本發(fā)明涉及設(shè)備生產(chǎn)監(jiān)控技術(shù)領(lǐng)域，特別是涉及一種基于機(jī)器學(xué)習(xí)的設(shè)備狀態(tài)智能診斷方法及裝置。

背景技術(shù)：

在工業(yè)生產(chǎn)領(lǐng)域中，傳統(tǒng)的設(shè)備狀態(tài)監(jiān)測方案是通過定閾值監(jiān)測或者簡單的多閾值監(jiān)測判斷的，但是這種方案可以通用地解決一類狀態(tài)檢測問題。隨著被監(jiān)測狀態(tài)和參數(shù)的多樣化以及所處行業(yè)生產(chǎn)過程的復(fù)雜化或者其他非一致性的客觀條件，基于傳統(tǒng)的定值監(jiān)測技術(shù)越來越不能適應(yīng)這種變化，難以保證狀態(tài)判斷結(jié)果的準(zhǔn)確度。

為了解決這一問題，在現(xiàn)有的技術(shù)情況下，采用的是有經(jīng)驗(yàn)的人員配合監(jiān)測系統(tǒng)實(shí)現(xiàn)人工干預(yù)和預(yù)判斷從而進(jìn)行有效的判斷，由于基于個人經(jīng)驗(yàn)的差異以及種種思維慣性，這種機(jī)器結(jié)合人工的方法具有一定的局限性。

技術(shù)實(shí)現(xiàn)要素：

針對于上述問題，本發(fā)明提供一種設(shè)備狀態(tài)診斷方法及裝置，實(shí)現(xiàn)了提高了設(shè)備狀態(tài)診斷的準(zhǔn)確度和精確度的目的。

為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面，提供了一種設(shè)備狀態(tài)診斷方法，該方法包括：

對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設(shè)備歷史故障樣本數(shù)據(jù)；

根據(jù)所述典型樣本故障分類及其特征值，對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類；

獲得所述故障初步分類對應(yīng)的樣本特征值，對所述樣本特征值進(jìn)行加權(quán)計(jì)算得到相似度參數(shù)，并根據(jù)所述相似度參數(shù)確定所述被測樣本的故障分類；

判斷所述故障分類的種類數(shù)量是否滿足預(yù)設(shè)條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預(yù)設(shè)條件為所述故障初步分類為單一種類；

當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障初步分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類。

優(yōu)選的，所述根據(jù)所述典型樣本故障分類及其特征值，對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類，包括：

根據(jù)所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

依據(jù)所述判斷條件，對所述被測樣本進(jìn)行參數(shù)關(guān)聯(lián)分析，判斷得到所述被測樣本的故障初步分類。

優(yōu)選的，所述當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類，包括：

當(dāng)所述故障初步分類的結(jié)果為多個分類時，獲取各個分類下的歷史樣本；

對所述歷史樣本通過相似度評判標(biāo)準(zhǔn)進(jìn)行評判，得到各個分類下對應(yīng)的歷史樣本的相似度值；

對所述相似度值進(jìn)行排序，將相似度值最高的對應(yīng)的分類作為所述被測樣本的故障診斷分類。

優(yōu)選的，當(dāng)對所述相似度值進(jìn)行排序，得到相似值最高的對應(yīng)的分類為多個時，該方法還包括：

根據(jù)人工經(jīng)驗(yàn)對所述多個分類進(jìn)行判斷分析，得到唯一的故障分類，將所述分類作為所述被測樣本的故障診斷分類。

優(yōu)選的，當(dāng)確定所述被測樣本的故障診斷分類之后，該方法還包括：

將所述被測樣本記錄到歷史樣本數(shù)據(jù)庫中，并對所述典型樣本故障分類進(jìn)行修正。

根據(jù)本發(fā)明的第二方面，提供了一種設(shè)備狀態(tài)診斷裝置，該裝置包括：

處理模塊，用于對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設(shè)備歷史故障樣本數(shù)據(jù)；

第一判斷模塊，用于根據(jù)所述典型樣本故障分類及其特征值，對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類；

分類模塊，用于獲得所述故障初步分類對應(yīng)的樣本特征值，對所述樣本特征值進(jìn)行加權(quán)計(jì)算得到相似度參數(shù)，并根據(jù)所述相似度參數(shù)確定所述被測樣本的故障分類；

