题：预测的准确性和模型的可解释性。例如参数化时序点过程模型大多数都是通过优化对数似然函数或者其下界来达到模型学习的目的。针对连续时间域上的异步事件序列建模问题，时序点过程已经成为一种重要的解决方法。以机器学习的视角来看，时序点过程的发展可以分为两个方向：传统统计点过程和深度点过程。统计点过程有多种点过程函数形式，其建模的成功往往依赖于正确的模型选择。由于其函数形式和参数表示一般具有一点物理意义，统计点过程具有更强的解释性，对于样本数量的依赖也较小。相比之下，深度点过程(亦被称为神经点过程)利用神经网络的强大容量，通过大规模数据，试图学习拟合能力更强的模型，并减少对先验知识的依赖，而一定程度上牺牲了模型解释性。

点过程中的参数化方法拥有明确的强度函数形式，建模前需要人工预先确定相应的强度函数形式。点过程的参数化形式的一个主要限制是其对任意分布事件数据的专门化和有限的表达能力，这些数据趋向于过度简化，甚至无法在实际应用中捕获问题的复杂性。此外，由于模型选择的错误判断，它存在模型不合适的风险。在先验知识匮乏、数据分布复杂的情形下点过程在挖掘隐藏的事件规律从而对未来事件做出预测的性能较低。随着深度神经网络的发展，深度学习技术在多个领域展现出强大的能力，点过程和深度学习技术的融合已成为大势所趋。

目前基于信号处理的方法通常是利用信号模型，如相关函数、频谱、自回归滑动平均、小波变换等，直接分析可测信号，提取诸如方差、幅值、频率等特征值，从而检测出故障。基于解析模型的方法是在明了诊断对象数学模型的基础上，按一定的数学方法对被测信息进行处理诊断，它可分为状态估计法、等价空间法和参数估计法、基于知识的故障诊断方法，专家系统故障诊断方法、模糊故障诊断方法、故障树故障诊断方法、神经网络故障诊断方法、数据融合故障诊断方法；对于在线监视或诊断系统，数据库的内容是实时监测到的工作数据；对于离线诊断，可以是故障时检测数据的保存，也可以是人为检测的一些特征数据，即存放推理过程中所需要和产生的各种信息知识库：存放的知识可以是系统的工作环境，系统知识(反映系统的工作机理及结构知识)；规则库则存放一组组规则，反映系统的因果关系，用来故障推理。知识库是专家领域知识的集合。根据获取的信息综合运用各种规则进行故障诊断，输出诊断结果是专家系统的组织控制结构。当前的控制系统变得越来越复杂，不少情况下要想获得系统精确数学模型是非常困难的，而基于知识的方法不需要精确的数学模型，因此，具有很好的应用前途。基于专家系统的故障诊断方法是人工智能领域最活跃的一个分支，它已广泛的应用于过程监测系统。这种方法不依赖于系统的数学模型，而是根据人们长期的实践经验和大量的故障信息知识，设计出一套智能计算机程序，以此，来解决复杂系统的故障诊断问题。专家系统故障诊断局限性依赖于专家的领域知识获取，而知识获取被公认为专家系统研究开发中的瓶颈问题。另外，在自适应学习，学习能力及实时性方面也都存在不同程度的局限。模糊故障诊断方法建立故障与征兆之间的模糊关系矩阵r，也叫隶属度矩阵。矩阵中的每个元素的大小表明了它们之间的相互关系的密切程度。模糊故障诊断构造隶属函数是实现模糊故障的前提，但是由于隶属函数是人为构造的，含有一定的主观因素；另外，对特征元素的选择也有一定的要求，如果选择不合理，诊断精度会下降，甚至诊断失败。逻辑推理诊断法：从上而下的测试方法，从故障数顶事件开始，先测试最初的中间事件，根据中间事件测试结果判断测试下一级中间事件，直到测试底事件，搜寻到故障原因及部位。故障树法的局限性在于对建造正确合理的故障树的依赖。如果一旦故障树建立不全面或不正确，则此诊断方法将失去作用。由于神经网络具有处理复杂多模式及进行联想、推测和记忆功能，基于神经网络的故障诊断方法非常适合应用于故障诊断系统。它具有自组织、自学习能力，能克服传统专家系统当启发式规则未考虑到时就无法工作的缺陷。神经网络故障诊断法的神经网络故障诊断学习过程：是在一定的标准模式样本的基础上，依据某一分类规则来设计神经网络分类器，并进行训练。诊断过程是将未知模式放入训练的分类器来进行诊断未知模式的故障类别。预处理和特征提取学习和诊断两个过程都包括了预处理和特征提取。预处理：通过删除原始数据中的无用信息得到另一类故障模式，由样本空间映射成数据空间，再通过某种变换使其有利于故障诊断。特征提取：对要诊断的对象从获得的数据来看，一般可看作一组时间序列。通过对该时间序列的分段采样，可以将输入数据映射成样本空间的点。这些数据可能包含故障的类型、程度和位置等信息。但从样本空间看，这些特征信息的分布是变化的，因此，一般不能直接用于分类。需经合适的变化来提取有效地故障特征。常用于故障诊断分类的神经网络有：bp网络、双向联想记忆(bam)网络、自适应共振理论神经网络与其他故障诊断方法的结合与专家系统相结合。对于大规模复杂网络，如果直接将每一个具体的元件故障信息存入神经网络中，则存在信息量过于庞大的问题，对其诊断的神经网络结构会更复杂，影响诊断速度。神经网络故障诊断的局限性在于训练样本获取困难，忽视了领域专家的经验知识，网络权值形式表达方式难以理解。数据融合故障诊断法的数据融合是利用计算机对来自多个传感器的信息按一定的准则加以自动分析和综合的数据处理过程，以完成所需要的决策和判定。

