曲轴双顶车控制系统的故障诊断方法及系统 |
|||||||
| 申请号 | CN202410178436.3 | 申请日 | 2024-02-09 | 公开(公告)号 | CN117742304B | 公开(公告)日 | 2024-05-07 |
| 申请人 | 珠海市南特金属科技股份有限公司; | 发明人 | 程群; 邹志宏; 祝晓东; 严文新; 何增福; | ||||
| 摘要 | 本 申请 实施例 涉及 人工智能 技术领域，具体涉及 曲轴 双顶车控制系统的故障诊断方法及系统，通过全面获取待诊断历史运行数据（包括 传感器 检测数据、控制输出数据和执行器状态数据），并利用多维运行要素挖掘模型对这些数据进行要素向量挖掘，生成多维运行要素向量。同时，该方法还利用趋势表现要素挖掘模型对多个故障趋势标签进行要素向量挖掘，生成趋势表现要素向量。通过比较这两类向量的匹配系数，该方法能够准确识别出系统的当前故障趋势。 | ||||||
| 权利要求 | 1.一种曲轴双顶车控制系统的故障诊断方法，其特征在于，应用于人工智能故障诊断系统，所述方法包括： |
||||||
| 说明书全文 | 曲轴双顶车控制系统的故障诊断方法及系统技术领域背景技术[0002] 在曲轴双顶车控制系统的故障诊断领域，传统的故障诊断方法往往依赖于人工经验和简单的阈值判断，难以准确、全面地诊断出系统的各种潜在故障。随着传感器技术、数据处理技术和机器学习算法的发展，基于数据驱动的故障诊断方法逐渐成为研究热点。 [0003] 然而，现有的数据驱动故障诊断方法在处理曲轴双顶车控制系统的历史运行数据时，往往只关注单一类型的数据（如传感器检测数据），而忽略了控制输出数据和执行器状态数据等同样重要的信息。这导致这些方法在诊断某些复杂故障时，可能无法准确捕捉到故障的全部特征，从而降低了诊断的准确性。 [0004] 此外，现有的方法在确定故障趋势时，通常只考虑与已知故障类型相对应的固定标签，而缺乏一种灵活、可扩展的方式来处理不断涌现的新故障类型。这限制了这些方法在实际应用中的适应性和通用性。发明内容 [0005] 为改善相关技术中存在的技术问题，本申请提供了一种曲轴双顶车控制系统的故障诊断方法及系统。 [0006] 第一方面，本申请实施例提供了一种曲轴双顶车控制系统的故障诊断方法，应用于人工智能故障诊断系统，所述方法包括：获取待诊断历史运行数据及X个故障趋势标签，其中，X为不小于1的整数，所述待诊断历史运行数据包括曲轴双顶车控制系统的传感器检测数据、控制输出数据和执行器状态数据；将所述待诊断历史运行数据作为多维运行要素挖掘模型的处理对象，通过所述多维运行要素挖掘模型对所述待诊断历史运行数据进行要素向量挖掘，生成多维运行要素向量；将所述X个故障趋势标签作为趋势表现要素挖掘模型的处理对象，通过所述趋势表现要素挖掘模型对所述X个故障趋势标签进行要素向量挖掘，生成X个趋势表现要素向量；调用目标故障诊断算法，通过所述目标故障诊断算法确定所述多维运行要素向量与所述X个趋势表现要素向量的匹配系数，得到X个运行故障匹配观点，其中，所述目标故障诊断算法用于将所述多维运行要素向量与所述X个趋势表现要素向量进行扩展，并对扩展得到的目标多维运行要素向量与X个目标趋势表现要素向量进行匹配系数确定；基于所述X个运行故障匹配观点，从所述X个故障趋势标签中确定目标故障趋势标签，其中，所述目标故障趋势标签对应的运行故障匹配观点为X个运行故障匹配观点中的最大匹配观点权重。 [0007] 第二方面，本申请还提供了一种人工智能故障诊断系统，包括：存储器，用于存储程序指令和数据；处理器，用于与存储器耦合，执行所述存储器中的指令，以实现如上述的方法。 [0010] 图1是本申请实施例提供的一种曲轴双顶车控制系统的故障诊断方法的流程示意图。 [0011] 图2是本申请实施例提供的一种人工智能故障诊断系统300的结构框图。 具体实施方式[0012] 下面将结合附图，对本申请中的技术方案进行描述。 [0013] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与本申请的一些方面相一致的装置和方法的例子。 [0014] 需要说明的是，本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。 [0015] 本申请实施例所提供的方法实施例可以在人工智能故障诊断系统、计算机设备或者类似的运算装置中执行。以运行在人工智能故障诊断系统上为例，人工智能故障诊断系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述人工智能故障诊断系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能故障诊断系统的结构造成限定。例如，人工智能故障诊断系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。 [0016] 存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种曲轴双顶车控制系统的故障诊断方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至人工智能故障诊断系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。 [0017] 传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能故障诊断系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。 [0018] 基于此，请参阅图1，图1是本申请实施例所提供的一种曲轴双顶车控制系统的故障诊断方法的流程示意图，该方法应用于人工智能故障诊断系统，进一步可以包括步骤110‑步骤150。 [0019] 步骤110、获取待诊断历史运行数据及X个故障趋势标签，其中，X为不小于1的整数，所述待诊断历史运行数据包括曲轴双顶车控制系统的传感器检测数据、控制输出数据和执行器状态数据。 [0020] 步骤120、将所述待诊断历史运行数据作为多维运行要素挖掘模型的处理对象，通过所述多维运行要素挖掘模型对所述待诊断历史运行数据进行要素向量挖掘，生成多维运行要素向量。 [0021] 步骤130、将所述X个故障趋势标签作为趋势表现要素挖掘模型的处理对象，通过所述趋势表现要素挖掘模型对所述X个故障趋势标签进行要素向量挖掘，生成X个趋势表现要素向量。 [0022] 步骤140、调用目标故障诊断算法，通过所述目标故障诊断算法确定所述多维运行要素向量与所述X个趋势表现要素向量的匹配系数，得到X个运行故障匹配观点，其中，所述目标故障诊断算法用于将所述多维运行要素向量与所述X个趋势表现要素向量进行扩展，并对扩展得到的目标多维运行要素向量与X个目标趋势表现要素向量进行匹配系数确定。 [0023] 步骤150、基于所述X个运行故障匹配观点，从所述X个故障趋势标签中确定目标故障趋势标签，其中，所述目标故障趋势标签对应的运行故障匹配观点为X个运行故障匹配观点中的最大匹配观点权重。 [0024] 首先，系统从曲轴双顶车控制系统的历史数据库中提取待诊断历史运行数据。这些数据包括传感器检测数据（如曲轴位置、速度、加速度等）、控制输出数据（如控制信号、电磁阀状态等）和执行器状态数据（如液压缸位置、压力等）。这些数据反映了控制系统在过去一段时间内的运行状态和性能。