本發(fā)明屬于設(shè)備故障診斷領(lǐng)域，尤其涉及一種基于人工智能的機(jī)電設(shè)備在線故障診斷的方法及系統(tǒng)。

背景技術(shù)：

故障診斷就是根據(jù)從系統(tǒng)運(yùn)行過程中得到的信息，進(jìn)行分析和判斷，確定系統(tǒng)是否存在故障及存在何種故障的過程。隨著科技的發(fā)展，現(xiàn)在的設(shè)備自身結(jié)構(gòu)和系統(tǒng)自動(dòng)化程度越來越復(fù)雜，這也造成設(shè)備出現(xiàn)故障的可能性和故障種類增加，同時(shí)人們對(duì)于設(shè)備故障的控制和檢測(cè)也越來越困難化，并且由于設(shè)備出現(xiàn)故障帶來的損失也越來越大，設(shè)備的故障檢測(cè)問題越來越受到行業(yè)的重視。

隨著人工智能的快速發(fā)展，基于人工智能和模式識(shí)別的診斷技術(shù)正發(fā)展為新興的故障診斷方法。這種方法包含了推理、學(xué)習(xí)、統(tǒng)計(jì)等功能，但由于當(dāng)前基于人工智能的故障診斷在統(tǒng)計(jì)、學(xué)習(xí)方面的技術(shù)瓶頸，造成診斷偶然性、誤判性嚴(yán)重等問題，無法做到準(zhǔn)確、高效地故障診斷。因此，現(xiàn)有的工智能和模式識(shí)別的診斷技術(shù)有待改進(jìn)和發(fā)展。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的第一目的是提供一種基于人工智能的機(jī)電設(shè)備在線故障診斷的方法。

一種基于人工智能的機(jī)電設(shè)備在線故障診斷的方法，包括：

步驟1：分別采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，所述運(yùn)行狀態(tài)信息包括機(jī)械振動(dòng)信號(hào)、噪聲信號(hào)、設(shè)備運(yùn)行圖像信息及設(shè)備運(yùn)行環(huán)境信息；

步驟2：對(duì)采集到的信息進(jìn)行預(yù)處理，并提取預(yù)處理后信息的特征，構(gòu)建原始特征矩陣；篩選出原始特征矩陣中特征數(shù)據(jù)x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對(duì)原始特征矩陣中特征數(shù)據(jù)進(jìn)行歸一化，其中，X為歸一化后的特征數(shù)據(jù)；

步驟3：利用基于余弦相似度的特征空間降維方法來對(duì)歸一化的原始特征矩陣進(jìn)行降維處理，得到由具有分類信息的n個(gè)特征數(shù)據(jù)構(gòu)成的降維后特征矩陣；其中，n為正整數(shù)；

步驟4：設(shè)置機(jī)電設(shè)備的每種運(yùn)行狀態(tài)對(duì)應(yīng)一個(gè)類別模式，每一個(gè)類別模式具有n個(gè)特征數(shù)據(jù)且對(duì)應(yīng)n維空間的一個(gè)矢量或一個(gè)點(diǎn)；根據(jù)機(jī)電設(shè)備的正常運(yùn)行狀態(tài)信息將每維空間所對(duì)應(yīng)的區(qū)域劃分為一個(gè)類別模式，建立相應(yīng)的故障訓(xùn)練集；

步驟5：實(shí)時(shí)采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，經(jīng)過步驟2-步驟3后獲得降維后的特征矩陣，并與故障訓(xùn)練集進(jìn)行比對(duì)，判斷機(jī)電設(shè)備的運(yùn)行狀態(tài)。

本發(fā)明對(duì)構(gòu)建的原始特征矩陣進(jìn)行歸一化處理后，再基于余弦相似度的特征空間降維方法，降低了特征值之間的相關(guān)性，提高了訓(xùn)練效率和預(yù)測(cè)準(zhǔn)確度，并且可以通過統(tǒng)計(jì)、推理實(shí)現(xiàn)自我學(xué)習(xí)的能力，從而使得對(duì)大型復(fù)雜系統(tǒng)的故障檢測(cè)變得高效可靠。