第二判斷模塊，用于判斷所述故障分類的種類數(shù)量是否滿足預(yù)設(shè)條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預(yù)設(shè)條件為所述故障初步分類為單一種類；

第三判斷模塊，用于當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障初步分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類。

優(yōu)選的，所述第一判斷模塊包括：

確定單元，用于根據(jù)所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

初步判斷單元，用于依據(jù)所述判斷條件，對所述被測樣本進(jìn)行參數(shù)關(guān)聯(lián)分析，判斷得到所述被測樣本的故障初步分類。

優(yōu)選的，所述第三判斷模塊包括：

獲取單元，用于當(dāng)所述故障初步分類的結(jié)果為多個分類時，獲取各個分類下的歷史樣本；

評判單元，用于對所述歷史樣本通過相似度評判標(biāo)準(zhǔn)進(jìn)行評判，得到各個分類下對應(yīng)的歷史樣本的相似度值；

排序單元，用于對所述相似度值進(jìn)行排序，將相似度值最高的對應(yīng)的分類作為所述被測樣本的故障診斷分類。

優(yōu)選的，當(dāng)對所述相似度值進(jìn)行排序，得到相似值最高的對應(yīng)的分類為多個時，該裝置還包括：

人工判斷單元，用于根據(jù)人工經(jīng)驗(yàn)對所述多個分類進(jìn)行判斷分析，得到唯一的故障分類，將所述分類作為所述被測樣本的故障診斷分類。

優(yōu)選的，當(dāng)確定所述被測樣本的故障診斷分類之后，該裝置還包括：

修正模塊，用于將所述被測樣本記錄到歷史樣本數(shù)據(jù)庫中，并對所述典型樣本故障分類進(jìn)行修正。

相較于現(xiàn)有技術(shù)，本發(fā)明對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值；對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類；獲得所述故障初步分類對應(yīng)的樣本特征值，進(jìn)行加權(quán)計(jì)算得到相似度參數(shù)，并確定所述被測樣本的故障分類；判斷所述故障分類的種類數(shù)量是否滿足預(yù)設(shè)條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類；當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障初步分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類。本發(fā)明基于歷史樣本作為分類和判斷的依據(jù)有效解決了現(xiàn)有技術(shù)中個體差異和人工判斷不準(zhǔn)確的情況，并且在本發(fā)明中采用了多次判斷使結(jié)果更加準(zhǔn)確，降低了誤判的可能性，最后將被測樣本歸入歷史樣本數(shù)據(jù)庫中，隨著數(shù)據(jù)庫中數(shù)據(jù)的增加，使后續(xù)的判斷可信度越來越高，進(jìn)而實(shí)現(xiàn)了提高了設(shè)備狀態(tài)診斷的準(zhǔn)確度和精確度的目的。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例一提供的一種設(shè)備狀態(tài)診斷方法的流程示意圖；

圖2為本發(fā)明實(shí)施例二對應(yīng)的圖1中s12步驟獲取故障初步分類的流程示意圖；

圖3為本發(fā)明實(shí)施例二對應(yīng)的圖1中s16步驟精確模型判斷的流程示意圖；

圖4為本發(fā)明實(shí)施例三提供的一種設(shè)備狀態(tài)診斷裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”和“第二”等是用于區(qū)別不同的對象，而不是用于描述特定的順序。此外術(shù)語“包括”和“具有”以及他們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有設(shè)定于已列出的步驟或單元，而是可包括沒有列出的步驟或單元。

實(shí)施例一

參見圖1為本發(fā)明實(shí)施例一提供的一種設(shè)備狀態(tài)診斷方法的流程示意圖，該方法包括以下步驟：

s11、對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設(shè)備歷史故障樣本數(shù)據(jù)；

