一种感控系统故障预测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115840919A(43)申请公布日2023.03.24(21)申请号202211562279.3(22)申请日2022.12.07(71)申请人老肯医疗科技股份有限公司地址611730四川省成都市郫都区现代工业港北片区港通北三路211号申请人西南交通大学(72)发明人孙金虎杨云姬少峰李祚云黄勤鲁登波刘勇(74)专利代理机构成都华飞知识产权代理事务所(普通合伙)51281专利代理师徐鸿(51)Int.Cl.G06F18/2431(2023.01)G06F18/2135(2023.01)G06F18/214(2023.01)权利要求书2页说明书9页附图2页(54)发明名称一种感控系统故障预测方法及装置(57)摘要本发明提出了一种感控系统故障预测方法及装置，涉及感控技术领域。本发明通过将感控系统中的设备按照工作阶段进行划分，得到多个设备集；然后实时获取各个设备集中设备的参数信息；分别根据各个设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；根据各个工作阶段的评估结果，从各个设备集中设备的参数信息中确定故障特征；最后根据故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对感控系统进行故障预测，得到系统故障预测结果。其故障预测结果更加准确，得到故障特征都是有效的故障特征，进一步提高了系统故障预测的准确度，进而提高了整个感控系统的可靠性。CN115840919ACN115840919A权利要求书1/2页1.一种感控系统故障预测方法，其特征在于，包括以下步骤：将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；实时获取各个所述设备集中设备的参数信息；分别根据各个所述设备集中设备的参数信息，采用各个设备集对应的健康评估模型进行评估，得到各个工作阶段的评估结果；根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定故障特征；根据所述故障特征，采用基于核主元成分分析算法和随机森林算法构建的故障预测模型对所述感控系统进行故障预测，得到系统故障预测结果。2.根据权利要求1所述的感控系统故障预测方法，其特征在于，所述健康评估模型的构建，包括以下步骤：分别获取各个设备集的历史数据样本，所述各个设备集的历史数据样本包括历史设备参数信息，以及对应工作阶段的健康状态；根据所述各个设备集的历史数据样本，分别采用基于XGBoost算法的评估模型进行训练，得到各个设备集对应的健康评估模型。3.根据权利要求1所述的感控系统故障预测方法，其特征在于，根据所述各个工作阶段的评估结果，从各个所述设备集中设备的参数信息中确定出故障特征，包括以下步骤：将所述各个工作阶段的评估结果分别与对应的阶段阈值进行对比，得到多个对比结果；根据所述多个对比结果，确定异常工作阶段；根据所述异常工作阶段，提取出对应设备集中设备的参数信息；根据所述对应设备集中设备的参数信息和对应的对比结果，确定出故障特征。4.根据权利要求3所述的感控系统故障预测方法，其特征在于，根据所述对应设备集中设备的参数信息和对应的对比结果，确定出故障特征，包括以下步骤：将所述异常工作阶段对应的对比结果作为权重；将所述对应设备集中设备的参数信息作为特征参数；将所述特征参数与所述权重相乘，得到故障特征。5.根据权利要求1所述的感控系统故障预测方法，其特征在于，还包括以下步骤：获取故障训练集和故障测试集；根据所述故障训练集，采用核主元成分分析算法和随机森林算法进行模型构建，得到初始预测模型；采用所述故障测试集，对所述初始预测模型进行优化，得到故障预测模型。6.根据权利要求5所述的感控系统故障预测方法，其特征在于，根据所述故障训练集，采用核主元成分分析算法和随机森林算法进行模型构建，得到初始预测模型，包括以下步骤：对所述故障训练集中的特征样本进行归一化处理，得到预处理特征样本；对预处理特征样本加入随机噪声，得到新的特征样本；采用核主元成分分析算法，对所述新的特征样本进行核主元提取，得到新的特征样本2CN115840919A权利要求书2/2页矩阵；根据所述新的特征样本矩阵与所述故障训练集，对预置的随机森林模型进行训练，得到初始预测模型。7.根据权利要求1所述的感控系统故障预测方法，其特征在于，还包括以下步骤：根据系统故障预测结果，确定故障设备，并根据所述故障设备生成故障提醒信息。8.一种感控系统故障预测装置，其特征在于，包括：设备划分模块，用于将感控系统中的设备按照工作阶段进行划分，得到多个设备集，所述设备集中包括一个或多个设备；参数信息获取模块，用于实时获取各个所述设备集中设备的参数信息；评估模块，用于分别根据各个所述设备集中设备的参数信息，采用各个设