進(jìn)一步地，該方法還包括：利用基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類。

在構(gòu)建故障訓(xùn)練集的過程中，隨著增量數(shù)據(jù)過大，使得訓(xùn)練時(shí)間很長，對(duì)低配置計(jì)算機(jī)而言很容易出現(xiàn)系統(tǒng)資源不足問題；而且數(shù)據(jù)集更新復(fù)雜，使得新模型向新增樣本集偏斜，使得模型的結(jié)構(gòu)風(fēng)險(xiǎn)加大。通過本發(fā)明的基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，在增量學(xué)習(xí)過程中可以剔除次要因素，加快增量學(xué)習(xí)訓(xùn)練過程，減少訓(xùn)練時(shí)間和空間。

進(jìn)一步地，所述步驟2中對(duì)采集到的信息進(jìn)行預(yù)處理包括消除趨勢(shì)項(xiàng)和平滑濾波。通過預(yù)處理可以對(duì)數(shù)據(jù)進(jìn)行分析加工，因?yàn)椴杉降臄?shù)據(jù)是有一些噪聲跟缺失的，通過本方法的預(yù)處理，可以去除缺失的無效數(shù)據(jù)、減少噪聲數(shù)據(jù)，為后續(xù)的特征提取步驟減少了對(duì)損壞數(shù)據(jù)、不合格數(shù)據(jù)的處理過程，提升了處理效率。

進(jìn)一步地，在步驟2之前，還包括將采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息由模擬量轉(zhuǎn)化為數(shù)字量。采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息均是模擬量，通過模數(shù)轉(zhuǎn)換，可以使模擬信號(hào)轉(zhuǎn)變成可以計(jì)算的數(shù)據(jù)。

本發(fā)明的第二目的是提供一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)。

本發(fā)明的一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)，包括：

信息采集模塊，其用于分別采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，所述運(yùn)行狀態(tài)信息包括機(jī)械振動(dòng)信號(hào)、噪聲信號(hào)、設(shè)備運(yùn)行圖像信息及設(shè)備運(yùn)行環(huán)境信息；

特征矩陣構(gòu)建模塊，其用于對(duì)采集到的信息進(jìn)行預(yù)處理，并提取預(yù)處理后信息的特征，構(gòu)建原始特征矩陣；篩選出原始特征矩陣中特征數(shù)據(jù)x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對(duì)原始特征矩陣中特征數(shù)據(jù)進(jìn)行歸一化，其中，X為歸一化后的特征數(shù)據(jù)；

特征矩陣降維模塊，其用于利用基于余弦相似度的特征空間降維方法來對(duì)歸一化的原始特征矩陣進(jìn)行降維處理，得到由具有分類信息的n個(gè)特征數(shù)據(jù)構(gòu)成的降維后特征矩陣；其中，n為正整數(shù)；

故障訓(xùn)練集建立模塊，其用于設(shè)置機(jī)電設(shè)備的每種運(yùn)行狀態(tài)對(duì)應(yīng)一個(gè)類別模式，每一個(gè)類別模式具有n個(gè)特征數(shù)據(jù)且對(duì)應(yīng)n維空間的一個(gè)矢量或一個(gè)點(diǎn)；根據(jù)機(jī)電設(shè)備的正常運(yùn)行狀態(tài)信息將每維空間所對(duì)應(yīng)的區(qū)域劃分為一個(gè)類別模式，建立相應(yīng)的故障訓(xùn)練集；

運(yùn)行狀態(tài)判斷模塊，其用于實(shí)時(shí)采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，依次經(jīng)過預(yù)處理、構(gòu)建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓(xùn)練集進(jìn)行比對(duì)，判斷機(jī)電設(shè)備的運(yùn)行狀態(tài)。

進(jìn)一步地，該系統(tǒng)還包括：故障訓(xùn)練集更新模塊，其用于利用基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類。