具體的，在歷史樣本數(shù)據(jù)庫中獲取到歷史樣本數(shù)據(jù)后，采用統(tǒng)計(jì)學(xué)方法對樣本數(shù)據(jù)進(jìn)行初步的歸類和整理，通常會使用k-近鄰算法進(jìn)行歸納，得到典型樣本故障分類，分類的數(shù)量通過人工判斷結(jié)合歷史數(shù)據(jù)整理會逐漸增多。舉例說明，比如獲取到汽輪機(jī)歷史故障樣本數(shù)據(jù)，對其進(jìn)行典型樣本的故障分類可以分為轉(zhuǎn)子突變性不平衡、轉(zhuǎn)子不對中、轉(zhuǎn)子形狀熱彎曲、專職支承部件松動、轉(zhuǎn)軸徑向碰磨、旋轉(zhuǎn)失速和油膜渦動這幾類典型故障，此處只是舉例說明故障類型，但是不局限于上述幾類故障分類。并根據(jù)現(xiàn)有技術(shù)中的方法獲得對應(yīng)的樣本特征值。并且，典型樣本數(shù)據(jù)的歸類應(yīng)以同類型全部樣本歷史數(shù)據(jù)作為參考。

s12、根據(jù)所述典型樣本故障分類及其特征值，對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類；

具體的，將被測樣本與所述典型樣本故障分類進(jìn)行比較獲得被測樣本的初步分類。計(jì)算相似度時應(yīng)以時間維度以及樣本置信率作為主要參考，過老的記錄和過新的記錄在相似度比例中應(yīng)占比更低，作為被多次近鄰的樣本其置信度應(yīng)該更高，若所有相似度低于一個標(biāo)準(zhǔn)值，則該狀態(tài)應(yīng)該作為一個新故障分類進(jìn)行處理，作為孤本樣本，應(yīng)排除在相似度計(jì)算中。

s13、獲得所述故障初步分類對應(yīng)的樣本特征值，對所述樣本特征值進(jìn)行加權(quán)計(jì)算得到相似度參數(shù)，并根據(jù)所述相似度參數(shù)確定所述被測樣本的故障分類；

具體的，當(dāng)確定了被測樣本的初步分類后還有對所述初步分類進(jìn)行驗(yàn)證，以確定該初步分類是否為被測樣本的故障分類。

s14、判斷所述故障分類的種類數(shù)量是否滿足預(yù)設(shè)條件，如果是，則執(zhí)行步驟s15，如果否，則執(zhí)行步驟s16。

s15、將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預(yù)設(shè)條件為所述故障初步分類為單一種類；

s16、當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障初步分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類。

具體的，確定所述被測樣本的故障分類后，如果得到的分類種類為多種需要進(jìn)行進(jìn)一步判斷，已得到最接近故障分類記作故障診斷分類。

通過本發(fā)明實(shí)施例一公開的技術(shù)方案，對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值；對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類；獲得所述故障初步分類對應(yīng)的樣本特征值，進(jìn)行加權(quán)計(jì)算得到相似度參數(shù)，并確定所述被測樣本的故障分類；判斷所述故障分類的種類數(shù)量是否滿足預(yù)設(shè)條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類；當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障初步分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類。本發(fā)明基于歷史樣本作為分類和判斷的依據(jù)有效解決了現(xiàn)有技術(shù)中個體差異和人工判斷不準(zhǔn)確的情況，并且在本發(fā)明中采用了多次判斷使結(jié)果更加準(zhǔn)確，降低了誤判的可能性，最后將被測樣本歸入歷史樣本數(shù)據(jù)庫中，隨著數(shù)據(jù)庫中數(shù)據(jù)的增加，使后續(xù)的判斷可信度越來越高，進(jìn)而實(shí)現(xiàn)了提高了設(shè)備狀態(tài)診斷的準(zhǔn)確度和精確度的目的。

實(shí)施例二

參照本發(fā)明實(shí)施例一和圖1中所描述的s11到s16步驟的具體過程，并參見圖2，所述步驟s12根據(jù)所述典型樣本故障分類及其特征值，對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類，具體包括以下步驟：

s121、根據(jù)所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

s122、依據(jù)所述判斷條件，對所述被測樣本進(jìn)行參數(shù)關(guān)聯(lián)分析，判斷得到所述被測樣本的故障初步分類。

具體的，在獲得了典型樣本故障分類后，針對不同分類情況下，歸納明確的判斷條件，然后對被測樣本進(jìn)行參數(shù)關(guān)聯(lián)性分析歸類，獲得被測樣本的故障初步分類。其中，根據(jù)樣本特征值和故障類型會存在不同的歸類方法，最簡單的是手動歸類即由專家自己分類；或者是基于線性回歸，邏輯回歸聚類等多種歸類方式，均可作為本發(fā)明中提到的參數(shù)關(guān)聯(lián)性分析歸類的手段，本發(fā)明對此不做限定。