同时，系统还获取了X个故障趋势标签，这些标签代表了曲轴双顶车控制系统可能出现的各种故障类型，如传感器故障、执行器故障、通信故障等。每个故障趋势标签都对应了一组特定的故障特征和表现。 [0025] 系统将待诊断历史运行数据输入到多维运行要素挖掘模型中。这个模型可以是一个机器学习模型，如神经网络或决策树等。模型对数据进行深度分析和处理，提取出其中的关键要素，如曲轴的运动轨迹、传感器的读数变化等。这些要素被组合成一个多维运行要素向量，该向量包含了控制系统运行过程中的全面信息。 [0026] 系统再将X个故障趋势标签输入到趋势表现要素挖掘模型中。这个模型与多维运行要素挖掘模型类似，但专注于从故障趋势标签中提取关键特征。每个故障趋势标签都被转换成一个趋势表现要素向量，这些向量描述了在不同故障趋势下系统的典型表现。 [0027] 进一步地，系统调用了一个专门设计的目标故障诊断算法。这个算法首先将多维运行要素向量和X个趋势表现要素向量进行扩展，这可能涉及到向量的维度增加或特征增强等操作。然后，算法计算扩展后的多维运行要素向量与每个趋势表现要素向量之间的匹配系数。这个匹配系数反映了控制系统当前运行状态与每种故障趋势之间的相似程度。 [0028] 最后，系统根据计算出的匹配系数来确定目标故障趋势标签。通常，具有最大匹配系数的故障趋势标签会被选为目标故障趋势标签。这意味着控制系统当前的状态与该故障趋势最为接近，因此很可以是发生了相应的故障。这个结果对于后续的系统维护、故障排除和预防性维护都是非常重要的。 [0029] 通过这种方式，系统能够自动、准确地诊断出曲轴双顶车控制系统的故障类型，并提供有价值的信息来帮助维护人员快速定位和解决问题。 [0030] 在步骤110中，是指曲轴双顶车控制系统在过去一段时间内产生的运行数据记录，这些数据用于后续的故障诊断和分析。例如，一个曲轴双顶车控制系统在过去一周内的所有运行数据，包括曲轴的位置、速度、加速度等参数的时间序列数据，以及系统在不同时间点上的状态信息。 [0031] 故障趋势标签是对曲轴双顶车控制系统可能出现的故障类型进行分类和标记的标签。每个标签代表一种特定的故障趋势或故障模式。例如，一个故障趋势标签可以是“传感器故障”，表示与传感器相关的故障类型；另一个标签可以是“执行器响应迟缓”，表示执行器在接收控制信号后响应速度变慢的趋势。 [0032] 传感器检测数据是指由曲轴双顶车控制系统中的传感器采集的各种参数数据，这些数据反映了曲轴的位置、速度、加速度等运行状态信息。例如，一个曲轴位置传感器可能会产生一系列表示曲轴角度的电压信号，这些信号随时间变化，并被记录为传感器检测数据；一个速度传感器则可能产生表示曲轴转速的频率信号。 [0033] 控制输出数据是指曲轴双顶车控制系统根据输入信号和内部逻辑产生的控制指令或控制信号，用于驱动执行器执行相应的动作。例如，控制系统可能会根据曲轴的当前位置和速度生成一个控制电磁阀开闭的PWM（脉宽调制）信号，这个信号就是控制输出数据的一部分；另一个例子是控制系统输出一个数字信号来控制液压缸的伸缩。 [0034] 执行器状态数据是指描述曲轴双顶车控制系统中执行器当前状态的数据，包括执行器的位置、速度、压力等参数，以及执行器是否正常工作、是否出现故障等信息。例如，一个液压缸的位置传感器可能会产生表示液压缸当前位置的数据，这个数据就是执行器状态数据的一部分；一个压力传感器则可能产生表示液压缸内部压力的数据。此外，执行器的故障状态（如电磁阀堵塞、液压缸漏油等）也会被记录为执行器状态数据。 [0035] 在步骤120和步骤130中，多维运行要素挖掘模型是一种数据分析模型，用于从曲轴双顶车控制系统的历史运行数据中提取关键的运行要素，并将这些要素以多维向量的形式表示出来。这个模型能够捕捉到控制系统运行过程中的多个方面和特征。例如多维运行要素挖掘模型是一个深度学习模型，如卷积神经网络（CNN）。它可以从传感器检测数据中学习到曲轴的运动模式，从控制输出数据中理解到系统的控制策略，从执行器状态数据中感知到执行器的响应特性。通过综合这些信息，模型能够生成一个包含多个维度（如位置、速度、加速度、控制信号强度等）的多维运行要素向量。 [0036] 要素向量挖掘是指利用多维运行要素挖掘模型或其他相关算法，从原始数据中提取关键的运行要素，并将这些要素转换为向量的过程。这个过程旨在将复杂的数据转化为简洁且具有代表性的数学表示。在曲轴双顶车控制系统中，要素向量挖掘可能涉及到对传感器检测数据的滤波处理，以去除噪声并提取出真实的曲轴运动轨迹；对控制输出数据的编码转换，以将其转换为适合模型处理的格式；以及对执行器状态数据的特征提取，以识别出执行器的不同工作状态。 [0037] 多维运行要素向量是通过多维运行要素挖掘模型生成的一个向量表示，它包含了控制系统在历史运行过程中的多个关键运行要素。每个要素都对应向量中的一个维度，通过组合这些维度，可以全面描述系统的运行状态。一个多维运行要素向量可以包括曲轴的实时位置、速度、加速度，以及控制系统的输出信号强度、执行器的响应速度等多个维度。这些维度共同构成了控制系统在某一时刻的全面运行状态描述。 [0038] 趋势表现要素挖掘模型是一种专门用于分析故障趋势标签并提取其关键特征的模型。该模型能够将故障趋势标签转化为趋势表现要素向量，以便与多维运行要素向量进行比较和匹配。例如趋势表现要素挖掘模型是一个支持向量机（SVM）模型。它可以从历史数据中学习到不同故障趋势下的系统表现特征，如传感器故障时的读数异常、执行器故障时的响应延迟等。通过学习这些特征，模型能够生成一个包含多个维度（如故障类型、严重程度、发生频率等）的趋势表现要素向量。 [0039] 趋势表现要素向量是通过趋势表现要素挖掘模型生成的一个向量表示，它描述了与特定故障趋势相关的系统表现特征。这个向量用于与多维运行要素向量进行比较，以判断控制系统当前是否表现出某种故障趋势。一个趋势表现要素向量可以包括传感器故障时的典型读数变化范围、执行器故障时的平均响应延迟时间等特征维度。这些维度共同构成了对某种故障趋势的全面描述，为后续的故障诊断提供了重要依据。 [0040] 在步骤140中，目标故障诊断算法是一种专门设计的算法，用于根据多维运行要素向量和趋势表现要素向量来诊断曲轴双顶车控制系统的故障类型。它通过比较和分析这两类向量的相似度和关联性来做出诊断决策。目标故障诊断算法可以是一个基于机器学习的分类算法，如随机森林或神经网络。它接受多维运行要素向量作为输入，并输出与最匹配的趋势表现要素向量对应的故障类型作为诊断结果。 [0041] 匹配系数是一个量化指标，用于衡量多维运行要素向量与趋势表现要素向量之间的相似度或关联程度。一个较高的匹配系数意味着两个向量在某种意义上更为相似，可能指示着相应的故障趋势。匹配系数可以是两个向量之间的余弦相似度，取值范围在‑1到1之间。当余弦相似度接近1时，表示两个向量非常相似；接近‑1时则表示它们差异很大。 [0042] 运行故障匹配观点是指通过目标故障诊断算法计算出的多维运行要素向量与每个趋势表现要素向量之间的匹配系数所形成的观点或判断。每个匹配观点都反映了控制系统当前运行状态与某种故障趋势的匹配程度。如果有三个故障趋势标签A、B和C，算法可能会计算出三个匹配系数，分别对应这三个标签。这三个匹配系数就构成了三个运行故障匹配观点，指示控制系统当前状态与A、B、C三种故障趋势的相似度。 [0043] 在这个上下文中，扩展是指对多维运行要素向量和趋势表现要素向量进行增强或变换的过程，以增加它们的维度或提取更有意义的特征，从而提高故障诊断的准确性。