(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111647888.4 (22)申请日 2021.12.3 0 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 娄渊胜　赵润发　 (51)Int.Cl. G06K 9/62(2022.01) (54)发明名称 一种基于工业流数据的设备故障诊断方法 (57)摘要 本发明公开了一种基于工业流数据的设备 故障诊断的方法， 包括如下步骤： 首先提出一套 流数据Random  Forest(随机森林)算 法设备故障 诊断的框架， 利用Flink实现了Random  Forest算 法的并行化； 然后利用Flink对初始数据进行数 据清洗去除其噪声， 得到预处理后的训练集和测 试集； 接着构建随机森林(Rando m Forest)模型， 对正常数据和已知异常数据进行分类， 根据多个 决策树投票选出出现故障的属性。 由于随机森 林 会出现过拟合 现象， 所以引进Earl y Stopping技 术， 解决随机森林算法所产生的过拟合问题。 最 后利用训练集进行测试验证， 计算出测试集相对 于原始数据集的精度和运行效率。 本发明为现代 工业提供了一种分布式设备故障诊断的方法， 极 大地提高了工业生产效率， 工业场景下的设备故 障诊断对工业 运作具有重要的指导 意义。 权利要求书1页 说明书4页 附图1页 CN 114154594 A 2022.03.08 CN 114154594 A 1.一种基于 工业流数据的设备故障诊断的构建方法， 其特 征在于， 包括如下步骤： 步骤1： 利用Flink将测试数据传入到Kafka工业流数据消息管道中， Kafka保证数据传 输的局部有序性， 同时起到一定的削峰作用； 步骤2： Flink消费Kafk a中的数据， 对原始数据进行去重并去除和预期差异较大的无效 数据； 同时Flink具有滚动窗口机制， 处理器在每个窗口中运行一个随机森林检测模型， 窗 口中会保存活动点和其元 数据， 实现算法的并行化； 步骤3： 构建单个决策树。 预处理后的数据集为D， 从根节点开始， 计算数据集D的基尼系 数。 如果样本个数小于阈值或者基尼系数小于阈值， 则返回决策树子树， 当前节点停止递 归。 若上述满足条件， 在计算出来的基尼系 数中， 选择基尼系 数最小的特征A和对应的特征 值a。 根据最优特征和最优特征值， 把D划分成两部分D1和D2， 同时建立当前节点的左右节 点， 左节点的数据集D为D1， 右节点的数据集D为D2。 对左右的子节点递归的调用以上步骤， 生成单个决策树； 步骤4： 针对数据集D抽样b次并放回， 当b小于等于数据集D的个数m时得到一个子集， 该 子集作为 新的训练集。 重复上述方式抽样C次， 得到 C个随机采样集； 步骤5： 根据C个随机采样集， 分别构建步骤3的决策树。 增加随机抽取属性的步骤， 在当 前节点包含的d个属性中随机抽取c个属性(c≤ d)， 从含有c个属性的属性子集中选取最优 属性进行划分， 在建立决策树时， 不对决策树进行剪枝加工处 理； 步骤6： 针对C棵决策树输出各自结果， 根据相对多数投票法原 理， 对所有决策树模型的 输出结果进行投票， 选择出票数最多的输出结果作为 随机森林模型 的输出结果， 即为出现 异常的设备属性； 步骤7： 采用深度学习中的Early  stopping(早停法)， 在每一轮训练数据遍历结束 (Epoch)时计算验证数据集的准确率， 若准确率不再提高， 此时便可停止迭代， 并更新步骤 3‑6中的模型； 步骤8： 将上述训练出来的结果与实际数据比对， 计算出识别设备故障的精度。 2.如权要求1所述的基于工业流数据的设备故障诊断方法， 其特征在于， 步骤2中采用 Flink自带的Rock sDB状态后端去重方式对工业大数据集去重， 利用Flink  DataStream  API 的Evictor()方法去除无效数据。 