在構(gòu)建故障訓(xùn)練集的過程中，隨著增量數(shù)據(jù)過大，使得訓(xùn)練時(shí)間很長，對(duì)低配置計(jì)算機(jī)而言很容易出現(xiàn)系統(tǒng)資源不足問題；而且數(shù)據(jù)集更新復(fù)雜，使得新模型向新增樣本集偏斜，使得模型的結(jié)構(gòu)風(fēng)險(xiǎn)加大。通過本發(fā)明的基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，在增量學(xué)習(xí)過程中可以剔除次要因素，加快增量學(xué)習(xí)訓(xùn)練過程，減少訓(xùn)練時(shí)間和空間。

進(jìn)一步地，該系統(tǒng)還包括：模數(shù)轉(zhuǎn)化模塊，其用于將采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息由模擬量轉(zhuǎn)化為數(shù)字量。采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息均是模擬量，通過模數(shù)轉(zhuǎn)換，可以使模擬信號(hào)轉(zhuǎn)變成可以計(jì)算的數(shù)據(jù)。

本發(fā)明還提供了另一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)。

該基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)，包括：

信息采集裝置，被配置為分別采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，并傳送至服務(wù)器；所述運(yùn)行狀態(tài)信息包括機(jī)械振動(dòng)信號(hào)、噪聲信號(hào)、設(shè)備運(yùn)行圖像信息及設(shè)備運(yùn)行環(huán)境信息；

服務(wù)器，其被配置為：

對(duì)采集到的信息進(jìn)行預(yù)處理，并提取預(yù)處理后信息的特征，構(gòu)建原始特征矩陣；篩選出原始特征矩陣中特征數(shù)據(jù)x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對(duì)原始特征矩陣中特征數(shù)據(jù)進(jìn)行歸一化，其中，X為歸一化后的特征數(shù)據(jù)；

利用基于余弦相似度的特征空間降維方法來對(duì)歸一化的原始特征矩陣進(jìn)行降維處理，得到由具有分類信息的n個(gè)特征數(shù)據(jù)構(gòu)成的降維后特征矩陣；其中，n為正整數(shù)；

設(shè)置機(jī)電設(shè)備的每種運(yùn)行狀態(tài)對(duì)應(yīng)一個(gè)類別模式，每一個(gè)類別模式具有n個(gè)特征數(shù)據(jù)且對(duì)應(yīng)n維空間的一個(gè)矢量或一個(gè)點(diǎn)；根據(jù)機(jī)電設(shè)備的正常運(yùn)行狀態(tài)信息將每維空間所對(duì)應(yīng)的區(qū)域劃分為一個(gè)類別模式，建立相應(yīng)的故障訓(xùn)練集；

實(shí)時(shí)采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，依次經(jīng)過預(yù)處理、構(gòu)建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓(xùn)練集進(jìn)行比對(duì)，判斷機(jī)電設(shè)備的運(yùn)行狀態(tài)。

進(jìn)一步地，所述服務(wù)器，還被配置為：利用基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類。

在構(gòu)建故障訓(xùn)練集的過程中，隨著增量數(shù)據(jù)過大，使得訓(xùn)練時(shí)間很長，對(duì)低配置計(jì)算機(jī)而言很容易出現(xiàn)系統(tǒng)資源不足問題；而且數(shù)據(jù)集更新復(fù)雜，使得新模型向新增樣本集偏斜，使得模型的結(jié)構(gòu)風(fēng)險(xiǎn)加大。通過本發(fā)明的基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，在增量學(xué)習(xí)過程中可以剔除次要因素，加快增量學(xué)習(xí)訓(xùn)練過程，減少訓(xùn)練時(shí)間和空間。

進(jìn)一步地，該系統(tǒng)還包括：A/D轉(zhuǎn)化器，其用于將采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息由模擬量轉(zhuǎn)化為數(shù)字量。采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息均是模擬量，通過模數(shù)轉(zhuǎn)換，可以使模擬信號(hào)轉(zhuǎn)變成可以計(jì)算的數(shù)據(jù)。

