(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111058850.3 (22)申请日 2021.09.10 (65)同一申请的已公布的文献号 申请公布号 CN 113505445 A (43)申请公布日 2021.10.15 (73)专利权人 北京航空航天大 学 地址 100082 北京市海淀区学院路37号 (72)发明人 宋佳　艾绍洁　赵凯　苏江城　 尚维泽　蔡国飙　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 代理人 安卫静 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/00(2006.01) G06F 111/08(2020.01) (56)对比文件 CN 10838 8860 A,2018.08.10 CN 10859478 8 A,2018.09.28 审查员 赵玲玉 (54)发明名称 基于序贯随机森林的实时故障诊断方法和 系统 (57)摘要 本发明提供了一种基于序贯随机森林的实 时故障诊断方法和系统， 包括： 获取待诊断非线 性系统的待测残差信号； 基于小波包分解提取待 测残差信号的时频特征向量； 将时频特征向量代 入到训练之后的随机森 林故障分离器中， 并对待 诊断非线性系统进行序贯概率比检验， 得到目标 故障信息； 目标故障信息包括目标 故障类型和目 标故障发生时间； 将时频特征向量和目标故障类 型代入到训练之后的回归随机森林故障辨识器 中， 得到与目标故障类型相对应的故障大小信 息。 本发明缓解了现有技术中存在的无法实现实 时的故障诊断且漏诊率和误诊率偏高的技术问 题。 权利要求书2页 说明书10页 附图3页 CN 113505445 B 2022.03.01 CN 113505445 B 1.一种基于序贯随机森林的实时故障诊断方法， 其特 征在于， 包括： 获取待诊断非线性系统的待测残差信号； 基于小波包分解 提取所述待测残差信号的时频 特征向量； 将所述时频特征向量代入到训练之后的随机森林故障分离器中， 并对所述待诊断非线 性系统进行序贯概率比检验， 得到目标故障信息； 所述 目标故障信息包括 目标故障类型和 目标故障发生时间； 将所述时频特征向量和所述目标故障类型代入到训练之后的回归随机森林故障辨识 器中， 得到与所述目标故障类型相对应的故障大小信息； 将所述时频特征向量代入到训练之后的随机森林故障分离器中， 并对所述待诊断非线 性系统进行序贯 概率比检验， 得到目标故障信息， 包括： 将所述时频特征向量代入到训练之后的随机森林故障分离器中， 根据森林投票结果得 到当前状态对应 每种故障类型发生的概 率输出； 基于所述 概率输出， 计算针对每种故障类型的序贯 概率比统计量； 基于所述每种故障类型的序贯概率比统计量， 对所述待诊断非线性系统进行序贯概率 比检验， 得到目标故障信息； 获取待诊断非线性系统的待测残差信号， 包括： 建立所述待 诊断非线性系统的标称模型， 并获取 所述标称模型的标称系统残差信号； 获取所述待诊断非线性系统的观测残差信号； 基于所述标称系统残差信号和所述观测残差信号， 得到所述待测残差信号； 所述方法还包括： 基于所述标称系统残差信号和所述观测残差信号， 得到所述待测残 差信号， 包括： 通过如下算式， 确定所述待测残差信号： el=es‑g(en,tr,tc)； 其中， el为所述待测残差信 号， es为所述观测残差信号， en为所述标称系统残差信号， g(en,tr,tc)为标称残差注入函数， tr,tc分别为指令信号改变时刻和标称残差注入持续时间； 所述方法还 包括： 获取所述待诊断非线性系统的残差样本训练集； 所述残差样本训练集包括正常模态下 的残差样本数据和故障模态下的残差样本数据； 基于所述残差样本训练集， 对预设随机森林故障分离器进行训练， 并利用麻雀寻优算 法对所述预设随机森林故障分离器的结构参数组合进 行寻优， 得到最优结构参数组合对应 的训练之后的随机森林故障分离器。