[发明专利]一种基于大数据的设备故障诊断方法及系统在审
| 申请号： | 201710872916.X | 申请日： | 2017-09-25 |
| 公开（公告）号： | CN109558948A | 公开（公告）日： | 2019-04-02 |
| 发明（设计）人： | 贺新;李中志;罗朝传;徐辉;曹雨 | 申请（专利权）人： | 成都万江港利科技股份有限公司 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06F17/50 |
| 代理公司： | 成都熠邦鼎立专利代理有限公司 51263 | 代理人： | 张晨光 |
| 地址： | 610000 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 约简 决策表 设备故障诊断 灰色关联度 横向维度 新决策表 大数据 神经元 故障诊断领域 神经网络结构 输入层神经元 差别函数 连续变量 涉及设备 预测设备 纵向维度 等频率 离散化 隐含层 分箱 试算 算法 维度 预测 检验 优化 | ||
1.一种基于大数据的设备故障诊断方法，其特征在于，包括：
生成初始决策表；
根据所述初始决策表计算灰色关联度；
根据所述灰色关联度进行横向维度的数据约简；
根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；
利用差别函数法对纵向维度属性进行约简，以生成新决策表；
将所述新决策表作为BP神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的BP神经网络预测设备故障。
2.根据权利要求1所述的基于大数据的设备故障诊断方法，其特征在于，所述生成初始决策表的步骤，包括：
获取设备故障统计数据；
添加必要参数、删除重复参数，生成初始决策表。
3.根据权利要求1所述的基于大数据的设备故障诊断方法，其特征在于，所述根据所述灰色关联度进行横向维度的数据约简的步骤，包括：
将灰色关联度较小的几行数据去除，以完成初始决策表横向维度的约简。
4.根据权利要求1所述的基于大数据的设备故障诊断方法，其特征在于，所述BP神经网络的输入层神经元、隐含层神经元、输出层神经元个数分别为l，m，n，隐含层和输出层以S型函数为激活函数，输出层的神经元个数为1，输出量是0～1之间的连续量。
5.一种基于大数据的设备故障诊断系统，其特征在于，包括：
生成模块，用于生成初始决策表；
计算模块，用于根据所述初始决策表计算灰色关联度；
横向约简模块，用于根据所述灰色关联度进行横向维度的数据约简；
离散处理模块，用于根据等频率分箱算法，将横向维度约简后的连续变量进行离散化；
纵向约简模块，用于利用差别函数法对纵向维度属性进行约简，以生成新决策表；
训练分析模块，用于将所述新决策表作为BP神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构，利用优化后的BP神经网络预测设备故障。
6.根据权利要求5所述的基于大数据的设备故障诊断系统，其特征在于，所述生成模块包括：
数据采集单元，用于获取设备故障统计数据；
数据整合单元，用于添加必要参数、删除重复参数，生成初始决策表。
7.根据权利要求5所述的基于大数据的设备故障诊断系统，其特征在于，所述横向约简模块具体用于将灰色关联度较小的几行数据去除，以完成初始决策表横向维度的约简。
8.根据权利要求5所述的基于大数据的设备故障诊断系统，其特征在于，所述训练分析模块，包括：
训练单元，用于将所述新决策表作为BP神经网络的输入层神经元，通过反复试算检验确定隐含层神经元个数，从而确定神经网络结构；
故障诊断单元，用于利用优化后的BP神经网络预测设备故障。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于成都万江港利科技股份有限公司，未经成都万江港利科技股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710872916.X/1.html，转载请声明来源钻瓜专利网。
