一种故障诊断方法、装置、系统和存储介质与流程

1.本技术涉及故障诊断技术领域，尤其涉及一种故障诊断方法、装置、系统和存储介质。

背景技术：

2.城市轨道交通近些年来在我国迅速发展，已经成为大中城市人们出行常用交通工具之一。但是，随着城市轨道交通建设规模的扩大，对轨道交通运营维护的要求逐步提高，因此需要采取更加安全可靠的方式来保障城市轨道交通的正常运营。
3.保障城市轨道交通安全可靠的运营离不开各设备的正常工作，由于设备具有结构复杂、互相关联以及传递性强等特点，因此在发生故障后难以精确把控故障设备的诊断和定位。

技术实现要素：

4.本技术实施例期望提供一种故障诊断方法、装置、系统和存储介质。
5.本技术的技术方案是这样实现的：
6.本技术第一方面的实施例提供一种故障诊断方法，包括：
7.基于当前的故障事实，确定第一故障特征；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；
8.若无法确定所述第一故障特征，则将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；
9.基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。
10.可选地，所述基于当前的故障事实，确定第一故障特征，包括：
11.基于故障诊断规则和多个故障事实之间的逻辑关系，创建故障树模型；
12.基于当前的故障事实，查询所述故障树模型，确定所述第一故障特征。
13.可选地，所述将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征，包括：
14.将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第三故障特征；所述第三故障特征为所述多个故障特征中预测误差最小的故障特征；
15.若所述第三故障特征不为与所述故障事实唯一相关的最小故障特征，则将与所述第三故障特征相关的多个故障特征输入至回归树预测模型进行处理，确定第四故障特征；所述第三故障特征为与所述第三故障特征相关的多个所述故障特征中预测误差最小的故障特征；
16.若所述第四故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第四故障特征确定为第二故障特征。
17.可选地，若所述第三故障特征为与所述故障事实唯一相关的最小故障特征，则将
所述第三故障特征确定为第二故障特征。
18.可选地，所述回归树预测模型为cart回归树预测模型。
19.本技术的第二方面的实施例提供一种故障诊断装置，包括：
20.第一确定模块，用于基于当前的故障事实，确定第一故障特征；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；
21.第二确定模块，用于若无法确定所述第一故障特征，则将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；
22.第三确定模块，用于基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。
23.可选地，所述第一确定模块具体用于：
24.基于故障诊断规则和多个故障事实之间的逻辑关系，创建故障树模型；
25.基于当前的故障事实，查询所述故障树模型，确定所述第一故障特征。
26.可选地，所述第一确定模块具体用于：
27.将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第三故障特征；所述第三故障特征为所述多个故障特征中预测误差最小的故障特征；若所述第三故障特征不为与所述故障事实唯一相关的最小故障特征，则将与所述第三故障特征相关的多个故障特征输入至回归树预测模型进行处理，确定第四故障特征；所述第三故障特征为与所述第三故障特征相关的多个所述故障特征中预测误差最小的故障特征；若所述第四故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第四故障特征确定为第二故障特征。
28.可选地，所述第二确定模块还用于：
29.若所述第三故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第三故障特征确定为第二故障特征。
30.本技术的第三方面的实施例提供一种故障诊断系统，包括：知识库、推理机和解释机，其中，
