基于多变量时序特征的设备实时故障检测方法研究.pdfVIP

哈尔滨工程大学专业学位硕士学位论文

摘要

故障检测在工业生产和国防建设等领域发挥着重要的作用。由于大多数工业设备采

集的数据都具有时间序列属性，而现有的故障检测算法很少有能够运用到采集数据的时

间序列特性的。本文在全面分析故障检测技术原理的基础上，聚焦于设备采集数据的时

间序列属性，同时针对故障检测系统对于模型管理、更新和数据分析的要求，基于数据

回流功能方案，设计并实现了一个基于多变量时间序列特征的设备实时故障检测系统。

本文的主要工作包括：

（1）针对提高故障检测模型准确性和可靠性的要求，提出了一种改进的Stacking集

成学习模型架构实现方法，通过将多变量时间序列分类算法、BootstrapSampling和概率

分箱操作应用到Stacking集成学习方式中，结合了多种模型的优势，帮助元模型更好地

理解基模型的预测行为，使得整体故障检测算法更加稳健，提高了故障检测的鲁棒性和

准确性。实验证明，基于改进的Stacking集成学习模型架构的整体故障检测算法，

Accuracy准确率相较于三种基模型提高了2-6个百分点，F1-score提高了2-7个百分点。

（2）给出了一种改进的多变量时间序列森林TSF分类算法，针对TSF算法中子序

列随机抽取的缺陷，提出了筛选最佳子序列的方法，使用这些方法，只有一部分子序列

被选择。该算法能够根据所采集数据的时间序列属性，提取到历史数据的有效信息，结

合当前时刻的数据，对设备目前的运行状态做出判断，提高了算法对故障检测的准确率。

相比于传统的TSF算法，改进的TSF算法将故障检测的准确率提高了大约3个百分点。

（3）设计并搭建了一个基于数据回流和模型管理的交互式平台。该平台基于核心

故障检测算法，实现了数据的不断滚动回流与模型更新、维护等操作，同时将设备数据、

模型数据、检测数据等实时可视化显示，实现了用户的交互式操作。通过系统测试分析

验证了各个模块功能的可靠性，为设备的实时故障检测提供了技术支持。

采用本文的研究方案所设计的实时故障检测系统，能够利用工业设备采集数据的时

间序列属性，捕捉到数据内部的时间序列信息，提高了故障检测算法的准确率，同时由

于基于集成学习模型架构设计，使得故障检测算法更具有稳健性，最后，本系统能够实

现故障检测模型的数据回流和管理、更新等功能，提高了实时故障检测系统的实用性和

可靠性。

关键词：人工智能；故障检测；集成学习；时间序列分类；平台搭建

哈尔滨工程大学专业学位硕士学位论文

Abstract

Faultdetectionplaysanimportantroleinfieldssuchasindustrialproductionandnational

defenseconstruction.Sincemostofthedatacollectedbyindustrialequipmenthastimeseries

attributes,fewexistingfaultdetectionalgorithmscantakeadvantageofthetimeseries

characteristicsofthecollecteddata.Basedonacomprehensiveanalysisoftheprinciplesof

faultdetectiontechnology,thispaperfocusesonthetimeseriesattributesofequipment

collectiondata.Atthesametime,inviewoftherequirementsofthefaultdetectionsystemfor

dataanalysis,modelmanagementandupdate,basedonthedatarefluxfunctionscheme,a

systemisdesignedandi