本發(fā)明的有益效果為：

本發(fā)明對(duì)構(gòu)建的原始特征矩陣進(jìn)行歸一化處理后，再基于余弦相似度的特征空間降維方法，降低了特征值之間的相關(guān)性，提高了訓(xùn)練效率和預(yù)測(cè)準(zhǔn)確度，并且可以通過統(tǒng)計(jì)、推理實(shí)現(xiàn)自我學(xué)習(xí)的能力，從而使得對(duì)大型復(fù)雜系統(tǒng)的故障檢測(cè)變得高效可靠。

附圖說明

圖1是本發(fā)明實(shí)施例中一種基于人工智能的機(jī)電設(shè)備在線故障診斷的方法的流程圖；

圖2是余弦相似度原理圖；

圖3是基于boost思想的增量學(xué)習(xí)算法的流程圖；

圖4是發(fā)電機(jī)故障經(jīng)特征提取壓縮數(shù)據(jù)后形成兩維矢量圖；

圖5是本發(fā)明實(shí)施例中一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)的結(jié)構(gòu)示意圖圖；

圖6是本發(fā)明實(shí)施例中另一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。

圖1是本發(fā)明實(shí)施例中一種基于人工智能的機(jī)電設(shè)備在線故障診斷的方法的流程圖，如圖所示本實(shí)施例中的基于人工智能的機(jī)電設(shè)備在線故障診斷的方法可以包括：

步驟1：分別采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，所述運(yùn)行狀態(tài)信息包括機(jī)械振動(dòng)信號(hào)、噪聲信號(hào)、設(shè)備運(yùn)行圖像信息及設(shè)備運(yùn)行環(huán)境信息。

具體實(shí)現(xiàn)中，運(yùn)行狀態(tài)信息有一維波形(如機(jī)械振動(dòng)和噪聲)、二維圖像(如文字、圖片)、物理參量(壓力、溫度、濕度)和邏輯值(開、關(guān))等。

步驟2：對(duì)采集到的信息進(jìn)行預(yù)處理，并提取預(yù)處理后信息的特征，構(gòu)建原始特征矩陣；篩選出原始特征矩陣中特征數(shù)據(jù)x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對(duì)原始特征矩陣中特征數(shù)據(jù)進(jìn)行歸一化，其中，X為歸一化后的特征數(shù)據(jù)。

進(jìn)一步地，所述步驟2中對(duì)采集到的信息進(jìn)行預(yù)處理包括消除趨勢(shì)項(xiàng)和平滑濾波。通過預(yù)處理可以對(duì)數(shù)據(jù)進(jìn)行分析加工，因?yàn)椴杉降臄?shù)據(jù)是有一些噪聲跟缺失的，通過本方法的預(yù)處理，可以去除缺失的無效數(shù)據(jù)、減少噪聲數(shù)據(jù)，為后續(xù)的特征提取步驟減少了對(duì)損壞數(shù)據(jù)、不合格數(shù)據(jù)的處理過程，提升了處理效率。

進(jìn)一步地，在步驟2之前，還包括將采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息由模擬量轉(zhuǎn)化為數(shù)字量。采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息均是模擬量，通過模數(shù)轉(zhuǎn)換，可以使模擬信號(hào)轉(zhuǎn)變成可以計(jì)算的數(shù)據(jù)。

步驟3：利用基于余弦相似度的特征空間降維方法來對(duì)歸一化的原始特征矩陣進(jìn)行降維處理，得到由具有分類信息的n個(gè)特征數(shù)據(jù)構(gòu)成的降維后特征矩陣；其中，n為正整數(shù)。

本發(fā)明的基于余弦相似度的特征空間降維方法，降低了特征值之間的相關(guān)性，提高了訓(xùn)練效率和預(yù)測(cè)準(zhǔn)確度。具體步驟如下：