扩展可以包括向量的归一化处理、特征缩放、主成分分析（PCA）降维或特征选择等操作。这些操作可以帮助突出向量中的重要特征并消除冗余信息。 [0044] 目标多维运行要素向量是指经过扩展处理后的多维运行要素向量。它包含了更丰富、更有意义的运行要素信息，用于与扩展后的趋势表现要素向量进行比较和匹配。例如原始的多维运行要素向量包含曲轴的位置和速度信息，经过扩展处理后，目标多维运行要素向量可能还包括了加速度、振动频率等额外特征。 [0045] 目标趋势表现要素向量是指经过扩展处理后的趋势表现要素向量。它包含了与特定故障趋势相关的更丰富、更有意义的特征信息，用于与目标多维运行要素向量进行比较和匹配。例如原始的趋势表现要素向量描述了传感器故障时的典型读数变化，经过扩展处理后，目标趋势表现要素向量还可以包括了传感器故障时的其他相关特征，如故障发生的频率或持续时间。 [0046] 进行匹配系数确定是指使用目标故障诊断算法计算目标多维运行要素向量与每个目标趋势表现要素向量之间的匹配系数的过程。这个过程旨在量化控制系统当前运行状态与各种故障趋势之间的相似度或关联度。在进行匹配系数确定时，算法可能会计算目标多维运行要素向量与每个目标趋势表现要素向量之间的余弦相似度、欧氏距离或其他相关度量指标，并根据这些指标得出一个匹配系数矩阵，其中每个元素都代表了一个运行故障匹配观点。 [0047] 在步骤150中，目标故障趋势标签是指通过目标故障诊断算法分析多维运行要素向量后，所确定的与当前系统运行状态最匹配的故障趋势标签。这个标签代表了系统可能出现的故障类型或趋势。例如曲轴双顶车控制系统在运行过程中出现了某种异常，通过目标故障诊断算法分析多维运行要素向量后，确定了一个目标故障趋势标签为“传感器漂移”。这个标签就指示了系统当前可能正在经历传感器读数逐渐偏离真实值的问题。 [0048] 最大匹配观点权重是指在多个运行故障匹配观点中，具有最高匹配系数的观点所对应的权重。这个权重反映了该匹配观点在故障诊断决策中的重要性或影响力。例如有三个运行故障匹配观点，分别对应着“传感器故障”、“执行器响应迟缓”和“控制逻辑错误”三种故障趋势，它们的匹配系数分别为0.9、0.5和0.3。在这种情况下，最大匹配观点权重就是对应于“传感器故障”这个匹配观点的权重，因为它具有最高的匹配系数0.9。在后续的故障诊断过程中，这个最大匹配观点权重可能会被用来加强或突出“传感器故障”这个故障趋势的重要性。 [0049] 本申请提供了一种基于多维运行要素挖掘和趋势表现要素挖掘的曲轴双顶车控制系统故障诊断方法，其有益效果主要体现在以下几个方面： [0050] 全面性的数据获取：通过步骤110，本申请不仅获取了曲轴双顶车控制系统的传感器检测数据、控制输出数据，还考虑了执行器的状态数据，从而确保了待诊断历史运行数据的全面性和准确性。这种综合性的数据获取方式为后续的故障诊断提供了坚实的基础； [0051] 高效的要素向量挖掘：步骤120和步骤130利用多维运行要素挖掘模型和趋势表现要素挖掘模型对待诊断历史运行数据和故障趋势标签进行了要素向量挖掘。这种挖掘方法能够有效地提取出数据中的关键特征，并将其转化为向量形式，便于后续的处理和分析； [0052] 精确的故障匹配：步骤140通过目标故障诊断算法对多维运行要素向量和趋势表现要素向量进行了匹配系数确定。该算法首先对向量进行了扩展处理，进一步丰富了向量的特征信息，然后计算了匹配系数，得到了多个运行故障匹配观点。这种精确的匹配方式确保了故障诊断的准确性； [0053] 准确的目标故障趋势标签确定：步骤150基于运行故障匹配观点，从多个故障趋势标签中确定了目标故障趋势标签。这种确定方式充分考虑了各个匹配观点的影响，尤其是最大匹配观点权重的影响，从而确保了目标故障趋势标签的准确性和可靠性。 [0054] 综上所述，本申请通过全面性的数据获取、高效的要素向量挖掘、精确的故障匹配以及准确的目标故障趋势标签确定，实现了对曲轴双顶车控制系统的高效、准确故障诊断。这种诊断方法不仅可以及时发现和定位系统的故障，还可以为故障的修复和预防提供有力的支持，从而提高了系统的稳定性和可靠性。 [0055] 在一些示例的设计思路下，步骤140中的调用目标故障诊断算法，通过所述目标故障诊断算法确定所述多维运行要素向量与所述X个趋势表现要素向量的匹配系数，得到X个运行故障匹配观点，包括步骤141‑步骤144。 [0056] 步骤141、基于所述目标故障诊断算法确定所述目标故障诊断算法对应的目标知识关系网。 [0057] 步骤142、将所述多维运行要素向量投影至所述目标知识关系网，得到所述目标多维运行要素向量，其中，所述目标多维运行要素向量的特征尺寸大于所述多维运行要素向量的特征尺寸。 [0058] 步骤143、将所述X个趋势表现要素向量投影至所述目标知识关系网，得到X个目标趋势表现要素向量，其中，所述目标趋势表现要素向量的特征尺寸大于所述趋势表现要素向量的特征尺寸。 [0059] 步骤144、调用所述目标故障诊断算法对所述目标多维运行要素向量与所述X个目标趋势表现要素向量进行匹配系数确定，得到X个运行故障匹配观点。 [0060] 在这一步骤中，系统利用预先定义的目标故障诊断算法来处理多维运行要素向量和趋势表现要素向量。该算法的核心目的是确定这两类向量之间的匹配系数，从而得到多个运行故障匹配观点。 [0061] 首先，系统需要确定目标故障诊断算法所对应的目标知识关系网。这个知识关系网是一个复杂的网络结构，它包含了曲轴双顶车控制系统运行过程中可能遇到的各种故障模式、故障征兆、故障原因以及它们之间的相互关系。这些知识可以从历史故障数据、专家经验、技术文献等多个来源获取，并经过处理和分析后形成结构化的知识网络。 [0062] 例如，目标知识关系网可以是一个由节点和边组成的图结构，其中节点代表不同的故障模式、征兆和原因，边则代表它们之间的关联关系。这种图结构可以有效地表示出故障之间的复杂性和关联性。 [0063] 接下来，系统将多维运行要素向量投影到目标知识关系网上，得到目标多维运行要素向量。这个过程可以看作是将原始的、可能较为稀疏的运行要素向量映射到一个更加密集和高维的特征空间中。 [0064] 例如，如果多维运行要素向量原本只包含了传感器检测数据的特征，那么通过投影到目标知识关系网上，它可以被扩展为包含了更多与故障相关的特征（如故障模式、征兆等）的目标多维运行要素向量。这样，系统就能从更全面的角度来描述和分析当前的运行状态。 [0065] 类似地，系统也需要将X个趋势表现要素向量投影到目标知识关系网上，得到X个目标趋势表现要素向量。这个过程与步骤142类似，但处理的对象是趋势表现要素向量。 [0066] 通过投影，趋势表现要素向量也可以被扩展到更高维的特征空间中，从而包含更多与故障趋势相关的信息。这样，系统就能更准确地识别和描述不同的故障趋势。 [0067] 最后，系统调用目标故障诊断算法对目标多维运行要素向量和X个目标趋势表现要素向量进行匹配系数确定。这个过程通常涉及到复杂的数学计算和模式识别技术。 [0068] 例如，系统可以使用余弦相似度、欧氏距离等度量方法来计算两类向量之间的相似性或差异性，从而得到它们之间的匹配系数。这些匹配系数可以直观地反映出当前运行状态与不同故障趋势之间的匹配程度。 [0069] 通过这一步骤，系统最终得到了X个运行故障匹配观点，每个观点都对应着一个故障趋势标签和一个匹配系数。这些匹配观点可以为后续的故障诊断和处理提供重要的参考依据。 [0070] 在一些优选的实施例中，步骤142所描述的所述将所述多维运行要素向量投影至所述目标知识关系网，得到所述目标多维运行要素向量，包括步骤1421‑步骤1424。 [0071] 步骤1421、获取知识向量衍生模型。 [0072] 步骤1422、确定所述目标知识关系网的特征尺寸。 [0073] 步骤1423、基于所述目标知识关系网的特征尺寸对所述知识向量衍生模型的变量进行优化，得到目标知识关系网对应的目标知识向量衍生模型。 [0074] 步骤1424、将所述多维运行要素向量作为所述目标知识向量衍生模型的处理对象，通过所述目标知识向量衍生模型对所述多维运行要素向量进行扩展，得到所述目标多维运行要素向量，其中，所述目标多维运行要素向量的特征尺寸与所述目标知识关系网的特征尺寸一致。 [0075] 在处理曲轴双顶车控制系统的故障诊断时，系统首先需要获取一个关键的工具‑‑知识向量衍生模型。这个模型是一种专门设计用于从原始数据中提取和衍生出与故障诊断相关的深层知识的算法。它能够帮助系统将多维运行要素向量转化为更丰富、更具表达力的形式。 [0076] 其次，系统确定目标知识关系网的特征尺寸。特征尺寸是一个重要的参数，它定义了知识关系网中信息的维度和复杂度。通过了解目标知识关系网的特征尺寸，系统可以确保后续的数据处理和分析工作能够在正确的尺度上进行。 [0077] 接下来，系统基于目标知识关系网的特征尺寸对知识向量衍生模型的变量进行优化。这个优化过程是为了确保知识向量衍生模型能够更好地适应目标知识关系网的结构和特征。通过调整模型的变量，系统可以使得衍生出的知识向量与目标知识关系网更加匹配，从而提高故障诊断的准确性和效率。 [0078] 最后，系统将多维运行要素向量作为优化后的目标知识向量衍生模型的处理对象。通过这个模型，系统对多维运行要素向量进行扩展，得到目标多维运行要素向量。这个扩展过程可以看作是对原始数据的一种增强或升维操作，它使得多维运行要素向量包含了更多与目标知识关系网相关的特征和信息。这样，系统就能够更全面地描述和分析曲轴双顶车控制系统的运行状态，从而更准确地诊断出潜在的故障。 [0079] 在这个过程中，目标多维运行要素向量的特征尺寸与目标知识关系网的特征尺寸保持一致是至关重要的。这确保了两者在信息表达上的一致性，使得系统能够更有效地利用目标知识关系网中的知识进行故障诊断。通过这种方式，系统不仅能够提高故障诊断的准确性，还能够增强其对新故障类型的适应性和识别能力。 [0080] 另外，知识向量衍生模型可以应用于不同类型的神经网络中。知识向量衍生模型的核心思想是从原始数据中提取和衍生出与特定任务（如故障诊断）相关的深层知识，这些知识通常以向量的形式表示，并可以用于增强神经网络的性能和泛化能力。 [0081] 在具体神经网络的示例中，可以考虑卷积神经网络（CNN）在图像处理中的应用来介绍知识向量衍生模型的相关概念。虽然CNN本身并不是知识向量衍生模型，但它的一些特性和组件可以用于构建这样的模型。 [0082] 卷积层与特征提取：在CNN中，卷积层负责从输入图像中提取局部特征。这些特征可以看作是图像中的知识向量，它们描述了图像中不同区域的重要信息。通过多个卷积层的堆叠，CNN能够逐渐提取出更高级别的特征表示，这些特征对于后续的分类或回归任务非常有用。 [0083] 全连接层与知识整合：在CNN的末端，通常会有一个或多个全连接层，用于将卷积层提取的特征进行整合和映射到最终的输出空间。这些全连接层可以看作是知识向量衍生模型的一部分，因为它们将不同级别的特征进行组合和变换，以产生与特定任务相关的输出。 [0084] 在这个例子中，可以通过在CNN的基础上添加额外的层或模块来构建知识向量衍生模型。例如，可以在全连接层之前引入一个自编码器（autoencoder）结构，用于学习输入数据的压缩表示（即知识向量）。这个压缩表示可以捕获输入数据中的关键信息，并在后续的任务中用于增强神经网络的性能。 [0085] 另外，知识向量衍生模型还可以借鉴其他神经网络架构的思想，如循环神经网络（RNN）中的序列建模能力，用于处理具有时序关系的输入数据。通过将这些神经网络组件与知识向量的概念相结合，可以构建出更强大、更灵活的神经网络模型，以应对各种复杂的任务和数据类型。 [0086] 在另一些可选的设计思路下，步骤144中的所述调用所述目标故障诊断算法对所述目标多维运行要素向量与所述X个目标趋势表现要素向量进行匹配系数确定，得到X个运行故障匹配观点，包括：获取所述目标多维运行要素向量的特征尺寸以及所述X个目标趋势表现要素向量中每个目标趋势表现要素向量的特征尺寸；基于所述目标多维运行要素向量的特征尺寸以及所述X个目标趋势表现要素向量中每个目标趋势表现要素向量的特征尺寸，对所述目标多维运行要素向量与所述每个目标趋势表现要素向量进行运行故障决策，得到X个运行故障匹配观点。 [0087] 在曲轴双顶车控制系统的故障诊断过程中，当系统需要确定多维运行要素向量与趋势表现要素向量之间的匹配程度时，会采用一种精细化的处理方法。这种方法不仅考虑了向量的数值信息，还深入分析了它们的特征尺寸，从而提高了故障诊断的精确性和可靠性。 [0088] 首先，系统会获取目标多维运行要素向量的特征尺寸。特征尺寸是向量中各个特征的维度或长度，它反映了特征在向量空间中的分布和重要性。通过了解特征尺寸，系统能够更准确地把握多维运行要素向量的整体结构和关键信息。 [0089] 其次，对于X个目标趋势表现要素向量中的每一个，系统也会获取其相应的特征尺寸。这些趋势表现要素向量代表了不同的故障趋势或模式，它们的特征尺寸揭示了这些趋势在向量空间中的独特性和辨识度。 [0090] 接下来，基于目标多维运行要素向量的特征尺寸以及每个目标趋势表现要素向量的特征尺寸，系统会进行运行故障决策。这个过程涉及复杂的数学计算和模式识别技术，系统会比较两类向量在特征尺寸上的相似性或差异性，从而判断当前运行状态与各个故障趋势的匹配程度。 [0091] 最后，系统根据运行故障决策的结果，得出X个运行故障匹配观点。每个观点都对应一个故障趋势，并给出了一个匹配系数，该系数量化了当前运行状态与该故障趋势的相似度。这些匹配观点为系统后续的故障诊断和处理提供了有力的支持，帮助系统更快速、更准确地定位和解决潜在的故障问题。 [0092] 通过这种方法，系统能够充分利用多维运行要素向量和趋势表现要素向量中的信息，实现对曲轴双顶车控制系统运行状态的全面监测和精准诊断。 [0093] 在另一些可能的应用场景下，首先，系统已经获取了目标多维运行要素向量以及X个目标趋势表现要素向量。这些向量包含了系统运行时的各种关键信息，如传感器读数、操作参数等。 [0094] 接下来，系统将对目标多维运行要素向量与每个目标趋势表现要素向量进行内积运算。具体来说，系统会计算这两个向量的对应元素乘积之和，得到一个标量值。这个标量值反映了目标多维运行要素向量与当前趋势表现要素向量在数值和方向上的相似度。 [0095] 在进行内积运算时，系统可能会先对向量进行归一化处理，以消除向量长度对结果的影响。归一化处理可以将向量的长度缩放到单位长度，从而使内积运算更加关注向量方向上的差异。 [0096] 完成内积运算后，系统会得到一个标量值作为匹配系数。这个匹配系数量化了目标多维运行要素向量与当前趋势表现要素向量的相似度。匹配系数越大，说明当前运行状态与该故障趋势越相似；反之，则说明相似度较低。 [0097] 系统会对目标多维运行要素向量与X个目标趋势表现要素向量中的每一个都进行上述内积运算，从而得到X个匹配系数。