31.所述知识库，包括故障树模型，用于基于当前的故障事实和所述故障树，确定第一故障特征，或确定与所述故障事实相关的多个故障特征；所述故障树模型包括故障诊断规则和多个故障事实之间的逻辑关系；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；
32.所述推理机，包括回归树预测模型，用于基于与所述故障事实相关的多个故障特征，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；
33.所述解释机，用于基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。
34.本技术的第四方面的实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述方法的步骤。
35.本技术实施例提供的一种故障诊断方法、装置、系统和存储介质，所述故障诊断方法包括：基于当前的故障事实，确定第一故障特征；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；若无法确定所述第一故障特征，则将与所述故障事实相关的多个
故障特征输入至回归树预测模型进行处理，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。采用本技术的技术方案，通过当前的故障事实，可以推断出最直接的故障原因，甚至预测出导致当前故障事实的根本原因，进而提出相应的故障维修策略，提高了故障诊断的准确性和可靠性，保障了城市轨道交通系统的安全运营。
附图说明
36.图1为本技术实施例提供的一种故障诊断方法的流程示意图一；
37.图2为本技术实施例提供的故障树逻辑关系示意图；
38.图3为本技术实施例提供的一种故障诊断方法的流程示意图二；
39.图4为本技术实施例提供一种故障诊断装置的结构示意图；
40.图5为本技术实施例提供一种故障诊断系统的结构示意图；
41.图6为本技术实施例提供的检测模块场景应用示意图。
具体实施方式
42.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
43.此外，附图仅为本技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
44.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
45.在此使用的术语的目的仅在于描述具体实施例并且不作为本技术的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
46.城市轨道交通设备的维护检修至关重要，尤其是对于基础设施设备。以城市轨道交通桥梁系统为例，桥梁的上部结构病害、下部结构病害、支座病害等都会严重影响桥梁结构的稳定性，甚至造成桥梁坍塌事故，进而导致城市轨道交通车辆发生意外。因此，对于基础设施的维护，准确了解各基础设施的故障信息，进而提出相应的故障维修策略，保障城市轨道交通系统的安全运营就显得非常重要。
47.在一些实施例中，请参阅图1，图1为本技术实施例提供的一种故障诊断方法的流
程示意图一；本技术实施例提供的故障诊断方法，包括：
48.s110，基于当前的故障事实，确定第一故障特征；第一故障特征为与故障事实唯一相关的最小故障特征。
49.在本实施例中，以城市轨道交通桥梁系统为例进行说明。基于桥梁当前的故障事实，结合以往的经验数据及规律，可以推断出与该故障事实对应的故障特征，即导致当前的故障事实的直接或间接原因。
50.示例性的，当前的故障事实表现为桥梁支座病害时，可以推测出桥梁的故障特征为支座自身病害或支座坐板病害；当前的故障事实表现为支座板断裂时，可以确定桥梁的故障特征为支撑垫石补强钢筋不足。这里，由于根据经验可以确定支撑垫石补强钢筋不足是导致支座板断裂的唯一相关的最小故障特征，因此，可以确定支座板断裂对应的第一故障特征为支撑垫石补强钢筋不足。最小故障特征表征为最底层的根本原因。
51.s120，若无法确定第一故障特征，则将与故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；第二故障特征为预测误差最小的故障特征。