余弦相似度用向量空間中兩個(gè)向量夾角的余弦值作為衡量兩個(gè)個(gè)體間差異的大小。相比距離度量，余弦相似度更加注重兩個(gè)向量在方向上的差異，而非距離或長度上。

與歐幾里德距離類似，基于余弦相似度的計(jì)算方法也是把一個(gè)特征維作為n-維坐標(biāo)系中的一個(gè)點(diǎn)，通過連接這個(gè)點(diǎn)與坐標(biāo)系的原點(diǎn)構(gòu)成一條直線(向量)，兩個(gè)特征之間的相似度值就是兩條直線(向量)間夾角的余弦值。因?yàn)檫B接代表特征的點(diǎn)與原點(diǎn)的直線都會(huì)相交于原點(diǎn)，夾角越小代表兩個(gè)用戶越相似，夾角越大代表兩個(gè)用戶的相似度越小。同時(shí)在三角系數(shù)中，角的余弦值是在[-1,1]之間的，0度角的余弦值是1，180度角的余弦值是-1。如果兩個(gè)特征的余弦值的絕對(duì)值在[0.5,1]之間，那么我們認(rèn)為這兩個(gè)特征的相關(guān)度大，建議取其一即可，如果兩個(gè)特征的余弦值的絕對(duì)值在[0,0.5]之間，那么我們認(rèn)為這時(shí)的這兩個(gè)特征不相關(guān)。

從圖2可以看出距離度量衡量的是空間各點(diǎn)間的絕對(duì)距離，跟各個(gè)點(diǎn)所在的位置坐標(biāo)(即個(gè)體特征維度的數(shù)值)直接相關(guān)；而余弦相似度衡量的是空間向量的夾角，更加的是體現(xiàn)在方向上的差異，而不是位置。如果保持點(diǎn)的位置不變，B點(diǎn)朝原方向遠(yuǎn)離坐標(biāo)軸原點(diǎn)，那么這個(gè)時(shí)候余弦相似度cosθ是保持不變的，因?yàn)閵A角不變，而A、B兩點(diǎn)的距離顯然在發(fā)生改變。

對(duì)于大部分的振動(dòng)信號(hào)來說，它的特征信息都是非負(fù)的，而余弦相似度更多的是從方向上區(qū)分差異，而對(duì)絕對(duì)的數(shù)值不敏感。因此沒法衡量每個(gè)維數(shù)值得差異，會(huì)導(dǎo)致這樣一個(gè)情況：比如兩個(gè)特征差異很大，但由于都為非負(fù)值，所以余弦相似度會(huì)在一個(gè)很小的范圍內(nèi)變動(dòng)。這是需要對(duì)特征信息進(jìn)行歸一化處理：

X＝(x-x_min)/(x_max-x_min)；

這時(shí)的余弦顯示度就在[-1,1]之間變化，更加的符合實(shí)際。

步驟4：設(shè)置機(jī)電設(shè)備的每種運(yùn)行狀態(tài)對(duì)應(yīng)一個(gè)類別模式，每一個(gè)類別模式具有n個(gè)特征數(shù)據(jù)且對(duì)應(yīng)n維空間的一個(gè)矢量或一個(gè)點(diǎn)；根據(jù)機(jī)電設(shè)備的正常運(yùn)行狀態(tài)信息將每維空間所對(duì)應(yīng)的區(qū)域劃分為一個(gè)類別模式，建立相應(yīng)的故障訓(xùn)練集。

進(jìn)一步地，該方法還包括：利用基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類。在構(gòu)建故障訓(xùn)練集的過程中，隨著增量數(shù)據(jù)過大，使得訓(xùn)練時(shí)間很長，對(duì)低配置計(jì)算機(jī)而言很容易出現(xiàn)系統(tǒng)資源不足問題；而且數(shù)據(jù)集更新復(fù)雜，使得新模型向新增樣本集偏斜，使得模型的結(jié)構(gòu)風(fēng)險(xiǎn)加大。通過本發(fā)明的基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，在增量學(xué)習(xí)過程中可以剔除次要因素，加快增量學(xué)習(xí)訓(xùn)練過程，減少訓(xùn)練時(shí)間和空間。

