[发明专利]一种设备故障诊断方法

权利要求书

1.一种设备故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1，数据采集

采用联网通信的方法，建立制造企业设备数据获取方式；

步骤2，数据处理

对采集的数据进行清洗，构建设备故障数据集；

步骤3，构建决策树

采用基于C4.5决策树的方法，构建设备故障智能诊断决策树；

步骤1中，借助OPC协议对设备运行状态数据进行采集；

步骤2具体按照以下步骤实施：

步骤2.1，设备运行原型数据

选用直接联网通信的方式，借助OPC协议对设备运行状态数据进行采集，得到的数据即为设备运行原型数据；

步骤2.2，数据抽取

根据不同设备运行的情况，设定不同设备运行数据抽取标准，对连接的各原始数据源中的数据进行抽取；

步骤2.3，数据转换

指在设备运行数据抽取和装载过程中，按照指定的模型，转换数据的类型、格式、数据选择和汇总，完成数据的清理，使原始数据复杂化；

步骤2.4，数据加载

将清洗、去重之后，将设备运行数据传输到目标数据库；

步骤2.5，训练数据集

通过步骤2.2-2.4，对设备运行原始数据源进行处理后，形成目标数据库，得到机械设备运行状态的训练数据集；其中，训练数据集中的数据将作为后续步骤的样本；

步骤3具体按照以下步骤实施：

步骤3.1，计算样本信息熵

根据训练数据集中的数据作为样本，计算样本信息熵，具体如下：

式(1)中，X为该训练数据集；H(X)为该训练数据集的样本信息熵；di＝{d1,d2,...,dn}为设备故障决策类型，其中i＝1,2,...,n；为训练数据集中样本属于第i类故障的概率，其中Di为属于第i类故障的样本数量，|X|为训练数据集中样本的数量；其中，信息熵表示信息冗余度和概率之间的关系，该数据集的样本信息熵表示数据集样本分类所需的平均期望信息，该值越大表示该数据集样本在分类过程中存在的可变空间越大；

步骤3.2，计算条件信息熵

设样本的属性为N＝{N₁,N₂,...,N_m}，则在属性N_j的条件下，样本的条件信息熵H(X|N_j)为：

式(2)中，p(N＝N_j)为样本具有属性N_j的概率；p(di|N＝N_j)为在属性N_j的条件下，样本的相应属性值对应设备故障类型为di的概率；

步骤3.3，计算属性N_j的信息增益：

I(X,N_j)＝H(X)-H(X|N_j) (3)

式(3)中，I(X,N_j)为属性N_j的信息增益；

步骤3.4，计算属性N_j的信息熵：

式(4)中，H(X,N_j)为属性N_j的信息熵；

步骤3.5，计算属性N_j的信息增益率

式(5)中，E(X,N_j)为属性N_j的信息增益率；按照上述步骤3.2-3.5进行循环，当计算完成所有属性所对应的条件信息熵、信息熵、信息增益和信息增益率后，结束循环；

步骤3.6，确定根节点

比较所有属性的信息增益率，将信息增益率最大的属性将作为根节点；

步骤3.7，划分左子树和右子树

根据根节点属性值取值为{0,1}，将样本进行划分为左子树和右子树；

步骤3.8，根据按照上述步骤3.1-3.5进行循环，依次以根节点为条件下的样本信息熵，以及左子树、右子树对应样本属性的条件信息熵、信息增益、信息熵及信息增益率，指导完整计算根节点左子树、右子树中对应所有属性，结束循环；

步骤3.9，确定内部节点

分别比较上述步骤3.8中得出的左子树、右子树中所有属性的信息增益率，将信息增益率最大的属性将作为左子树或右子树内部节点；

步骤3.10，确定叶子节点

循环上述步骤3.7-3.9，内部节点的某一属性不能按照属性值{0,1}继续划分时，确定该属性为叶子节点。

2.根据权利要求1所述的一种设备故障诊断方法，其特征在于，步骤3.2中，N_j的属性值集合为{0,1}，0表示没有发生设备故障决策类型di，1表示发生设备故障决策类型di。