52.对于部分故障特征，根据以往的经验数据及规律很难直接判断出其对应的第一故障特征。如上述示例中的，当前的故障事实表现为桥梁支座病害时，可以推测出桥梁的故障特征为支座自身病害或支座坐板病害，但无法确定具体是哪一种故障特征导致的桥梁支座病害，因此，需要通过回归树预测模型对与故障事实相关的多个故障特征进行处理。
53.在一个示例中，通过皮尔森(pearson)相关性分析法研究当前的故障事实与多个故障特征之间的相关性，并将多个故障特征中相关性较强的部分或全部故障特征输入至回归树预测模型，从而确定出预测误差最小的故障特征。这里，回归树预测模型可以为cart回归树预测模型。
54.s130，基于第一故障特征或第二故障特征，确定相应的故障维修策略。
55.在本实施例中，需要对第二故障特征进行验证，确认第二故障特征是否为最底层的最小故障特征，若不是，则需要确定与第二故障特征相关的多个下位故障特征，并基于这多个下位故障特征与第二故障特征的相关性，将部分或全部下位故障特征输入至回归树预测模型，进一步进行推断，直至得到确定出表现为最小故障特征的第二故障特征。
56.在确定出第一故障特征或第二故障特征后，可以根据以往的故障维修经验，确定出相应的故障维修策略。示例性的，若第一故障特征或第二故障特征为支撑垫石补强钢筋不足，则可以补充钢筋或者更换支撑垫石。
57.本技术实施例通过当前的故障事实，可以推断出最直接的故障原因，甚至预测出导致当前故障事实的根本原因，进而提出相应的故障维修策略，提高了故障诊断的准确性和可靠性，保障了城市轨道交通系统的安全运营。
58.在一些实施例中，步骤s110包括：
59.基于故障诊断规则和多个故障事实之间的逻辑关系，创建故障树模型；
60.基于当前的故障事实，查询故障树模型，确定第一故障特征。
61.示例性的，以桥梁故障为例进行说明。请参阅表一，表一为故障事实和故障特征分别对应的符号；其中，符号t表征桥梁结构病害，e1-e17为次一级的故障事实或故障特征；x1-x15为最小故障特征。需要说明的是，表一中仅罗列桥梁故障中的部分故障事实或故障特征，实际过程中的故障事实或故障特征的种类和数量并不局限于表一，对此不进行枚举。
[0062][0063][0064]
表一
[0065]
在一个实施例中，请参阅图2，图2为本技术实施例提供的故障树逻辑关系示意图，最小故障特征为引起顶上事件t必须发生的最低限度的割集，采用布尔逻辑分析法可以求取。
[0066]
故障树的最后一阶是
[0067]
e5＝x2∪x3∪x4；e6＝x2∪x3∪x4；
[0068]
e7＝x5∪x6；e11＝x5∪x9；
[0069]
e12＝x10∪x11；e15＝x14；e16＝x13；e17＝x2∪x15。
[0070]
其上一阶可以表示为
[0071]
e4＝e5∪e6∪e7＝x2∪x3∪x4∪x5∪x6；
[0072]
e8＝x3∪x7；e9＝x2∪x3∪x8；
[0073]
e10＝e11∪e12＝x5∪x9∪x10∪x11；
[0074]
e13＝e15∪x12＝x12∪x14；
[0075]
e14＝e16∪e17＝x2∪x13∪x15。
[0076]
同理，可以分别确认e1，e2，e3对应的下一级的故障特征，其中，最小故障特征包括{x1},{x2},{x3},......,{x15}。
[0077]
以桥梁支座病害e3为例，根据故障树的结构，故障树中的各故障特征之间的逻辑关系可以采用if
…
then的方式进行表述，具体描述见表二：
[0078][0079][0080]
表二
[0081]
参见表二中的逻辑关系，对于事件k1，if(如果)支撑垫石补强钢筋不足，then(会导致)支座板断裂；对于事件k2，如果支座混凝土压坏、剥离，会导致座板贴角焊缝开裂；对于事件k3，如果支座板断裂，会导致支座坐板病害；对于事件k4，如果座板贴角焊缝开裂，会导致支座坐板病害；对于事件k5，如果支座坐板病害，会导致支座病害。
[0082]
基于上述关系，可以推测得出：如果故障事实表现为支座板断裂e16，可以推断出相应的故障特征为支撑垫石补强钢筋不足x13；如果故障事实表现为座板贴角焊缝开裂e17，可以推断出相应的故障特征可以为支座混凝土压坏、剥离x15；如果故障事实表现为支座坐板病害e14，可以推断出相应的故障特征可以为支座板断裂e16或座板贴角焊缝开裂e17；如果故障事实表现为支座病害e3，可以推断出相应的故障特征可以为支座坐板病害e14。
[0083]
需要说明的是，对于其他故障事实，故障树逻辑关系同样适用。
[0084]