基于boost思想的增量學(xué)習(xí)算法，使系統(tǒng)在原有訓(xùn)練集的基礎(chǔ)上可以自我學(xué)習(xí)分析出新訓(xùn)練模型。具體步驟如下如圖3所示，考慮初始訓(xùn)練集中非支持向量對(duì)增量樣本的影響，對(duì)初始樣本進(jìn)行有選擇的淘汰，達(dá)到提高分類精度的目的。

輸入：初始樣本集A和對(duì)應(yīng)的訓(xùn)練初始分類器S，支持向量集記為SV，增量樣本集New；

步驟一：用分類器S對(duì)新增樣本集New進(jìn)行分類，得到一個(gè)新增樣本集的錯(cuò)分樣本集New_err和滿足條件的已有樣本集；

步驟二：如果樣本集New_err為空集或者數(shù)量小于閾值，轉(zhuǎn)到步驟四為非空集，將錯(cuò)分樣本集New_err提升為訓(xùn)練集，并和支持向量集SV—起進(jìn)行訓(xùn)練，更新分類器S和支持向量集SV。

步驟三：將更新后的分類器S再對(duì)新增樣本集New和之前的支持向量進(jìn)行預(yù)測(cè)，重復(fù)步驟一到三過程；

步驟四：輸出最終的分類器S。

在本發(fā)明中，初始樣本集A指的是采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息構(gòu)成的集合；訓(xùn)練初始分類器S是最初得到的故障訓(xùn)練集；增量樣本集New是指的后續(xù)采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息而構(gòu)成的集合；支持向量集SV表示符合分類要求的支持向量。

總體的思想是：對(duì)于新增樣本集，將其中錯(cuò)分點(diǎn)進(jìn)行提升，升為訓(xùn)練點(diǎn)，訓(xùn)練得到一個(gè)新的訓(xùn)練模型，使用新的模型在對(duì)剩余點(diǎn)進(jìn)行預(yù)測(cè)，再將剩余點(diǎn)的錯(cuò)分點(diǎn)進(jìn)行訓(xùn)練，在對(duì)錯(cuò)分點(diǎn)進(jìn)行提升，這樣循環(huán)迭代，將錯(cuò)分點(diǎn)的權(quán)值逐步提高，加大對(duì)于錯(cuò)分點(diǎn)的訓(xùn)練，使得錯(cuò)分點(diǎn)的訓(xùn)練為主要問題進(jìn)行解決，最終達(dá)到可分效果。

步驟5：實(shí)時(shí)采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，經(jīng)過步驟2-步驟3后獲得降維后的特征矩陣，并與故障訓(xùn)練集進(jìn)行比對(duì)，判斷機(jī)電設(shè)備的運(yùn)行狀態(tài)。

例如：某發(fā)動(dòng)機(jī)的故障診斷。根據(jù)所測(cè)試發(fā)動(dòng)機(jī)運(yùn)行時(shí)的各部分的溫度和壓力，經(jīng)特征提取壓縮數(shù)據(jù)后形成兩維矢量，如圖4所示，橫坐標(biāo)為溫度，縱坐標(biāo)為壓力。每一次測(cè)量形成一個(gè)矢量，矢量的始端為原點(diǎn)，末端標(biāo)志為平面上的一個(gè)點(diǎn)，這就代表一個(gè)運(yùn)行模式。經(jīng)過對(duì)發(fā)動(dòng)機(jī)狀態(tài)的一系列測(cè)試后，得到的測(cè)點(diǎn)分為兩類，一類為良好工作狀態(tài)點(diǎn)，如圖所示S₁類：另一類為較差或故障工作狀態(tài)點(diǎn)，如圖所示S₂類。對(duì)發(fā)動(dòng)機(jī)的某一運(yùn)行狀態(tài)，得到測(cè)點(diǎn)Z，通過判斷它與S₁，S₂類的偏離程度來識(shí)別它的工作模式，很明顯z點(diǎn)屬于S₁類。

