基于规则引擎的机电设备故障诊断方法、系统及终端与流程

1.本发明涉及设备监测技术领域，更具体地说，它涉及基于规则引擎的机电设备故障诊断方法、系统及终端。


背景技术：

2.设备故障一般是指设备失去或降低其规定功能的事件或现象，表现为设备生产运行异常，指设备的某些零件失去原有的精度或性能，使设备不能正常运行、技术性能降低，致使设备中断生产或效率降低而影响生产。对于水电厂、钢铁厂、煤矿厂等大型企业均要求对机电设备的运行状态进行健康监测，避免设备故障而引起重大的经济损失。
3.目前，针对机电设备故障诊断已经从传统的模拟分析到大数据分析，主要大数据故障分析技术有基于深度学习神经网络的故障诊断识别，其利用大数据来学习特征，从而刻画大数据丰富的内在信息，实现故障数据和设备故障类别的拟合，最终提升故障分类或预测的精度。然而，现有的机电设备故障诊断大部分是针对单源时序数据进行分析的，少部分是通过对多源时序数据进行分类后进行独立分析。其归根结底都是对单一类别的数据进行分析的，分析过程并未考虑到不同数据之间的关联性，一方面导致故障诊断结果存在偏差，另一方面诊断结果过于单一，无法快速、准确的进行全面分析。
4.因此，如何研究设计一种基于规则引擎的机电设备故障诊断方法、系统及终端是我们目前急需解决的问题。