技术实现要素：

本发明的发明目的在于：针对上述存在的问题，提供一种能够减少对先验知识的依赖及其复杂学习算法的设计工作量，并能避免传统点过程模型的模型选择不合适造成的风险，用循环神经网络点过程条件强度函数进行电子设备故障诊断的系统。

为实现上述发明目的，一种电子设备故障诊断系统，包括：顺次串联在两个数据库之间的数据预处理模块、点过程循环神经网络模块和故障预测模块，其特征在于：数据预处理模块从第一数据库中提取出采集好的数据，过滤筛选读取电子设备id号、电子设备发生故障或者正常的时间与设备故障类型，将电子设备的故障与正常的时间转换为时间戳；点过程循环神经网络模块把点过程的条件强度函数解释为非线性映射，将经过数据预处理模块预处理的数据输入进时间序列和故障事件序列中，并送入到融合了来自两个长短期记忆神经网络lstm网络信息的嵌入映射层的网络中，lstm采用均匀间隔的长度为t的时间序列来模拟故障事件发生的背景强度，并用长度为n故障事件序列学习长期事件依赖关系进行训练和识别，得到测试结果，将测试结果的时间序列和故障事件序列融入循环神经网络rnn嵌入层，将rnn作为复合神经网络协同建模，复合神经网络预测模型基于循环神经网络点过程条件强度函数对故障进行预测，通过故障预测模块的预测层输出预测故障类型、故障事件的子类型和故障事件关联的预测故障时间戳，将预测的故障时间戳和故障类型的结果存储在第二数据库中。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

(1)具有很强的信息综合能力。本发明采用包含时间序列和故障事件序列rnn并融合进嵌入层的点过程循环神经网络模块和包含了故障时间预测层和故障事件预测层的故障预测模块，同时处理大量不同类型的输入信息，利用神经网络rnn(recurrentneuralnetwork)的强大容量，通过大规模数据，试图学习拟合能力更强的模型很好地解决了输入信息之间的互补性与冗余性问题。

(2)本发明采用数据预处理模块从数据库中将采集好的数据进行提取，经过过滤筛选读取电子设备id号、设备发生故障或者正常的时间与设备故障类型，将设备的故障与正常的时间转换为时间戳；通过故障事件类型和故障时间戳预测输出层的整个模型，融合时间序列和故障事件序列lstm实例化点过程的条件强度函数，并模拟其背景和处理历史事件。可以实现端到端地训练，自动提取特征。

(3)本发明采用点过程循环神经网络模块把点过程的条件强度函数解释为非线性映射，其由两个采用长短期记忆神经网络(lstm)进行训练的rnn作为其复合神经网络协同建模，并从数据库中经过数据预处理和特征提取分别将数据输入进时间序列和故障事件序列中再一起连接到一个嵌入映射层的网络中，将长短期记忆网络lstm(longshort-termmemory)作为时间递归神经网络(rnn)，这种非线性和动态映射的自然方式，解决了长序列训练过程中的梯度消失和梯度爆炸问题。以便在没有任何先验知识的情况下对非线性强度映射进行建模。相比普通的rnn，lstm能够在更长的序列中有更好的表现。