參見圖3，所述步驟s16當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類，具體包括：

s161、當(dāng)所述故障初步分類的結(jié)果為多個分類時，獲取各個分類下的歷史樣本；

s162、對所述歷史樣本通過相似度評判標(biāo)準(zhǔn)進(jìn)行評判，得到各個分類下對應(yīng)的歷史樣本的相似度值；

s163、對所述相似度值進(jìn)行排序，將相似度值最高的對應(yīng)的分類作為所述被測樣本的故障診斷分類。

可以理解的是，在確定了被測樣本其可能的故障分類后，針對其可能的故障分類下面的樣本創(chuàng)建精確模型，即結(jié)合歷史數(shù)據(jù)總結(jié)樣本分布得出較為準(zhǔn)確的特征值和故障分類表現(xiàn)的聯(lián)系程度，后經(jīng)數(shù)學(xué)提到計(jì)算得出較為準(zhǔn)確的判斷模型；方法為對故障分類下的歷史樣本通過相似度評判標(biāo)準(zhǔn)進(jìn)行評判也就是在獲得了所述歷史樣本的特征值后，采用k-臨近算法，對特征值進(jìn)行加權(quán)計(jì)算獲得所述各個歷史樣本的相似度值，然后基于所述精確模型進(jìn)行相似性判斷，得出相似度值進(jìn)行排序，確認(rèn)其相似度值較高的對應(yīng)的分類作為所述被測樣本的故障診斷分類。其中，相似度評判標(biāo)準(zhǔn)可由外部參數(shù)設(shè)定或者模型內(nèi)部設(shè)定，然后采用邏輯回歸算法或神經(jīng)網(wǎng)絡(luò)分類器，根據(jù)實(shí)時數(shù)據(jù)計(jì)算的特征值計(jì)算代價(jià)函數(shù)，通過反復(fù)迭代使得該樣本數(shù)據(jù)的代價(jià)函數(shù)最小，這樣可以獲得相似度值。

同時，若經(jīng)過精確模型判斷后仍為多個故障分類，需要對應(yīng)的分類作為所述被測樣本的故障診斷分類。通常可以交由人工判斷或者記錄置信率(基于記錄時間以及該記錄被近似的次數(shù)和概率)進(jìn)行更廣度的確認(rèn)，確認(rèn)其單一故障分類作為故障診斷分類。

當(dāng)確定所述被測樣本的故障診斷分類之后，該方法還包括：

將所述被測樣本記錄到歷史樣本數(shù)據(jù)庫中，并對所述典型樣本故障分類進(jìn)行修正。

可以理解的是，確認(rèn)結(jié)果后，結(jié)果應(yīng)記錄在歷史樣本數(shù)據(jù)庫中，同時完成歷史庫中的典型故障特征及典型故障樣本修正，進(jìn)一步可以為樣本置信率修正，對于數(shù)量較少的樣本，其置信率應(yīng)該交由人工修正。

并且說明，在本發(fā)明中的樣本的置信率標(biāo)識該樣本在某個故障分類下的概率，給出的是判斷結(jié)果的可信度，對于大子樣的區(qū)間估計(jì)與置信率的計(jì)算方法如下：

根據(jù)本發(fā)明實(shí)施例二公開的技術(shù)方案，對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值，對被測樣本進(jìn)行初步判斷時采用k-近鄰算法判斷故障所述類型，去除一定的符合相似度的分類所述，采用的k-近鄰算法精確度高，方法成熟，既可以用來作分類也可以用來做回歸。在本發(fā)明中首先是初步分類的判斷，根據(jù)相似度確定初步分類的準(zhǔn)確性，然后是進(jìn)行精確判斷得到最終的分類，如果分類不單一還采用人工干預(yù)進(jìn)行判斷，這樣保證了判斷結(jié)果的準(zhǔn)確性，降低了誤判的可能性。由于所有的判斷過程都是機(jī)器算法完成，即采用機(jī)器學(xué)習(xí)方式，隨著數(shù)據(jù)庫內(nèi)數(shù)據(jù)的增加，該判定可信度將越來越高。進(jìn)而實(shí)現(xiàn)了提高了設(shè)備狀態(tài)診斷的準(zhǔn)確度和精確度的目的。

