[发明专利]一种基于大数据的设备故障诊断方法及系统

说明书

本发明涉及设备故障诊断领域，公开了一种基于大数据的设备故障诊断方法及系统，通过生成初始决策表；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。本发明对决策表所有维度的数据进行了彻底的约简，输入数据的有效性大幅提高，使BP神经网络的预测精度大幅提高。

技术领域

本发明涉及设备故障诊断领域，尤其涉及一种基于大数据的设备故障诊断方法及系统。

背景技术

随着现代化工业技术的发展，设备的复杂度和规模将会变得更大，这对设备的可靠性和运行效率提出更高的要求。而更复杂的设备结构及其组成部件，会使设备发生故障的可能性更大，设备可靠性更低。因此，若能在设备投入使用期间，运用故障预测方法及时预测故障的发生或发展趋势，从而便于及时进行维护和维修以预防故障产生，那么这种故障预测对于降低由于设备故障带来的巨大经济损失将至关重要。

为实现对设备故障的有效预测，关于设备故障预测的方法也逐渐增多，主要包括回归树与时间序列、灰色系统、神经网络、模糊神经网络、实时专家系统、粒子滤波器等。其中，基于人工神经网络模型的故障预测是智能预测理论和方法的核心内容之一，它具有非线性、非局域性等特点，在故障诊断和预测领域得到了诸多应用。现有技术中提出基于在线神经网络的状态相关故障的预测方法，该方法将实时故障模型近似于在线神经网络故障学习函数模型实现了对系统状态和故障的实时估计和预测。然而在输入数量较多、较为复杂的数据时，BP神经网络往往会因为网络复杂而出现收敛速度慢、泛化能力差、预测精度不高的现象。

发明内容

本发明提供一种基于大数据的设备故障诊断方法及系统，解决现有技术中BP神经网络进行设备故障诊断时，往往因为网络复杂而出现收敛速度慢、泛化能力差、预测精度不高的技术问题。

本发明的目的是通过以下技术方案实现的：

一种基于大数据的设备故障诊断方法，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。

一种基于大数据的设备故障诊断系统，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。