结合图2的故障树逻辑关系可知，部分故障事实对应多个下位的故障特征，部分故障事实仅对应唯一下位的故障特征，因此，在获知当前的故障事实后，对于仅对应唯一下位故障特征的故障事实，可以直接通过查阅故障树，确定第一故障特征，例如故障事实为支座滑动面不平整e15、支座板断裂e16或者故障事实表现为最底层的x1-x15，此时可以直接确定最小故障特征。对于其他情况，则需要结合回归树预测模型进行处理。
[0085]
在一些实施例中，步骤s120包括：
[0086]
将与故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第三故障特征；第三故障特征为多个故障特征中预测误差最小的故障特征；
[0087]
若第三故障特征不为与故障事实唯一相关的最小故障特征，则将与第三故障特征相关的多个故障特征输入至回归树预测模型进行处理，确定第四故障特征；第三故障特征为与第三故障特征相关的多个故障特征中预测误差最小的故障特征；
[0088]
若第四故障特征为与故障事实唯一相关的最小故障特征，则将第四故障特征确定为第二故障特征。
[0089]
示例性的，以桥梁的支座位移为例进行说明，其中，与支座位移相关的故障特征包括结构温度、结构位移和动应变，其中结构位移和动应变呈现较强负相关性，相关性系数均高于-0.95；结构温度呈现正相关，相关性系数高于0.9；其他故障特征的相关性系数较小，可以忽略。因此，可以将结构温度、结构位移和动应变三项故障特征转化为相应的参数，输入至回归树预测模型，这里回归树预测模型可以为cart回归树预测模型。
[0090]
cart回归树预测模型的基本原理为：将相关性系数较大的训练数据放在根结点，通过选择最佳特征，在每个结点上进行布尔判断，判断为真的划归为左子树，其余的划归为右子树，即递归二分每个特征，将训练数据集划分为有限个子集。
[0091]
子集划分流程如下：对于所有输入的特征向量，选择第j个特征向量x
(j)
作为划分特征，选择s作为划分点，定义两个区域：
[0092]
r1(j,s)＝{x|x
(j)
≤s},r2(j,s)＝{x|x
(j)
》s}；
ꢀꢀꢀ
(1)
[0093]
其中r1(j,s)表示该特征向量划分点的左子树，r2(j,s)表示右子树。求解
[0094][0095]
即可得到最优的划分变量j与划分点s，其中yi表示预测模型的输出值，c1表示左子树的输出变量，c2表示右子树的输出变量。依次将特征向量集合划分至两个子集，重复上述划分过程，直至满足停止条件。
[0096]
当回归树预测模型的预测输出值与实测值之间的差值在一定范围内时，为正常状态；当异常数据出现时，预测模型输出的值与实测值的差值较大而偏离该范围。本实施例中可以采用残差均方和的方法来判断故障，首先设置预测残差其中，为预测输出值，y为实测值。则残差的均方和为：
[0097][0098]
其中，n为预测样本数量。接着设置故障阈值为ε0，当j≤ε0时，此时处于正常状态，当j》ε0时，处于故障状态。这里，故障阈值可以根据经验进行设定，一般取正常状态下的残差均方和的2倍，另外，针对不同特征，可以设置不同的阈值。
[0099]
通过回归树预测模型，可以确定出与故障事实相关的多个故障特征中预测误差最小的故障特征，在此之后，可以对得到的最小故障特征进行进一步的判断，若第三故障特征为与故障事实唯一相关的最小故障特征，则将第三故障特征确定为第二故障特征；若第三故障特征不为与故障事实唯一相关的最小故障特征，则将与第三故障特征相关的多个故障
特征再次输入至回归树预测模型进行处理，直至确定出第四故障特征，即与故障事实唯一相关的最小故障特征。
[0100]
在一具体实施例中，请参阅图3，图3为本技术实施例提供的一种故障诊断方法的流程示意图二，诊断开始后，依次包括以下步骤，步骤s310：提供故障事实，这里，故障事实可以是用户手动输入的，也可以是从传感器获取；步骤s320：调用故障树进行故障推理；故障树中包含多个故障特征及古惑仔那个特征之间的逻辑关系；步骤s330：判断是否推理出第一故障特征，如果是，则执行步骤s340：确定相应的维修意见；如果否，则进一步进行判别，执行步骤s341：判断能否增加故障事实，若能，则执行步骤s351：依据当前故障事实进行故障预测诊断，以及步骤s361：确定相应的维修意见；若不能，则执行步骤s350：调用故障树进行推理，以及步骤s352：是否推理出第一故障特征。若步骤s352推理出第一故障特征，则执行步骤s361，若步骤s352不能推理出第一故障特征，则执行步骤s351。
[0101]