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取所述待诊断非线性系统的故障类型训练集； 所述故障类型训练集包括所述待诊断 非线性系统在每 个故障类型 下的残差样本数据； 基于所述故障类型训练集， 对预设回归随机森林故障辨识器进行训练， 并利用麻雀寻 优算法对所述预设回归随机森林故障辨识器的结构参数组合进行寻优， 得到最优结构参数 组合对应的训练之后的回归随机森林故障辨识器。 3.根据权利要求1所述的方法， 其特征在于， 基于所述概率输出， 计算针对每种故障类 型的序贯 概率比统计量， 包括： 通过如下算式计算针对每种故障类型的序贯 概率比统计量：权　利　要　求　书 1/2 页 2 CN 113505445 B 2其中， 为所述待诊断非线性系统在t时刻发生第k种故障类型的序贯概率比统计 量， 为所述待诊断非线性系统在t ‑ts时刻发生第k种故障类型的序贯概率比统计量， ts为所述待测残差信号的截 取时间间隔， Pk(Xt)为所述待诊断非线性系统在t时刻发生了第 k种故障类型的概 率， P0(Xt)为所述待 诊断非线性系统在t时刻正常的概 率。 4.一种基于序贯随机森林的实时故障诊断系统， 其特征在于， 包括： 获取模块， 提取模 块， 故障分离模块和故障辨识模块； 其中， 所述获取模块， 用于获取待 诊断非线性系统的待测残差信号； 所述提取模块， 用于基于小 波包分解 提取所述待测残差信号的时频 特征向量； 所述故障分离模块， 用于将所述 时频特征向量代入到训练之后的随机森林故障分离器 中， 并对所述待诊断非线性系统进 行序贯概率比检验， 得到目标故障信息； 所述目标故障信 息包括目标故障类型和目标故障发生时间； 所述故障辨识模块， 用于将所述 时频特征向量和所述目标故障类型代入到训练之后的 回归随机森林故障辨识器中， 得到与所述目标故障类型相对应的故障大小信息； 所述故障分离模块， 还用于将所述 时频特征向量代入到训练之后的随机森林故障分离 器中， 根据森林投票结果得到当前状态对应每种故障类型发生的概率输出； 基于所述概率 输出， 计算针对每种故障类型 的序贯概率比统计量； 基于所述每种故障类型 的序贯概率比 统计量， 对所述待 诊断非线性系统进行序贯 概率比检验， 得到目标故障信息； 所述获取模块， 还用于： 建立所述待诊断非线性系统 的标称模型， 并获取所述标称模型 的标称系统残差信号； 获取所述待诊断非线性系统的观测残差信号； 基于所述标称系统残差信号和所述观测残差信号， 得到所述待测残差信号； 所述获取模块， 还用于： 基于所述标称系统残差信号和所述观测残差信号， 得到所述待 测残差信号， 包括： 通过如下算式， 确定所述待测残差信号： el=es‑g(en,tr,tc)； 其中， el为所述待测残差信 号， es为所述观测残差信号， en为所述标称系统残差信号， g(en,tr,tc)为标称残差注入函数， tr,tc分别为指令信号改变时刻和标称残差注入持续时间； 所述系统还包括第一训练模块， 用于： 获取所述待诊断非线性系统的残差样本训练集； 所述残差样本训练集包括正常模态下的残差样本数据和故障模态下的残差样本数据； 基于 所述残差样本训练集， 对预设随机森林故障分离器进行训练， 并利用麻雀寻优算法对所述 预设随机森林故障分离器的结构参数组合进 行寻优， 得到最优结构参数组合对应的训练之 后的随机森林故障分离器。 5.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现上述权利要求1至3 任一项所述的方法的步骤。 6.一种具有处理器可执行的非易失的程序代码的计算机可读介质， 其特征在于， 所述 程序代码使所述处 理器执行所述权利要求1 ‑3任一项所述方法。权　利　要　求　书 2/2 页 3 CN 113505445 B 3