(4)本发明使用均匀间隔的长度为t的时间序列来模拟故障事件发生的背景强度，并用长度为n故障事件序列以学习长期事件依赖关系，利用两个lstm分别对时间序列和故障类型序列分别建模，减少了对先验知识的依赖。使得故障诊断预测准确性得到了显著提升，并且获得的故障信息也更加多样化。

(5)本发明使用预测层输出预测的主类型、故障事件的子类型和故障事件关联的时间戳，将预测的故障时间戳和故障类型的结果存储在数据库中，减少了参数或者半参数点过程模型及其复杂学习算法的设计工作量，简化了模型，避免了传统点过程模型的模型选择不合适造成的风险。

附图说明

图1是本发明基于循环神经网络点过程条件强度函数的故障诊断系统各模块协作流程图；

图2是本发明时间序列和故障事件序列协同建模的示意图；

图3是本发明时间序列和故障事件序列的lstm的示意图；

图4是以lstm为例的点过程循环神经网络模块和故障预测模块示意图。

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

具体实施方式

参阅图1。在以下描述的优选实施例中，一种电子设备故障诊断系统，包括：顺次串联在两个数据库之间的数据预处理模块、点过程循环神经网络模块和故障预测模块，其特征在于：数据预处理模块从第一数据库中提取出采集好的数据，过滤筛选读取电子设备id号、电子设备发生故障或者正常的时间与设备故障类型，将电子设备的故障与正常的时间转换为时间戳；点过程循环神经网络模块把点过程的条件强度函数解释为非线性映射，将经过数据预处理模块预处理的数据输入进时间序列和故障事件序列中，并送入到融合了来自两个长短期记忆神经网络lstm网络信息的嵌入映射层的网络中，lstm采用均匀间隔的长度为t的时间序列来模拟故障事件发生的背景强度，并用长度为n故障事件序列学习长期事件依赖关系进行训练和识别，得到测试结果，将测试结果的时间序列和故障事件序列融入循环神经网络rnn嵌入层，将rnn作为复合神经网络协同建模，复合神经网络预测模型基于循环神经网络点过程条件强度函数对故障进行预测，通过故障预测模块的预测层输出预测故障类型、故障事件的子类型和故障事件关联的预测故障时间戳，将预测的故障时间戳和故障类型的结果存储在第二数据库中。

数据预处理模块从系统第一数据库中将电子设备采集好的数据进行提取，过滤掉其他不需要的信息，留下该电子设备的id号、电子设备发生故障或者正常的时间与电子设备故障类型，将电子设备的故障与正常的时间转换为时间戳，标识某一时刻的时间，并根据不同的电子设备故障或正常类型进行数字编码。若电子设备发生了故障则记为1，若是电子设备正常则记为0，此外若出现了其他的故障子类型则继续从2进行编码，如锁定、保留等。

时间序列循环神经网络rnn可以看作一种属性特征，类似于强度函数中的背景函数，可以实时跟踪自发背景；而故障事件序列循环神经网络rnn表示的是一种历史事件的依赖。

点过程循环神经网络模块其两个循环神经网络rnn作为其复合神经网络协同建模，其中一个循环神经网络rnn建模时间序列，用于表示实时连续更新的动态变量，例如电子设备温度、电压等连续变化数据；另一个循环神经网络rnn建模故障事件序列，用于表示不定期发生的时间，例如电子设备突发故障等发生间隔不等的特征。

点过程循环神经网络模块将数据输入进两个长短期记忆神经网络lstm网络中，把两个长短期记忆神经网络lstm网络一起连接到一个嵌入映射层，该映射层融合了来自两个lstm网络的信息。

长短期记忆神经网络lstm是rnn的一种变形。rnn采用长短期记忆神经网络lstm进行训练，使用均匀间隔的长度为t的时间序列来模拟故障事件发生的背景强度，并用长度为n故障事件序列来学习长期事件依赖关系，其中，表示事件e在时间戳t下发生的状况。

故障预测模块包括了故障时间预测层和故障事件预测层，通过嵌入层的输出后，然后使用预测层输出预测的主类型、故障事件的子类型和故障事件关联的时间戳，对于故障事件预测，故障事件预测层使用常用的分类度量标准，使用平均绝对误差(mae)来测量预测时间点和实际时间点之间的绝对差值，将故障时间预测的结果和故障类型的结果存储在第二数据库中。在故障事件预测层中最终输出是没有分层结构的故障事件的子类型。