本實(shí)施例對(duì)構(gòu)建的原始特征矩陣進(jìn)行歸一化處理后，再基于余弦相似度的特征空間降維方法，降低了特征值之間的相關(guān)性，提高了訓(xùn)練效率和預(yù)測(cè)準(zhǔn)確度，并且可以通過統(tǒng)計(jì)、推理實(shí)現(xiàn)自我學(xué)習(xí)的能力，從而使得對(duì)大型復(fù)雜系統(tǒng)的故障檢測(cè)變得高效可靠。

圖5是本發(fā)明實(shí)施例中一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)的結(jié)構(gòu)示意圖圖，如圖所示本實(shí)施例中的基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)包括：

信息采集模塊，其用于分別采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，所述運(yùn)行狀態(tài)信息包括機(jī)械振動(dòng)信號(hào)、噪聲信號(hào)、設(shè)備運(yùn)行圖像信息及設(shè)備運(yùn)行環(huán)境信息；

特征矩陣構(gòu)建模塊，其用于對(duì)采集到的信息進(jìn)行預(yù)處理，并提取預(yù)處理后信息的特征，構(gòu)建原始特征矩陣；篩選出原始特征矩陣中特征數(shù)據(jù)x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對(duì)原始特征矩陣中特征數(shù)據(jù)進(jìn)行歸一化，其中，X為歸一化后的特征數(shù)據(jù)；

特征矩陣降維模塊，其用于利用基于余弦相似度的特征空間降維方法來對(duì)歸一化的原始特征矩陣進(jìn)行降維處理，得到由具有分類信息的n個(gè)特征數(shù)據(jù)構(gòu)成的降維后特征矩陣；其中，n為正整數(shù)；

故障訓(xùn)練集建立模塊，其用于設(shè)置機(jī)電設(shè)備的每種運(yùn)行狀態(tài)對(duì)應(yīng)一個(gè)類別模式，每一個(gè)類別模式具有n個(gè)特征數(shù)據(jù)且對(duì)應(yīng)n維空間的一個(gè)矢量或一個(gè)點(diǎn)；根據(jù)機(jī)電設(shè)備的正常運(yùn)行狀態(tài)信息將每維空間所對(duì)應(yīng)的區(qū)域劃分為一個(gè)類別模式，建立相應(yīng)的故障訓(xùn)練集；

運(yùn)行狀態(tài)判斷模塊，其用于實(shí)時(shí)采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，依次經(jīng)過預(yù)處理、構(gòu)建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓(xùn)練集進(jìn)行比對(duì)，判斷機(jī)電設(shè)備的運(yùn)行狀態(tài)。

進(jìn)一步地，該系統(tǒng)還包括：故障訓(xùn)練集更新模塊，其用于利用基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類。

在構(gòu)建故障訓(xùn)練集的過程中，隨著增量數(shù)據(jù)過大，使得訓(xùn)練時(shí)間很長，對(duì)低配置計(jì)算機(jī)而言很容易出現(xiàn)系統(tǒng)資源不足問題；而且數(shù)據(jù)集更新復(fù)雜，使得新模型向新增樣本集偏斜，使得模型的結(jié)構(gòu)風(fēng)險(xiǎn)加大。通過本發(fā)明的基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，在增量學(xué)習(xí)過程中可以剔除次要因素，加快增量學(xué)習(xí)訓(xùn)練過程，減少訓(xùn)練時(shí)間和空間。

進(jìn)一步地，該系統(tǒng)還包括：模數(shù)轉(zhuǎn)化模塊，其用于將采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息由模擬量轉(zhuǎn)化為數(shù)字量。采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息均是模擬量，通過模數(shù)轉(zhuǎn)換，可以使模擬信號(hào)轉(zhuǎn)變成可以計(jì)算的數(shù)據(jù)。