技术实现要素：

5.为解决现有技术中的不足，本发明的目的是提供基于规则引擎的机电设备故障诊断方法、系统及终端。
6.本发明的上述技术目的是通过以下技术方案得以实现的：
7.第一方面，提供了基于规则引擎的机电设备故障诊断方法，包括以下步骤：
8.获取目标对象的多源时序数据，并对多源时序数据进行分类处理后得到多个独立的单源时序数据；
9.将单源时序数据输入依据深度神经网络构建的相应异常识别模型进行异常识别，得到由多个单源类别组成的异常类别集；
10.将异常类别集分裂出多个异常子集，每一个异常子集包括至少两个单源类别；
11.根据异常子集中各个单源类别的关联性计算得到每个异常子集的故障估算概率，并根据故障估算概率对异常子集降序排列，得到异常序列；
12.根据异常序列的先后顺序从数据库匹配对应异常子集的规则引擎包，并通过规则引擎包依据异常子集所包含的单源时序数据进行故障诊断，得到故障诊断结果和故障诊断概率；
13.当故障诊断概率低于预设阈值时，则选择下一个序号的异常子集进行匹配诊断，直至故障诊断概率超过预设阈值，输出最终的故障诊断结果。
14.进一步的，所述故障估算概率的计算过程具体为：
15.选取异常子集的一个单源类别作为目标类别，剩余的单源类别为关联类别；
16.确定所有关联类别同时发生时目标类别的发生概率；
17.循环确定异常子集中每个单源类别作为目标类别时所对应的发生概率，得到发生概率集；
18.通过均值分析方法对发生概率集处理后得到异常子集的故障估算概率。
19.进一步的，所述故障估算概率的计算公式具体为：
20.p
in
＝[p
in
(1)+p
in
(2)+
…
+p
in
(n)]/n
[0021]
其中，p
in
表示包含n个单源类别的异常子集i所对应的故障估算概率；p
in
(1)、p
in
(2)、p
in
(n)分别表示异常子集i中第1个、第2个、第n个单源类别作为目标类别时所对应的发生概率。
[0022]
进一步的，所述异常子集的故障估算概率依据相应单源类别的权重系数进行权重平均值计算。
[0023]
进一步的，所述单源类别的权重系数依据相应异常子集中各个单源类别所对应的基础因子进行动态更新。
[0024]
进一步的，所述异常子集中单源类别的权重系数更新过程具体为：
[0025]
计算异常子集中各个单源类别的基础因子之和；
[0026]
分析得到各个单源类别的基础因子与基础因子之和的比值，得到相应单源类别的动态系数；
[0027]
将单源类别的动态系数与相应单源类别作为目标类别时的发生概率相乘实现故障估算概率计算。
[0028]
进一步的，所述异常类别集的分裂过程具体为；
[0029]
第一次分裂的异常子集中的单源类别数量与异常类别集中的单源类别数量相同；
[0030]
以每次减少一个单源类别进行逐级降维分裂，直至最后分裂的异常子集中的单源类别数量为2。
[0031]
进一步的，若所有的故障诊断概率均低于预设阈值，则将故障估算概率与故障诊断概率相乘后得到相应异常子集的二次诊断概率，并以二次诊断概率最高的异常子集所对应的故障诊断结果作为最终的故障诊断结果输出。
[0032]
第二方面，提供了基于规则引擎的机电设备故障诊断系统，包括：
[0033]
数据处理模块，用于获取目标对象的多源时序数据，并对多源时序数据进行分类处理后得到多个独立的单源时序数据；
[0034]
异常识别模块，用于将单源时序数据输入依据深度神经网络构建的相应异常识别模型进行异常识别，得到由多个单源类别组成的异常类别集；
[0035]
类别分裂模块，用于将异常类别集分裂出多个异常子集，每一个异常子集包括至少两个单源类别；
[0036]
估算排序模块，用于根据异常子集中各个单源类别的关联性计算得到每个异常子集的故障估算概率，并根据故障估算概率对异常子集降序排列，得到异常序列；
[0037]
匹配诊断模块，用于根据异常序列的先后顺序从数据库匹配对应异常子集的规则引擎包，并通过规则引擎包依据异常子集所包含的单源时序数据进行故障诊断，得到故障
诊断结果和故障诊断概率；
[0038]
循环控制模块，用于当故障诊断概率低于预设阈值时，则选择下一个序号的异常子集进行匹配诊断，直至故障诊断概率超过预设阈值，输出最终的故障诊断结果。
[0039]
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的基于规则引擎的机电设备故障诊断方法。
[0040]
与现有技术相比，本发明具有以下有益效果：
[0041]
1、本发明通过对不同类别之间的异常关联性进行分析，对于同一时刻出现的多种异常数据进行综合分析，依据概率排序先后优先考虑概率较大的可能存在的故障情况，并通过匹配相应的规则引擎包对相应的故障情况进行分析；一方面考虑了多种异常情况，使得异常诊断结果更加全面与准确；另一方面，通过规则引擎包的优先匹配，优先降低了网络资源浪费，提高了故障诊断效率；
[0042]
2、本发明依据异常子集中的异常类别情况对每个单源类别的权重系数进行动态更新，既考虑了不同单元类别所对应故障的严重程度，又可以适应不同单源类别所组成的异常子集，提高不同异常子集的故障估算概率计算精确度。
附图说明
[0043]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0044]
图1是本发明实施例中的流程图；
[0045]
图2是本发明实施例中的系统框图。
具体实施方式
[0046]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0047]