本技术实施例通过当前的故障事实，可以推断出最直接的故障原因，甚至预测出导致当前故障事实的根本原因，进而提出相应的故障维修策略，提高了故障诊断的准确性和可靠性，保障了城市轨道交通系统的安全运营。
[0102]
在一些实施例中，请参阅图4，图4为本技术实施例提供一种故障诊断装置的结构示意图，该故障诊断装置400包括：
[0103]
第一确定模块410，用于基于当前的故障事实，确定第一故障特征；第一故障特征为与故障事实唯一相关的最小故障特征；
[0104]
第二确定模块420，用于若无法确定第一故障特征，则将与故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；第二故障特征为预测误差最小的故障特征；
[0105]
第三确定模块430，用于基于第一故障特征或第二故障特征，确定相应的故障维修策略。
[0106]
在本实施例中，以城市轨道交通桥梁系统为例进行说明。基于桥梁当前的故障事实，结合以往的经验数据及规律，可以推断出与该故障事实对应的故障特征，即导致当前的故障事实的直接或间接原因。
[0107]
示例性的，当前的故障事实表现为桥梁支座病害时，可以推测出桥梁的故障特征为支座自身病害或支座坐板病害；当前的故障事实表现为支座板断裂时，可以确定桥梁的故障特征为支撑垫石补强钢筋不足。这里，由于根据经验可以确定支撑垫石补强钢筋不足是导致支座板断裂的唯一相关的最小故障特征，因此，可以确定支座板断裂对应的第一故障特征为支撑垫石补强钢筋不足。最小故障特征表征为最底层的根本原因。
[0108]
对于部分故障特征，根据以往的经验数据及规律很难直接判断出其对应的第一故障特征。如上述示例中的，当前的故障事实表现为桥梁支座病害时，可以推测出桥梁的故障特征为支座自身病害或支座坐板病害，但无法确定具体是哪一种故障特征导致的桥梁支座病害，因此，需要通过回归树预测模型对与故障事实相关的多个故障特征进行处理。
[0109]
在本实施例中，可以通过pearson相关性分析法研究当前的故障事实与多个故障特征之间的相关性，并将多个故障特征中相关性较强的部分或全部故障特征输入至回归树预测模型，从而确定出预测误差最小的故障特征。这里，回归树预测模型可以为cart回归树预测模型。
[0110]
在首次预测误差最小的故障特征后，还需要对该故障特征进行验证，确认该故障特征是否为最底层的最小故障特征，若不是，则需要确定与第二故障特征相关的多个下位故障特征，并基于这多个下位故障特征与第二故障特征的相关性，将部分或全部下位故障特征输入至回归树预测模型，进一步进行推断，直至得到确定出表现为最小故障特征的第二故障特征。
[0111]
在确定出第一故障特征或第二故障特征后，可以根据以往的故障维修经验，确定出相应的故障维修策略。示例性的，若第一故障特征或第二故障特征为支撑垫石补强钢筋不足，则可以补充钢筋或者更换支撑垫石。
[0112]
本技术实施例通过当前的故障事实，可以推断出最直接的故障原因，甚至预测出导致当前故障事实的根本原因，进而提出相应的故障维修策略，提高了故障诊断的准确性和可靠性，保障了城市轨道交通系统的安全运营。
[0113]
在一些实施例中，第一确定模块410具体用于：
[0114]
基于故障诊断规则和多个故障事实之间的逻辑关系，创建故障树模型；
[0115]
基于当前的故障事实，查询故障树模型，确定第一故障特征。
[0116]
故障树中包含多个故障特征，以及故障特征之间的上下位逻辑关系。部分故障事实对应多个下位的故障特征，部分故障事实仅对应唯一下位的故障特征，因此，在获知当前的故障事实后，对于仅对应唯一下位故障特征的故障事实，可以直接通过查阅故障树，确定第一故障特征。对于其他情况，则需要结合回归树预测模型进行处理。
[0117]
在一些实施例中，第一确定模块410具体用于：
[0118]
将与故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第三故障特征；第三故障特征为多个故障特征中预测误差最小的故障特征；若第三故障特征不为与故障事实唯一相关的最小故障特征，则将与第三故障特征相关的多个故障特征输入至回归树预测模型进行处理，确定第四故障特征；第三故障特征为与第三故障特征相关的多个故障特征中预测误差最小的故障特征；若第四故障特征为与故障事实唯一相关的最小故障特征，则将第四故障特征确定为第二故障特征。
[0119]