圖6是本發(fā)明實(shí)施例中另一種基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)的結(jié)構(gòu)示意圖，如圖所示本實(shí)施例中的基于人工智能的機(jī)電設(shè)備在線故障診斷的系統(tǒng)包括：

信息采集裝置，被配置為分別采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，并傳送至服務(wù)器；所述運(yùn)行狀態(tài)信息包括機(jī)械振動(dòng)信號(hào)、噪聲信號(hào)、設(shè)備運(yùn)行圖像信息及設(shè)備運(yùn)行環(huán)境信息。

信息采集裝置包括振動(dòng)加速度傳感器、聲音采集裝置、圖像采集裝置、溫度傳感器和濕度傳感器。

服務(wù)器，其被配置為：

對(duì)采集到的信息進(jìn)行預(yù)處理，并提取預(yù)處理后信息的特征，構(gòu)建原始特征矩陣；篩選出原始特征矩陣中特征數(shù)據(jù)x的最大值x_max和最小值x_min，利用X＝(x-x_min)/(x_max-x_min)對(duì)原始特征矩陣中特征數(shù)據(jù)進(jìn)行歸一化，其中，X為歸一化后的特征數(shù)據(jù)；

利用基于余弦相似度的特征空間降維方法來對(duì)歸一化的原始特征矩陣進(jìn)行降維處理，得到由具有分類信息的n個(gè)特征數(shù)據(jù)構(gòu)成的降維后特征矩陣；其中，n為正整數(shù)；

設(shè)置機(jī)電設(shè)備的每種運(yùn)行狀態(tài)對(duì)應(yīng)一個(gè)類別模式，每一個(gè)類別模式具有n個(gè)特征數(shù)據(jù)且對(duì)應(yīng)n維空間的一個(gè)矢量或一個(gè)點(diǎn)；根據(jù)機(jī)電設(shè)備的正常運(yùn)行狀態(tài)信息將每維空間所對(duì)應(yīng)的區(qū)域劃分為一個(gè)類別模式，建立相應(yīng)的故障訓(xùn)練集；

實(shí)時(shí)采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息，依次經(jīng)過預(yù)處理、構(gòu)建原始特征矩陣、歸一化和降維處理后獲得的特征矩陣，并與故障訓(xùn)練集進(jìn)行比對(duì)，判斷機(jī)電設(shè)備的運(yùn)行狀態(tài)。

進(jìn)一步地，所述服務(wù)器，還被配置為：利用基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，實(shí)現(xiàn)對(duì)機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行分類。

在構(gòu)建故障訓(xùn)練集的過程中，隨著增量數(shù)據(jù)過大，使得訓(xùn)練時(shí)間很長，對(duì)低配置計(jì)算機(jī)而言很容易出現(xiàn)系統(tǒng)資源不足問題；而且數(shù)據(jù)集更新復(fù)雜，使得新模型向新增樣本集偏斜，使得模型的結(jié)構(gòu)風(fēng)險(xiǎn)加大。通過本發(fā)明的基于boost思想的增量學(xué)習(xí)算法來更新故障訓(xùn)練集，在增量學(xué)習(xí)過程中可以剔除次要因素，加快增量學(xué)習(xí)訓(xùn)練過程，減少訓(xùn)練時(shí)間和空間。

進(jìn)一步地，該系統(tǒng)還包括：A/D轉(zhuǎn)化器，其用于將采集機(jī)電設(shè)備的運(yùn)行狀態(tài)信息由模擬量轉(zhuǎn)化為數(shù)字量。采集的機(jī)電設(shè)備的運(yùn)行狀態(tài)信息均是模擬量，通過模數(shù)轉(zhuǎn)換，可以使模擬信號(hào)轉(zhuǎn)變成可以計(jì)算的數(shù)據(jù)。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用硬件實(shí)施例、軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器和光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過計(jì)算機(jī)程序來指令相關(guān)的硬件來完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤、只讀存儲(chǔ)記憶體(Read-Only Memory，ROM)或隨機(jī)存儲(chǔ)記憶體(Random AccessMemory，RAM)等。

上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。