这些匹配系数构成了X个运行故障匹配观点，每个观点都对应一个故障趋势，并给出了当前运行状态与该故障趋势的相似度。 [0098] 最后，系统可以根据这些匹配系数进行故障决策。例如，系统可以设定一个阈值，当某个匹配系数超过这个阈值时，就认为当前运行状态与该故障趋势高度匹配，从而发出相应的故障预警或采取其他处理措施。 [0099] 通过以内积运算为示例的技术方案，系统能够实现对曲轴双顶车控制系统运行状态的精准监测和故障诊断。这种方案充分利用了多维运行要素向量和趋势表现要素向量中的信息，通过计算向量间的相似度来判断当前运行状态与各故障趋势的匹配程度，从而为后续的故障处理提供有力支持。 [0100] 在一些示例性实施例中，步骤120所描述的所述将所述待诊断历史运行数据作为多维运行要素挖掘模型的处理对象，通过所述多维运行要素挖掘模型对所述待诊断历史运行数据进行要素向量挖掘，生成多维运行要素向量，包括步骤121‑步骤123。 [0101] 步骤121、将所述待诊断历史运行数据作为所述多维运行要素挖掘模型中的数据拆解子模型的处理对象，通过所述数据拆解子模型对所述待诊断历史运行数据进行拆解，得到Y个目标运行数据块，其中，Y为大于1的整数。 [0102] 步骤122、将所述Y个目标运行数据块作为所述多维运行要素挖掘模型中的分布检测子模型的处理对象，通过所述分布检测子模型确定所述Y个目标运行数据块中的每个目标运行数据块的分布特征，得到Y个运行数据块分布特征。 [0103] 步骤123、将所述Y个目标运行数据块及所述Y个运行数据块分布特征作为所述多维运行要素挖掘模型中的特征焦点化子模型的处理对象，通过所述特征焦点化子模型对所述Y个目标运行数据块及所述Y个运行数据块分布特征进行要素提炼，生成多维运行要素向量。 [0104] 在曲轴双顶车控制系统的故障诊断过程中，系统需要处理大量的历史运行数据，以挖掘出其中的多维运行要素向量。这些向量是后续故障诊断的关键输入。为了实现这一目标，系统采用了一个多维运行要素挖掘模型，并通过一系列精细化的处理步骤来生成所需的多维运行要素向量。 [0105] 首先，系统会将待诊断历史运行数据作为多维运行要素挖掘模型中的数据拆解子模型的处理对象。数据拆解子模型的设计目的是将复杂的历史运行数据拆解成更小、更易处理的数据块。通过数据拆解子模型的处理，系统会得到Y个目标运行数据块，其中Y是一个大于1的整数。每个目标运行数据块都包含了原始历史运行数据中的一部分信息，且这些数据块在后续的处理中将作为独立的单元进行分析。 [0106] 其次，系统会将这Y个目标运行数据块作为多维运行要素挖掘模型中的分布检测子模型的处理对象。分布检测子模型的主要任务是确定每个目标运行数据块的分布特征。这些分布特征描述了数据块中数据的统计规律，如集中趋势、离散程度等。通过分布检测子模型的处理，系统会得到Y个运行数据块分布特征，每个特征都对应一个目标运行数据块。 [0107] 最后，系统会将这Y个目标运行数据块及其对应的Y个运行数据块分布特征作为多维运行要素挖掘模型中的特征焦点化子模型的处理对象。特征焦点化子模型是整个挖掘模型的核心部分，它的作用是对目标运行数据块及其分布特征进行要素提炼。要素提炼是一个复杂的过程，它涉及到对数据的深入分析和理解，以提取出最具代表性的特征。通过特征焦点化子模型的处理，系统最终会生成多维运行要素向量。这个向量包含了从历史运行数据中挖掘出的多维运行要素的信息，是后续故障诊断的重要依据。 [0108] 通过以上步骤，系统能够实现对曲轴双顶车控制系统历史运行数据的深入挖掘和分析，生成多维运行要素向量。这些向量不仅包含了丰富的运行信息，还为后续的故障诊断提供了有力的支持。 [0109] 进一步地，数据拆解子模型、分布检测子模型和特征焦点化子模型是多维运行要素挖掘模型中的三个关键组成部分，它们在处理和分析历史运行数据时发挥着重要的作用。下面将通过具体的算法示例来介绍这三个子模型。 [0110] 数据拆解子模型的主要任务是将复杂的历史运行数据拆解成更小、更易处理的数据块。这可以通过多种算法来实现，例如聚类算法或分割算法。 [0111] 聚类算法示例：K‑means聚类是一种常用的数据拆解方法。系统可以将历史运行数据看作是一个高维空间中的点集，然后使用K‑means算法将这些点分成Y个聚类。每个聚类代表一个目标运行数据块，这样就能够将原始数据拆解成更小的部分。 [0112] 分布检测子模型用于确定每个目标运行数据块的分布特征。这通常涉及到统计分析和概率分布拟合。 [0114] 概率分布拟合示例：系统可以尝试使用不同的概率分布（如正态分布、指数分布、泊松分布等）来拟合每个目标运行数据块的数据，并选择最佳拟合的分布作为该数据块的分布特征。 [0115] 特征焦点化子模型是整个挖掘模型的核心部分，它的作用是对目标运行数据块及其分布特征进行要素提炼。这通常涉及到特征选择和特征转换。 [0116] 特征选择示例：系统可以使用基于统计的方法（如方差分析、卡方检验）或基于机器学习的方法（如决策树、随机森林的特征重要性评估）来选择每个目标运行数据块中最具代表性的特征。 [0117] 特征转换示例：对于选定的特征，系统可以进行进一步的转换以增强其表现力。常见的特征转换方法包括标准化、归一化、离散化、对数转换等。此外，系统还可以通过主成分分析（PCA）或线性判别分析（LDA）等方法进行降维处理，以提取出数据的主要成分。 [0118] 综上所述，数据拆解子模型、分布检测子模型和特征焦点化子模型共同构成了多维运行要素挖掘模型的核心框架。通过这些子模型的协同作用，系统能够实现对历史运行数据的深入挖掘和分析，提取出多维运行要素向量，为后续的故障诊断提供有力支持。 [0119] 在另一些可能的实施例中，步骤123中的所述将所述Y个目标运行数据块及所述Y个运行数据块分布特征作为所述多维运行要素挖掘模型中的特征焦点化子模型的处理对象，通过所述特征焦点化子模型对所述Y个目标运行数据块及所述Y个运行数据块分布特征进行要素提炼，生成多维运行要素向量，包括步骤1231‑步骤1233。 [0120] 步骤1231、将所述Y个目标运行数据块作为所述特征焦点化子模型中的特征要素聚焦节点的处理对象，通过所述特征要素聚焦节点确定Y个目标运行数据块中两两目标运行数据块的匹配系数，得到Z个数据块匹配系数，其中，Z＝Y*（Y‑1）/2，Z为大于1的整数。 [0121] 步骤1232、将所述Y个目标运行数据块作为所述特征焦点化子模型中的特征嵌入节点的处理对象，通过所述特征嵌入节点提取所述Y个目标运行数据块中每个目标运行数据块的要素知识，得到Y个运行数据块要素知识。 [0122] 步骤1233、将所述Z个数据块匹配系数、所述Y个运行数据块要素知识及所述Y个运行数据块分布特征作为所述特征焦点化子模型中的特征集成节点的处理对象，通过所述特征集成节点将所述Z个数据块匹配系数、所述Y个运行数据块要素知识及所述Y个运行数据块分布特征进行要素集成，得到多维运行要素向量。 [0123] 在曲轴双顶车控制系统的故障诊断过程中，为了从大量的历史运行数据中提炼出多维运行要素向量，系统会利用一个多维运行要素挖掘模型。在这个模型的最后阶段，特征焦点化子模型扮演着关键的角色，它负责对之前步骤中得到的Y个目标运行数据块及其分布特征进行深入的要素提炼。 [0124] 首先，系统将Y个目标运行数据块输入到特征焦点化子模型中的特征要素聚焦节点。特征要素聚焦节点的设计目的是评估这些数据块之间的相似性或关联性。为了实现这一点，系统会计算每两个目标运行数据块之间的匹配系数。