通过回归树预测模型，可以确定出与故障事实相关的多个故障特征中预测误差最小的故障特征，在此之后，可以对得到的最小故障特征进行进一步的判断，若第三故障特征为与故障事实唯一相关的最小故障特征，则将第三故障特征确定为第二故障特征；若第三故障特征不为与故障事实唯一相关的最小故障特征，则将与第三故障特征相关的多个故障特征再次输入至回归树预测模型进行处理，直至确定出第四故障特征，即与故障事实唯一相关的最小故障特征。
[0120]
这里需要指出的是：以上故障诊断装置实施例的描述，与上述故障诊断方法实施例的描述是类似的，具有同故障诊断方法实施例相似的有益效果。对于本技术故障诊断装置实施例中未披露的技术细节，请参照本技术故障诊断方法实施例的描述而理解，在此不再一一赘述。
[0121]
在一些实施例中，请参阅图5，图5为本技术实施例提供一种故障诊断系统的结构示意图；本技术实施例提供一种故障诊断系统，包括：知识库510、推理机520和解释机530，其中，
[0122]
知识库510，包括故障树模型，用于基于当前的故障事实和故障树，确定第一故障
特征，或确定与故障事实相关的多个故障特征；故障树模型包括故障诊断规则和多个故障事实之间的逻辑关系；第一故障特征为与故障事实唯一相关的最小故障特征；
[0123]
推理机520，包括回归树预测模型，用于基于与故障事实相关的多个故障特征，确定第二故障特征；第二故障特征为预测误差最小的故障特征；
[0124]
解释机530，用于基于第一故障特征或第二故障特征，确定相应的故障维修策略。
[0125]
在本实施例中，故障诊断系统还包括人机交互系统540、数据库550和检测模块560，其中，
[0126]
人机交互系统540，用于实现人机之间的信息交互，用户可以包括领域专家、故障维修人员以及专家系统管理人员。
[0127]
数据库550，分别与推理机520、知识库510、人机交互系统540和检测模块560连接，用于存储检测数据以及历史诊断数据。
[0128]
检测模块560，用于对待检测目标的各部位数据进行检测，以城市轨道交通桥梁系统为例，检测对象可以为特定桥梁，检测数据可以包括结构位移、支座位移、结构温度、振动频率、振动加速度等。
[0129]
在一个示例中，请参阅图6，图6为本技术实施例提供的检测模块场景应用示意图；其中，nb-iot网关，分别连接nb-iot与传感器，传感器将采集的数据，如结构位移、支座位移、结构温度、振动频率、振动加速度等参数，通过zigbee无线模块上传至nb-iot网关，与nb-iot通过coap协议传输数据，接着将数据传输至远程服务器，由远程服务器将数据传输至数据库进行存储。
[0130]
在一些实施例中，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述故障诊断方法的步骤。
[0131]
这里需要指出的是：以上故障诊断系统实施例和存储介质实施例的描述，与上述故障诊断方法实施例的描述是类似的，具有同故障诊断方法实施例相似的有益效果。对于本技术故障诊断系统实施例和存储介质实施例中未披露的技术细节，请参照本技术故障诊断方法实施例的描述而理解，在此不再一一赘述。
[0132]
在本技术所提供的几个实施例中，应该理解到，所揭露的故障诊断方法、装置、系统和存储介质可以通过其他的方式实现。以上所描述的方法、装置和系统实施例仅仅是示意性的。
[0133]
本技术实施例中记载的一种故障诊断方法、装置、系统和存储介质只以本技术所述实施例为例，但不仅限于此，只要涉及到该故障诊断方法、装置、系统和存储介质均在本技术的保护范围。
[0134]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0135]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排
他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0136]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：