参阅图2。在时间序列和故障事件序列协同建模中，使用电子设备时间标识符和电子设备故障类型的编码标识符，将故障事件类型和电子设备id和故障时间戳同时存入第一数据库，其中，循环神经网络rnn的故障事件序列在t时间数轴的第一列代表电子设备的id号，第二列表示电子设备发生故障或是正常的时间戳，第三列表示该电子设备在此时间戳下发生的故障类型；每一行则是表示了某一电子设备在某一故障类型下发生故障的时间戳，并用故障事件发生的时间序列来学习长期故障事件的依赖关系。

参阅图3。在lstm神经网络中有输入门、输出门和遗忘门，三个控制门，这些门是一种让信息选择式通过的系统，并让网络记住信息和控制lstm中储存信息的存储单元，将包含一个sigmoid激活函数和逐点乘法运算组成的存储单元与神经网络的其他部分的边缘处设定权值。而输出门通过训练，学习何时让激活状态传出存储单元，当其输出值为1时，神经网络的其他部分将内容写入存储单元；遗忘门学习何时让上一个时刻的存储单元信息传入下一个时刻的存储单元内，即决定丢弃上一个单元的什么信息；当遗忘门打开时，系统连接的权值为1，存储单元将内容写入自身；当遗忘门输出为0，存储单元会删除之前存储的内容，相应的，对于后传递，输出门学习何时让错误信息流入存储单元，输入门学习何时让错误信息流出存储单元。

sigmoid函数输出是代表不许任何量通过的0到表示允许任意量通过的1之间的值，描述每个部分有多少量可以通过。就前向传递而言，输入门通过训练学习来决定何时让激活状态传入存储单元，当其输出值为1时，神经网络的其他部分读取存储单元。

时间序列和故障事件序列的长短期记忆网络lstm(longshort-termmemory)是一种时间递归神经网络(rnn)，单隐藏层神经网络是输入和输出中间有一个隐层，即输入层的输出是隐层的输入，隐层的输出和对应权重的乘积是输出层的输入，输出层的输出才是最终的输出。一层隐层网络是一层特征层次，每一个神经元可以类似看作一个特征属性。长短期记忆网络lstm输入t-1时刻的旧细胞状态ct-1，通过门控循环单元循环节点将sigmoid激活函数σ向量传输至遗忘门ft与旧细胞状态ct-1旧细胞状态逐点乘法相乘运算来丢弃一部分信息，然后将tanh层与sigmoid层的输出值相乘，加上需要更新的向量和得到新的细胞状态ct。

遗忘门ft读取上一序列隐藏层输出ht-1，根据时间t处本序列的输入的向量xt和细胞状态ct-1，通过sigmoid激活函数得到上一层细胞状态内需要丢弃和保留的内容，输入门it在tanh层创建一个新的候选值向量遗忘门ft与旧细胞状态ct-1相乘，然后加上需要更新的得到新的细胞状态ct。

通过上一序列隐藏层输出ht-1和时间t处本序列的输入的向量xt相加后的向量和通过σ层，经输出门ot输出值要乘到tanh层的输出上，起到一个缩放的作用，并输出时间t处隐藏层ht在0到1之间的数值，其中，0代表不许任何量通过，1表示允许任意量通过。

本实施例采用的长短期记忆网络lstm如下计算公式计算出遗忘门ft、输入门it、输出门ot、细胞状态ct、隐藏层输出ht：

ft＝σ(wfcct-1+wfhht-1+wfxxt+bf)

it＝σ(wicct-1+wihht-1+witxt+bi)

ot＝σ(wocct+wohht-1+woxxt+bo)

ct＝ftct-1+it⊙tanh(wchht-1+wcxxt+bc)

ht＝ot⊙tanh(ct)

将上述长短期记忆网络lstm简化为：(ct,ht)＝lstm(ct-1,ht-1,xt)

其中，σ是sigmoid函数ht-1w代表ht-1，ct为新细胞状态，ct-1为旧细胞状态，⊙代表逐元素相乘，向量xt和的可学习的参数权重矩阵，b代表各个门和细胞状态的偏置项。

本系统采用的lstm计算公式如下：

ft＝σ(wfcct-1+wfhht-1+wfxxt+bf)

it＝σ(wicct-1+wihht-1+witxt+bi)

ot＝σ(wocct+wohht-1+woxxt+bo)

ct＝ftct-1+it⊙tanh(wchht-1+wcxxt+bc)

ht＝ot⊙tanh(ct)

将上述lstm简化为：(ct,ht)＝lstm(ct-1,ht-1,xt)，其中，⊙代表逐元素相乘，σ是sigmoid函数xt为t时刻的输入，w代表隐藏层ht-1、新细胞状ct和旧细胞状ct-1的可学习的参数权重矩阵，b代表各个门和细胞状态的偏置项。