这些匹配系数反映了数据块在数值、分布或其他相关特征上的相似程度。通过这一步骤，系统会得到Z个数据块匹配系数，其中Z等于Y乘以（Y减1）再除以2，确保每对数据块都被唯一地比较了一次。 [0125] 其次，系统会将同样的Y个目标运行数据块作为特征焦点化子模型中的特征嵌入节点的处理对象。特征嵌入节点的任务是深入挖掘每个数据块内部的要素知识。这些要素知识可能是数据块中的特定模式、异常点、周期性行为或其他对故障诊断有价值的信息。通过特征嵌入节点的处理，系统能够提取出每个目标运行数据块的关键特征，得到Y个运行数据块要素知识。 [0126] 最后，系统会将这Z个数据块匹配系数、Y个运行数据块要素知识以及Y个运行数据块分布特征一并输入到特征焦点化子模型中的特征集成节点。特征集成节点的作用是将这些来自不同层面的信息进行综合集成。在这个过程中，系统可能会使用各种机器学习算法或统计技术来确保集成的有效性和准确性。集成的结果是一个多维运行要素向量，这个向量不仅包含了原始历史运行数据中的关键信息，还通过特征焦点化子模型的处理得到了进一步的提炼和优化。 [0127] 通过以上步骤，系统能够实现对曲轴双顶车控制系统历史运行数据的全面挖掘和深入分析，生成对故障诊断至关重要的多维运行要素向量。 [0128] 在多维运行要素挖掘模型中，特征要素聚焦节点、特征嵌入节点和特征集成节点是特征焦点化子模型中的关键组成部分。下面将通过具体的算法示例来介绍这三个节点。 [0129] 特征要素聚焦节点的目标是确定不同目标运行数据块之间的匹配系数，以量化它们之间的相似性或关联性。 [0130] 算法示例：余弦相似度是一种常用的计算向量之间相似度的方法，它可以用于特征要素聚焦节点。系统首先将每个目标运行数据块表示为一个特征向量，然后计算每对特征向量之间的余弦相似度。余弦相似度的值介于‑1和1之间，值越接近1表示向量之间的相似度越高。通过这种方式，系统可以得到一个匹配系数矩阵，其中每个元素表示一对目标运行数据块之间的相似度。 [0131] 特征嵌入节点的任务是提取每个目标运行数据块中的要素知识，即数据块内部的特征或模式。 [0132] 算法示例：自编码器是一种常用的无监督特征学习方法，它可以用于特征嵌入节点。系统首先构建一个自编码器神经网络，该网络由编码器和解码器两部分组成。编码器将输入的目标运行数据块压缩成一个低维的隐藏表示，而解码器则尝试从隐藏表示中重构原始数据块。通过训练自编码器最小化重构误差，系统可以学习到数据块中的有用特征，这些特征被存储在编码器的隐藏层中，作为要素知识。 [0133] 特征集成节点的目标是将来自特征要素聚焦节点和特征嵌入节点的信息进行综合集成，以生成多维运行要素向量。 [0134] 算法示例：集成方法可以采用简单的拼接（concatenation）或更复杂的融合策略，如加权平均、神经网络融合等。以拼接为例，系统可以将匹配系数矩阵、要素知识向量和其他相关特征进行拼接，形成一个更长的特征向量。这个特征向量就是多维运行要素向量，它综合了不同层面的信息，可以用于后续的故障诊断或其他相关任务。 [0135] 需要注意的是，以上算法示例仅为一种可能的实现方式，实际应用中可以根据具体需求和数据特性选择适合的算法和技术。此外，特征焦点化子模型的设计和实现可能涉及更多的细节和优化，以确保提取的多维运行要素向量具有更好的表示能力和诊断性能。 [0136] 在又一些示例性实施例中，步骤121中的所述将所述待诊断历史运行数据作为所述多维运行要素挖掘模型中的数据拆解子模型的处理对象，通过所述数据拆解子模型对所述待诊断历史运行数据进行拆解，得到Y个目标运行数据块，包括步骤1211‑步骤1213。 [0137] 步骤1211、将所述待诊断历史运行数据作为所述数据拆解子模型中的拆解节点的处理对象，通过所述拆解节点对所述待诊断历史运行数据进行拆解，生成Y个运行数据单元。 [0138] 步骤1212、将所述Y个运行数据单元作为所述数据拆解子模型中的特征编码节点的处理对象，通过所述特征编码节点对所述Y个运行数据单元进行特征编码，生成Y个运行数据块编码集。 [0139] 步骤1213、将所述Y个运行数据块编码集作为所述数据拆解子模型中的数据更新节点的处理对象，通过所述数据更新节点对所述Y个运行数据块编码集进行数据更新，生成Y个目标运行数据块，其中，所述目标运行数据块对应的特征尺寸小于所述运行数据单元的特征尺寸。 [0140] 在曲轴双顶车控制系统的故障诊断流程中，当系统需要将待诊断历史运行数据作为多维运行要素挖掘模型的输入时，数据拆解子模型的作用就显得尤为关键。这个子模型负责将复杂且庞大的历史运行数据拆解成更小、更易于处理的数据块，为后续的分布检测和特征焦点化提供基础。 [0141] 首先，系统会将待诊断历史运行数据输入到数据拆解子模型中的拆解节点。拆解节点的工作机制类似于一个高级的数据分割工具，它会根据预设的规则或算法，如时间序列的窗口滑动、事件的触发条件等，对待诊断历史运行数据进行拆解。这种拆解是为了打破原始数据的连续性或复杂性，使其能够更容易被分析和处理。经过拆解节点的处理，系统会生成Y个运行数据单元，每个单元都包含了原始数据中的一部分信息。 [0142] 其次，这些运行数据单元会被进一步传递到数据拆解子模型中的特征编码节点。特征编码节点的作用是对每个运行数据单元进行特征层面的转换或提取。这种转换可能是将原始数据中的某些特征进行编码，如将文本描述转换为数字编码，或是提取出数据中的关键统计特征等。经过特征编码节点的处理，每个运行数据单元都会被转换成一个对应的运行数据块编码集，这个编码集包含了数据单元在特征层面的表达。 [0143] 最后，这些运行数据块编码集会被输入到数据拆解子模型中的数据更新节点。数据更新节点的工作是对编码集进行进一步的优化或筛选，以确保每个目标运行数据块都包含了最有价值的信息。这种更新可能涉及到数据的降维、特征的筛选或重新计算等。经过数据更新节点的处理，系统会生成Y个目标运行数据块。这些目标运行数据块不仅包含了原始历史运行数据中的关键信息，而且其特征尺寸通常会比原始的运行数据单元要小，这使得后续的处理和分析更加高效和准确。 [0144] 通过以上步骤，系统能够利用数据拆解子模型对待诊断历史运行数据进行有效的拆解和处理，生成的目标运行数据块为后续的多维运行要素挖掘提供了坚实的基础。 [0145] 在一些可能的实施例中，步骤130中的所述将所述X个故障趋势标签作为趋势表现要素挖掘模型的处理对象，通过所述趋势表现要素挖掘模型对所述X个故障趋势标签进行要素向量挖掘，生成X个趋势表现要素向量，包括步骤131‑步骤135。 [0146] 步骤131、将所述X个故障趋势标签中的每个故障趋势标签作为所述趋势表现要素挖掘模型中的阶段趋势拆解节点的处理对象，通过所述阶段趋势拆解节点对所述X个故障趋势标签中的每个故障趋势标签进行阶段趋势拆解，得到所述X个阶段趋势子标签集合。 [0147] 步骤132、将所述X个阶段趋势子标签集合作为所述趋势表现要素挖掘模型中的趋势向量识别子模型的处理对象，通过所述趋势向量识别子模型对所述X个阶段趋势子标签集合中的每个阶段趋势子标签集合进行处理，生成X个阶段趋势表征向量集合。 [0148] 步骤133、将所述X个阶段趋势表征向量集合作为所述趋势表现要素挖掘模型中的阶段趋势关注子模型的处理对象，通过阶段趋势关注子模型对所述X个阶段趋势表征向量集合中的每个阶段趋势表征向量集合进行处理，生成X个阶段趋势关注向量集合，其中，所述阶段趋势关注向量集合中包括最少一个阶段趋势关注向量。 [0149] 步骤134、对所述X个阶段趋势关注向量集合中的每个阶段趋势关注向量集合中的阶段趋势关注向量进行集成，得到X个故障趋势集成向量。 [0150] 步骤135、对所述X个故障趋势集成向量中的每个故障趋势集成向量进行区间数值映射，得到X个趋势表现要素向量。 [0151] 在曲轴双顶车控制系统的故障诊断流程中，当系统需要深入挖掘故障趋势标签背后的要素向量时，趋势表现要素挖掘模型就发挥了关键作用。这个模型能够通过对故障趋势标签的细致处理，生成具有丰富表现力的趋势表现要素向量。 [0152] 首先，系统会将X个故障趋势标签逐一输入到趋势表现要素挖掘模型中的阶段趋势拆解节点。这个节点的任务是对每个故障趋势标签进行阶段趋势拆解，也就是将标签中蕴含的故障趋势按照不同的阶段或特征进行细分。经过拆解，系统会得到X个阶段趋势子标签集合，每个集合都包含了对应故障趋势标签在不同阶段或层面上的表现。 [0153] 其次，这些阶段趋势子标签集合会被送入趋势向量识别子模型进行处理。这个子模型的作用是通过特定的算法或模型，如深度学习中的循环神经网络（RNN）或长短期记忆网络（LSTM），来识别并提取每个阶段趋势子标签集合中的特征，进而生成对应的阶段趋势表征向量集合。这些表征向量集合在数值上刻画了阶段趋势子标签集合的关键特征。 [0154] 接着，系统会将这些阶段趋势表征向量集合作为阶段趋势关注子模型的输入。这个子模型的任务是通过对表征向量的进一步分析和处理，筛选出每个阶段中最具代表性的趋势信息，并生成相应的阶段趋势关注向量集合。这些关注向量集合不仅精简了信息，还突出了每个阶段中的核心趋势特征。 [0155] 然后，系统会对每个阶段趋势关注向量集合中的关注向量进行集成。这一步骤通常涉及将多个关注向量通过加权平均、串联或其他集成策略合并成一个更具全局代表性的故障趋势集成向量。这样，每个故障趋势标签就都对应了一个集成了其各阶段关键趋势信息的集成向量。 [0156] 最后，系统会对这些故障趋势集成向量进行区间数值映射。这一步是为了将集成向量的数值范围转换到一个统一的尺度上，便于后续的分析和比较。经过映射后，系统最终得到X个趋势表现要素向量，这些向量不仅综合了故障趋势标签的各阶段信息，还具有了统一的数值表达形式，为后续的故障诊断提供了有力的数据支持。 [0157] 在另一些可能的实施例中，步骤133中的所述将所述X个阶段趋势表征向量集合作为所述趋势表现要素挖掘模型中的阶段趋势关注子模型的处理对象，通过阶段趋势关注子模型对所述X个阶段趋势表征向量集合中的每个阶段趋势表征向量集合进行处理，生成X个阶段趋势关注向量集合，包括：将所述X个阶段趋势表征向量集合中的每个阶段趋势表征向量集合作为所述阶段趋势关注子模型中的特征聚焦节点的处理对象，通过所述特征聚焦节点识别每个阶段趋势表征向量集合中的阶段趋势表征向量之间的语义，得到X个第一故障表现聚焦向量集合，其中，所述第一故障表现聚焦向量集合包括最少一个第一故障表现聚焦向量；将所述X个第一故障表现聚焦向量集合中的每个第一故障表现聚焦向量集合作为所述阶段趋势关注子模型中的第一融合节点的处理对象，通过所述第一融合节点对每个第一故障表现聚焦向量集合中的第一故障表现聚焦向量进行集成处理，得到X个第一融合向量；将所述X个第一融合向量作为所述阶段趋势关注子模型中的第一区间数值映射节点的处理对象，通过所述第一区间数值映射节点对所述X个第一融合向量进行区间数值映射，得到X个第一量化趋势向量；将所述X个第一量化趋势向量作为所述阶段趋势关注子模型中的特征嵌入节点的处理对象，通过所述特征嵌入节点识别所述X个第一量化趋势向量中的每两个第一量化趋势向量之间的语义信息，得到X个阶段趋势关注向量集合，其中，每个所述阶段趋势关注向量集合中包括X*（X‑1）/2个阶段趋势关注向量。 [0158] 在曲轴双顶车控制系统的故障诊断流程中，当系统需要更深入地处理阶段趋势表征向量集合时，趋势表现要素挖掘模型中的阶段趋势关注子模型将发挥重要作用。这个子模型能够通过对表征向量的精细处理，进一步提炼出关键的趋势关注向量。 [0159] 首先，系统将X个阶段趋势表征向量集合输入到阶段趋势关注子模型中的特征聚焦节点。特征聚焦节点的核心任务是识别每个阶段趋势表征向量集合内部向量之间的语义关系。这种语义关系可能体现在向量间的相似性、差异性或是某种特定的关联模式上。通过特征聚焦节点的处理，系统能够提取出每个集合中最具有代表性的故障趋势信息，进而生成X个第一故障表现聚焦向量集合。每个这样的集合都包含了至少一个第一故障表现聚焦向量，这些向量在数值上刻画了对应阶段趋势表征向量集合中的关键故障特征。 [0160] 其次，系统将这X个第一故障表现聚焦向量集合传递给第一融合节点进行处理。第一融合节点的作用是对每个集合中的聚焦向量进行集成处理。这种集成可能涉及加权平均、串联或其他复杂的数学运算，目的是将多个聚焦向量合并成一个更具全局代表性的第一融合向量。经过第一融合节点的处理，系统得到了X个第一融合向量，每个向量都综合了对应阶段趋势表征向量集合中的多个关键故障特征。 [0161] 接着，这些第一融合向量会被输入到第一区间数值映射节点进行进一步处理。这个节点的任务是将每个第一融合向量的数值范围映射到一个统一的区间内。这种映射有助于消除不同向量之间由于量纲或数值范围差异带来的分析难度，使得后续的处理更加便捷和准确。经过第一区间数值映射节点的处理，系统得到了X个第一量化趋势向量，这些向量在数值上具有了可比性。 [0162] 最后，系统将这X个第一量化趋势向量作为特征嵌入节点的输入。特征嵌入节点的目标是识别每两个第一量化趋势向量之间的语义信息。这种语义信息可能体现在向量间的相关性、依赖关系或是某种特定的结构特征上。通过特征嵌入节点的处理，系统能够生成X个阶段趋势关注向量集合。每个集合中都包含了X*（X‑1）/2个阶段趋势关注向量，这些向量在数值上刻画了不同第一量化趋势向量之间的关键语义关系，为后续的故障诊断提供了丰富的数据支持。 [0163] 在一些可独立的实施例中，所述方法还包括步骤210‑步骤250。 [0164] 步骤210、获取运行数据调试样例及故障趋势调试样例，其中，所述故障趋势调试样例用于反映所述运行数据调试样例的故障趋势信息。 [0165] 步骤220、将所述运行数据调试样例作为多维运行要素挖掘模型的处理对象，通过所述多维运行要素挖掘模型对所述运行数据调试样例进行要素向量挖掘，生成多维运行要素向量调试样例。 [0166] 步骤230、将所述故障趋势调试样例作为趋势表现要素挖掘模型的处理对象，通过所述趋势表现要素挖掘模型对所述故障趋势调试样例进行要素向量挖掘，生成趋势表现要素向量调试样例。 [0167] 步骤240、调用目标故障诊断算法对所述多维运行要素向量调试样例与所述趋势表现要素向量调试样例进行匹配系数确定，得到运行故障匹配观点调试样例，其中，所述目标故障诊断算法用于将所述多维运行要素向量调试样例与所述趋势表现要素向量调试样例进行扩展，并对扩展得到的多维运行要素向量调试样例与趋势表现要素向量调试样例进行匹配系数确定。 [0168] 步骤250、基于所述运行故障匹配观点调试样例确定训练误差，通过所述训练误差对所述目标故障诊断算法的变量进行改进。 [0169] 在曲轴双顶车控制系统的故障诊断与优化流程中，为了提高故障诊断算法的准确性和效率，系统通常会采用一系列的训练和调试步骤。这些步骤包括对运行数据和故障趋势样例的获取、处理，以及利用这些样例对故障诊断算法进行训练和调优。 [0170] 首先，系统会获取运行数据调试样例及故障趋势调试样例。