實(shí)施例三

與本發(fā)明實(shí)施例一和實(shí)施例二所公開的一種設(shè)備診斷方法相對應(yīng)，本發(fā)明的實(shí)施例三還提供了一種設(shè)備診斷裝置，參見圖4，該裝置包括：

處理模塊1，用于對獲取到的歷史樣本進(jìn)行處理得到典型樣本故障分類及其特征值，其中所述歷史樣本為設(shè)備歷史故障樣本數(shù)據(jù)；

第一判斷模塊2，用于根據(jù)所述典型樣本故障分類及其特征值，對所述被測樣本進(jìn)行相似度判斷得到所述被測樣本的故障初步分類；

分類模塊3，用于獲得所述故障初步分類對應(yīng)的樣本特征值，對所述樣本特征值進(jìn)行加權(quán)計(jì)算得到相似度參數(shù)，并根據(jù)所述相似度參數(shù)確定所述被測樣本的故障分類；

第二判斷模塊4，用于判斷所述故障分類的種類數(shù)量是否滿足預(yù)設(shè)條件，如果是，則將所述故障分類確定為所述被測樣本的故障診斷分類，其中，所述預(yù)設(shè)條件為所述故障初步分類為單一種類；

第三判斷模塊5，用于當(dāng)所述故障分類的種類數(shù)量不滿足所述預(yù)設(shè)條件時，創(chuàng)建精確模型，將所述故障初步分類輸入到所述精確模型中進(jìn)行判斷，得到所述被測樣本的故障診斷分類。

對應(yīng)的，所述第一判斷模塊2包括：

確定單元21，用于根據(jù)所述典型樣本故障分類及其特征值，確定每種故障分類的判斷條件；

初步判斷單元22，用于依據(jù)所述判斷條件，對所述被測樣本進(jìn)行參數(shù)關(guān)聯(lián)分析，判斷得到所述被測樣本的故障初步分類。

對應(yīng)的，所述第三判斷模塊5包括：

獲取單元51，用于當(dāng)所述故障初步分類的結(jié)果為多個分類時，獲取各個分類下的歷史樣本；

評判單元52，用于對所述歷史樣本通過相似度評判標(biāo)準(zhǔn)進(jìn)行評判，得到各個分類下對應(yīng)的歷史樣本的相似度值；

排序單元53，用于對所述相似度值進(jìn)行排序，將相似度值最高的對應(yīng)的分類作為所述被測樣本的故障診斷分類。

具體的，當(dāng)對所述相似度值進(jìn)行排序，得到相似值最高的對應(yīng)的分類為多個時，該裝置還包括：

人工判斷單元，用于根據(jù)人工經(jīng)驗(yàn)對所述多個分類進(jìn)行判斷分析，得到唯一的故障分類，將所述分類作為所述被測樣本的故障診斷分類。

對應(yīng)的，當(dāng)確定所述被測樣本的故障診斷分類之后，該裝置還包括：

修正模塊6，用于將所述被測樣本記錄到歷史樣本數(shù)據(jù)庫中，并對所述典型樣本故障分類進(jìn)行修正。

在本發(fā)明的實(shí)施例三中，在處理模塊中得到了典型樣本故障分類及其特征值，在第一判斷模塊中得到所述被測樣本的故障初步分類；在分類模塊中確定所述被測樣本的故障分類；在第二判斷模塊中，如果故障分類結(jié)果為單一分類，將將所述故障分類確定為所述被測樣本的故障診斷分類，在第三判斷模塊中，將不是單一分類的進(jìn)行再次判斷得到所述被測樣本的故障診斷分類。本發(fā)明基于歷史樣本作為分類和判斷的依據(jù)有效解決了現(xiàn)有技術(shù)中個體差異和人工判斷不準(zhǔn)確的情況，并且在本發(fā)明中采用了多次判斷使結(jié)果更加準(zhǔn)確，降低了誤判的可能性，最后將被測樣本歸入歷史樣本數(shù)據(jù)庫中，隨著數(shù)據(jù)庫中數(shù)據(jù)的增加，使后續(xù)的判斷可信度越來越高，進(jìn)而實(shí)現(xiàn)了提高了設(shè)備狀態(tài)診斷的準(zhǔn)確度和精確度的目的。

本說明書中各個實(shí)施例采用遞進(jìn)的方式描述，每個實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個實(shí)施例之間相同相似部分互相參見即可。對于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

對所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。