3.如权要求1所述的基于工业流数据的设备故障诊断方法， 其特征在于， 所述步骤3 中， 对于基尼系数的公式为： 其中K为类别个数， Pk为第k个类别的概率， Gini指数可用来确定某个特征的最优切分 点。 4.如权要求1所述的基于工业流数据的设备故障诊断方法， 其特征在于， 所述步骤6 中， 采用相对多数投票法原理， 组合多个决策树， 能够准确输出工业中出现异常的数据。 5.如权要求1所述的基于工业流数据的设备故障诊断方法， 其特征在于， 所述步骤7中， 采用“No‑improvement ‑in‑n”策略， 在训练的过程中， 记录到目前为止最好的验证集精度， 当连续10次Epoch(或者更多次)没达到最佳精度时， 则可以认为精度不再提高了， 停止迭代。权　利　要　求　书 1/1 页 2 CN 114154594 A 2一种基于工 业流数据的设 备故障诊断方 法 技术领域 [0001]本发明涉及 一种基于大数据和机器学习的工业设备故障诊断模型的构建方法， 具 体来说， 将Flink大数据技术和机器学习中的随机森林算法相结合， 并针对随机森林的缺点 加以改进引入Early  stopping技术， 对工业设备进行诊断。 背景技术 [0002]现在人类进入工业大数据时代， 设备故障诊断在工业系统中显得愈发重要。 提前 诊断出工业设备问题， 并根据其使用情况进 行规划和安排， 能够大大降低突 发情况的出现， 同时也能够降低运营成本， 提高企业自身的竞争力。 工业系统中数据量大， 且包含较多噪声 因素， 传统的故障诊断模型Ran dom Forest对工业大数据并不 “友好”， 且故障诊断率、 准确 率都较低， 同时会出现过拟合现象， 具有一定的局限性。 因此应采用多种模型形成的故障诊 断方法， 并和大数据技术相结合来克服单种方法的缺点。 因此， 结合多种模型和大数据技术 形成的方法将成为工业系统中设备故障诊断的方向。 发明内容 [0003]发明目的： 针对当前工业大数据规模大、 类型杂、 噪声多的特点， 且传统单一设备 诊断方法不具有针对性、 预测精确度低的缺点， 利用Flink对工业大数据进 行预处理并实现 算法的并行化， 且采用随机森林模型和Early  stopping相结合的方法对设备故障进行诊 断， 提高设备故障诊断的准确性。 [0004]技术方案： 一种基于Random  Forest‑Early Stopping的设备故障诊断方法， 利用 Java作为编程语言构建三个模块， 分别是Flink预处理模块、 Random  Forest建模模块、 Early Stopping去过拟合模块。 因为工业大数据噪声多、 无效数据多， 所以先用Flink对工 业大数据进行预处理， 并通过Flink的滚动窗口实现Random  Forest算法的并行化， 提高方 法的效率； 接着构建随机森林模型， 对正常数据和已知异常数据进 行分类， 根据异常数据分 布特征判断故障数据。 然后采用Ear ly stopping方法解决随机森林可能会 出现的过拟合现 象， 并更新 随机森林模型。 最终利用训练集进行测试验证， 计算出故障诊断算法的精度。 包 括如下步骤： [0005]步骤1： 利用Flink将测试数据传入到Kafka工业流数据消息管道中， Kafka保证数 据传输的局部有序性， 同时起到一定的削峰作用。 [0006]步骤2： Flink消费Kafka中的数据并利用自带的RocksDB状态后端去重方式对测试 数据去重。 然后利用Flink  DataStre am API的Evictor()方法去除和预期差异较大的无效 数据； 同时Flink具有滚动窗口机制， 处理器在每个窗口中运行一个随机森林检测算法， 窗 口中会保存活动点和其元 数据， 实现算法的并行化。 [0007]步骤3： 构建单个决策树。 当前节点预处理后的数据集为D， 从根节点开始， 计算数 据集D的基尼系数， 公式如下：说　明　书 1/4 页 3 CN 114154594 A 3