运行数据调试样例是系统正常运行时产生的数据样本，而故障趋势调试样例则反映了这些运行数据在出现故障时的趋势信息。这些样例对于理解系统的正常行为和故障模式至关重要。 [0171] 其次，系统将运行数据调试样例作为多维运行要素挖掘模型的处理对象。多维运行要素挖掘模型是一个能够深入挖掘运行数据中隐藏信息的工具。通过对运行数据调试样例的处理，该模型能够生成多维运行要素向量调试样例。这些向量在数值上刻画了运行数据在各个维度上的关键特征，是后续故障诊断的重要基础。 [0172] 同时，系统还会将故障趋势调试样例作为趋势表现要素挖掘模型的处理对象。趋势表现要素挖掘模型专门用于提取故障趋势中的关键信息。通过对故障趋势调试样例的处理，该模型能够生成趋势表现要素向量调试样例。这些向量在数值上反映了故障趋势的关键特征，为后续的故障匹配提供了重要依据。 [0173] 接着，系统会调用目标故障诊断算法对多维运行要素向量调试样例与趋势表现要素向量调试样例进行匹配系数确定。目标故障诊断算法是一种专门用于将运行数据与故障趋势进行匹配的工具。通过对扩展得到的多维运行要素向量调试样例与趋势表现要素向量调试样例进行匹配系数确定，该算法能够生成运行故障匹配观点调试样例。这些样例在数值上反映了运行数据与故障趋势之间的匹配程度，是评估故障诊断算法性能的重要指标。 [0174] 最后，系统基于运行故障匹配观点调试样例确定训练误差，并通过该训练误差对目标故障诊断算法的变量进行改进。训练误差反映了故障诊断算法在当前样例上的性能表现。通过对训练误差的分析和处理，系统能够找到算法中的不足之处并进行相应的优化调整。这种基于样例的训练和调优过程能够显著提高故障诊断算法的准确性和效率，使其在实际应用中能够更好地满足需求。 [0175] 在一些示例中，所述多维运行要素向量调试样例包括P个多维运行要素向量调试样例，所述趋势表现要素向量调试样例包括P个趋势表现要素向量调试样例，P为大于1的整数。则步骤240中的所述调用目标故障诊断算法对所述多维运行要素向量调试样例与所述趋势表现要素向量调试样例进行匹配系数确定，得到运行故障匹配观点调试样例，包括：调用目标故障诊断算法对所述P个多维运行要素向量调试样例与所述P个趋势表现要素向量调试样例进行匹配系数确定，得到运行故障匹配观点集调试样例，其中，所述运行故障匹配观点集调试样例包括P*P个匹配系数调试样例，所述匹配系数调试样例用于反映多维运行要素向量调试样例与趋势表现要素向量调试样例之间的匹配性。 [0176] 在曲轴双顶车控制系统的故障诊断流程中，当涉及到多维运行要素向量调试样例和趋势表现要素向量调试样例的匹配时，系统会通过特定的算法来处理这些样例，并生成反映它们之间匹配性的调试样例。 [0177] 首先，多维运行要素向量调试样例包含了P个多维运行要素向量调试样例，这些样例分别代表了系统在不同运行状态下多维度的关键特征。同样地，趋势表现要素向量调试样例也包括了P个趋势表现要素向量调试样例，这些样例则反映了系统在不同故障趋势下的关键表现。 [0178] 其次，在步骤240中，系统会调用目标故障诊断算法对这P个多维运行要素向量调试样例与P个趋势表现要素向量调试样例进行匹配系数确定。这一步骤的目的是量化每个多维运行要素向量调试样例与每个趋势表现要素向量调试样例之间的匹配程度。匹配系数是一个数值，它反映了两个向量样例在数值特征上的相似性或相关性。 [0179] 在这个过程中，目标故障诊断算法会针对每一对多维运行要素向量调试样例和趋势表现要素向量调试样例进行计算，生成一个匹配系数调试样例。由于有P个多维运行要素向量调试样例和P个趋势表现要素向量调试样例，因此总共会生成P*P个匹配系数调试样例。 [0180] 最后，这些匹配系数调试样例构成了运行故障匹配观点集调试样例。这个集合中的每个样例都反映了一个多维运行要素向量调试样例与一个趋势表现要素向量调试样例之间的匹配性。通过这些匹配系数调试样例，系统能够了解在不同运行状态下系统的多维度特征与不同故障趋势之间的关联程度，从而为后续的故障诊断提供有力的数据支持。 [0181] 图2示出了人工智能故障诊断系统300的结构框图，包括：存储器310，用于存储程序指令和数据；处理器320，用于与存储器310耦合，执行所述存储器310中的指令，以实现上述的方法。 [0182] 进一步地，还提供了一种计算机存储介质，包含指令，当所述指令在处理器上执行时，实现上述的方法。 [0183] 可见，针对上述问题，本申请提出了一种基于多维运行要素挖掘和趋势表现要素挖掘的曲轴双顶车控制系统故障诊断方法。该方法通过全面获取待诊断历史运行数据（包括传感器检测数据、控制输出数据和执行器状态数据），并利用多维运行要素挖掘模型对这些数据进行要素向量挖掘，生成多维运行要素向量。同时，该方法还利用趋势表现要素挖掘模型对多个故障趋势标签进行要素向量挖掘，生成趋势表现要素向量。通过比较这两类向量的匹配系数，该方法能够准确识别出系统的当前故障趋势。具体来说，本申请的步骤110至步骤150构成了一个完整的故障诊断流程。其中，步骤110确保了数据的全面性和准确性；步骤120和步骤130通过要素向量挖掘提取了数据的关键特征；步骤140通过目标故障诊断算法确定了多维运行要素向量与趋势表现要素向量的匹配系数；步骤150则基于匹配系数确定了目标故障趋势标签。这一系列步骤相互关联、层层递进，共同实现了对曲轴双顶车控制系统的高效、准确故障诊断。 [0184] 更为具体的，传统方法和一些现有的数据驱动方法在处理曲轴双顶车控制系统的故障诊断时，往往仅依赖于单一的传感器检测数据，而忽略了控制输出数据和执行器状态数据。这种方法的局限性在于它可能无法捕捉到故障的全部特征，特别是当故障涉及到多个系统组件的交互时。技术方案中的步骤110解决了这个问题，因为它明确指出了要获取的数据不仅包括传感器检测数据，还包括控制输出数据和执行器状态数据。这样，故障诊断过程就能考虑到更全面的系统运行信息，从而提高诊断的准确性。 [0185] 现有的故障诊断方法在确定故障趋势时，通常只考虑与已知故障类型相对应的固定标签。这意味着当出现新的、未知的故障类型时，这些方法可能无法有效识别。技术方案中的步骤130和步骤150通过引入趋势表现要素挖掘模型和目标故障趋势标签的确定过程，提供了一种更灵活、可扩展的方式来处理故障趋势。特别是，通过要素向量挖掘和匹配系数的计算，该方法能够识别出与已知标签不同的新故障趋势，从而增强了其在实际应用中的适应性和通用性。 [0186] 由于传统方法和一些现有的数据驱动方法在数据处理和故障趋势识别方面的局限性，它们的诊断准确性可能受到影响。技术方案通过一系列步骤（步骤120的要素向量挖掘、步骤140的匹配系数确定和步骤150的目标故障趋势标签确定）提供了一种更精确、系统的故障诊断方法。这种方法不仅考虑了更全面的数据，还通过要素向量挖掘和匹配系数计算来精确识别故障趋势，从而提高了诊断的准确性。 [0187] 在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。 [0188] 另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。 [0189] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。 [0190] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。 |
||||||
QQ群二维码
意见反馈
意见反馈