实施例1：基于规则引擎的机电设备故障诊断方法，如图1所示，包括以下步骤：
[0048]
s1：获取目标对象的多源时序数据，并对多源时序数据进行分类处理后得到多个独立的单源时序数据；
[0049]
s2：将单源时序数据输入依据深度神经网络构建的相应异常识别模型进行异常识别，得到由多个单源类别组成的异常类别集；
[0050]
s3：将异常类别集分裂出多个异常子集，每一个异常子集包括至少两个单源类别；
[0051]
s4：根据异常子集中各个单源类别的关联性计算得到每个异常子集的故障估算概率，并根据故障估算概率对异常子集降序排列，得到异常序列；
[0052]
s5：根据异常序列的先后顺序从数据库匹配对应异常子集的规则引擎包，并通过规则引擎包依据异常子集所包含的单源时序数据进行故障诊断，得到故障诊断结果和故障诊断概率；
[0053]
s6：当故障诊断概率低于预设阈值时，则选择下一个序号的异常子集进行匹配诊断，直至故障诊断概率超过预设阈值，输出最终的故障诊断结果。
[0054]
在步骤s4中，故障估算概率的计算过程具体为：
[0055]
s41：选取异常子集的一个单源类别作为目标类别，剩余的单源类别为关联类别；
[0056]
s41：确定所有关联类别同时发生时目标类别的发生概率；
[0057]
s41：循环确定异常子集中每个单源类别作为目标类别时所对应的发生概率，得到发生概率集；
[0058]
s41：通过均值分析方法对发生概率集处理后得到异常子集的故障估算概率。
[0059]
故障估算概率的计算公式具体为：
[0060]
p
in
＝[p
in
(1)+p
in
(2)+
…
+p
in
(n)]/n
[0061]
其中，p
in
表示包含n个单源类别的异常子集i所对应的故障估算概率；p
in
(1)、p
in
(2)、p
in
(n)分别表示异常子集i中第1个、第2个、第n个单源类别作为目标类别时所对应的发生概率。
[0062]
此外，为了考虑不同单元类别所对应故障的严重程度，异常子集的故障估算概率还可以依据相应单源类别的权重系数进行权重平均值计算。
[0063]
另外，为了适应不同单源类别所组成的异常子集，提高不同异常子集的故障估算概率计算精确度，单源类别的权重系数可以依据相应异常子集中各个单源类别所对应的基础因子进行动态更新。
[0064]
异常子集中单源类别的权重系数更新过程具体为：计算异常子集中各个单源类别的基础因子之和；分析得到各个单源类别的基础因子与基础因子之和的比值，得到相应单源类别的动态系数；将单源类别的动态系数与相应单源类别作为目标类别时的发生概率相乘实现故障估算概率计算。
[0065]
异常类别集的分裂过程具体为；第一次分裂的异常子集中的单源类别数量与异常类别集中的单源类别数量相同；以每次减少一个单源类别进行逐级降维分裂，直至最后分裂的异常子集中的单源类别数量为2。
[0066]
需要说明的是，为了确保每次诊断过程都有最终的输出结果，避免因为预设阈值设置过大而导致没有输出结果的情况发生。若所有的故障诊断概率均低于预设阈值，则将故障估算概率与故障诊断概率相乘后得到相应异常子集的二次诊断概率，并以二次诊断概率最高的异常子集所对应的故障诊断结果作为最终的故障诊断结果输出。
[0067]
实施例2：基于规则引擎的机电设备故障诊断系统，如图2所示，包括数据处理模块、异常识别模块、类别分裂模块、估算排序模块、匹配诊断模块和循环控制模块。
[0068]
其中，数据处理模块，用于获取目标对象的多源时序数据，并对多源时序数据进行分类处理后得到多个独立的单源时序数据。异常识别模块，用于将单源时序数据输入依据深度神经网络构建的相应异常识别模型进行异常识别，得到由多个单源类别组成的异常类别集。类别分裂模块，用于将异常类别集分裂出多个异常子集，每一个异常子集包括至少两个单源类别。估算排序模块，用于根据异常子集中各个单源类别的关联性计算得到每个异常子集的故障估算概率，并根据故障估算概率对异常子集降序排列，得到异常序列。匹配诊断模块，用于根据异常序列的先后顺序从数据库匹配对应异常子集的规则引擎包，并通过规则引擎包依据异常子集所包含的单源时序数据进行故障诊断，得到故障诊断结果和故障诊断概率。循环控制模块，用于当故障诊断概率低于预设阈值时，则选择下一个序号的异常子集进行匹配诊断，直至故障诊断概率超过预设阈值，输出最终的故障诊断结果。
[0069]
工作原理：本发明通过对不同类别之间的异常关联性进行分析，对于同一时刻出现的多种异常数据进行综合分析，依据概率排序先后优先考虑概率较大的可能存在的故障情况，并通过匹配相应的规则引擎包对相应的故障情况进行分析；一方面考虑了多种异常情况，使得异常诊断结果更加全面与准确；另一方面，通过规则引擎包的优先匹配，优先降低了网络资源浪费，提高了故障诊断效率。
[0070]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0071]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0072]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0073]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0074]
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。