1.一种故障诊断方法，其特征在于，包括：基于当前的故障事实，确定第一故障特征；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；若无法确定所述第一故障特征，则将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。2.根据权利要求1所述的故障诊断方法，其特征在于，所述基于当前的故障事实，确定第一故障特征，包括：基于故障诊断规则和多个故障事实之间的逻辑关系，创建故障树模型；基于当前的故障事实，查询所述故障树模型，确定所述第一故障特征。3.根据权利要求1所述的故障诊断方法，其特征在于，所述将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征，包括：将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第三故障特征；所述第三故障特征为所述多个故障特征中预测误差最小的故障特征；若所述第三故障特征不为与所述故障事实唯一相关的最小故障特征，则将与所述第三故障特征相关的多个故障特征输入至回归树预测模型进行处理，确定第四故障特征；所述第三故障特征为与所述第三故障特征相关的多个所述故障特征中预测误差最小的故障特征；若所述第四故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第四故障特征确定为第二故障特征。4.根据权利要求3所述的故障诊断方法，其特征在于，若所述第三故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第三故障特征确定为第二故障特征。5.根据权利要求1所述的故障诊断方法，其特征在于，所述回归树预测模型为cart回归树预测模型。6.一种故障诊断装置，其特征在于，包括：第一确定模块，用于基于当前的故障事实，确定第一故障特征；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；第二确定模块，用于若无法确定所述第一故障特征，则将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；第三确定模块，用于基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。7.根据权利要求6所述的故障诊断装置，其特征在于，所述第一确定模块具体用于：基于故障诊断规则和多个故障事实之间的逻辑关系，创建故障树模型；基于当前的故障事实，查询所述故障树模型，确定所述第一故障特征。8.根据权利要求6所述的故障诊断装置，其特征在于，所述第一确定模块具体用于：将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第三故障特征；所述第三故障特征为所述多个故障特征中预测误差最小的故障特征；若所述第三故障特征不为与所述故障事实唯一相关的最小故障特征，则将与所述第三故障特征相关的
多个故障特征输入至回归树预测模型进行处理，确定第四故障特征；所述第三故障特征为与所述第三故障特征相关的多个所述故障特征中预测误差最小的故障特征；若所述第四故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第四故障特征确定为第二故障特征。9.根据权利要求8所述的故障诊断装置，其特征在于，所述第二确定模块还用于：若所述第三故障特征为与所述故障事实唯一相关的最小故障特征，则将所述第三故障特征确定为第二故障特征。10.一种故障诊断系统，其特征在于，包括：知识库、推理机和解释机，其中，所述知识库，包括故障树模型，用于基于当前的故障事实和所述故障树，确定第一故障特征，或确定与所述故障事实相关的多个故障特征；所述故障树模型包括故障诊断规则和多个故障事实之间的逻辑关系；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；所述推理机，包括回归树预测模型，用于基于与所述故障事实相关的多个故障特征，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；所述解释机，用于基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至5任一项所述方法的步骤。

技术总结

本申请实施例公开了一种故障诊断方法、装置、系统和存储介质，其中，所述故障诊断方法包括：基于当前的故障事实，确定第一故障特征；所述第一故障特征为与所述故障事实唯一相关的最小故障特征；若无法确定所述第一故障特征，则将与所述故障事实相关的多个故障特征输入至回归树预测模型进行处理，确定第二故障特征；所述第二故障特征为预测误差最小的故障特征；基于所述第一故障特征或所述第二故障特征，确定相应的故障维修策略。确定相应的故障维修策略。确定相应的故障维修策略。