参阅图4。循环神经网络模块包含：嵌入映射层et，顺次相连的故障事件序列的输入层，故障事件序列的嵌入层和故障事件序列的lstm，以及时间序列输入层相连时间序列的lstm，故障事件序列的输入层和时间序列输入层从数据库中获取故障事件序列和时间序列数据后，将数据输入进时间序列的lstm和故障事件序列的lstm两个lstm中，两个lstm一起连接到一个嵌入映射层et，映射层et融合了来自两个lstm的信息送入故障预测模块，通过如下计算公式计算网络点过程强度函数：

其中，表示在事件e下的细胞状态，表示时间戳s下的细胞状态，et表示嵌入映射层，we表示权重，和分别表示时间t处时间序列和事件序列隐藏层的输出信号，et表示故障事件序列的输入，st表示时间序列的输入信号，be代表偏置项。

故障预测模块包括，故障时间戳预测层，顺次相连的故障事件主类型预测层和故障事件子类型预测层，故障时间预测层，故障事件主类型预测层和故障事件子类型预测层和故障时间戳预测层分别输出预测的主类型、故障事件的子类型和故障事件关联的时间戳，输入信号从输入层通过作用函数后，逐层向隐含层、输出层传播，故障预测模块得到嵌入映射层的输出后，在故障事件预测层中最终输出是没有分层结构的故障事件的子类型。其主要的计算公式如下：

mt＝sotfmax(wmet+bm)

mt＝softmax(wm[et,mt]+bm)

yt＝wyet+by

其中，mt和mt分别表示t时刻故障事件的主要类型和子类型，yt表示每个故障事件关联的时间戳。softmax表示softmax函数，wm、wm和wy分别代表故障主类型、故障子类型和故障时间的权重，bm、bm和by分别代表故障主类型、故障子类型和故障时间的偏置项，et表示t时刻嵌入层的输出。

本系统采用bert版本的adam(adaptivemomentestimation)方法求取目标函数的最小值，目标函数如下：

其中，n为训练样本个数，和分别表示样本j故障主类型和故障子类型的权重，和分别表示样本j故障主类型和故障子类型，是当前事件的时间戳，表示历史事件的信息。

为了事件类型进行较为准确地分类，并提高相应的故障事件时间戳应该接近真实情况，系统给定样本j的实际时间戳的情况下，计算来自故障时间戳预测层的输出采用高斯罚函数计算公式如下：

其中，σ²＝10，表示历史事件的信息，表示样本j的实际的故障时间，为预测的故障时间结果。

对于故障事件预测，使用常用的分类度量标准，而故障时间预测的结果使用平均绝对误差(mae)来测量预测时间点和实际时间点之间的绝对差值。最后，将预测的故障时间戳和故障类型的预测结果存储在数据库中。

实施例

本系统进行故障诊断和预测工作时，包括以下步骤：

首先从系统数据库中将设备采集好的数据进行提取，过滤掉其他不需要的信息，留下该设备的id号、设备发生故障或者正常的时间与设备故障类型。读取完成后，将设备的故障与正常的时间转换为时间戳，标识某一时刻的时间，并根据不同的设备故障或正常类型进行数字编码。若设备发生了故障则记为1，若是设备正常则记为0，此外若出现了其他的故障子类型则继续从2进行编码，如锁定、保留等。其中，第一列代表设备的id号，第二列表示设备发生故障或是正常的时间戳，第三列表示该设备在此时间戳下发生的故障类型；每一行则是表示了某一设备在某一故障类型下发生故障的时间戳，将设备id、设备故障时间戳和故障事件类型存入数据库中，如下表所示：

表1故障时间

第二步，将数据分别输入进入一个时间序列和一个故障事件序列中。在本系统采用lstm表示序列，可以替换为其他神经网络方法。之后通过时间序列的lstm和故障事件序列的lstm分别计算之后，将它们融合并一起连接到一个嵌入映射层。在本系统中设置大小为32的单层lstm，其中sigmoid和tanh用于隐藏表示。嵌入映射层是全连接，使用tanh函数并输出16维向量。对于时间序列rnn，本系统将每个子窗口的长度(即均匀间隔的时间间隔)设置为10天，对于故障事件依赖性，事件序列的长度可以任意长度。通过对lstm的训练，获取神经网络各层间权重信息，并基于训练好的层间权重信息的得到当前输入的两个lstm序列的输出信息；

第三步，通过嵌入映射层的输出的值，使用预测层输出故障的主类型、故障事件的子类型和关联的故障时间戳，得到故障事件的类型和故障时间戳结果存入数据库。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。