一种基于人工智能的环境监测设备故障诊断方法与流程

1.本发明涉及一种基于人工智能的环境监测设备故障诊断方法，属于环境质量在线监测设备技术领域。


背景技术：

2.术语解释：
3.环境质量在线监测仪器：用于监测室内外环境质量各项参数的仪器总称，通过对影响环境质量因素的代表值的测定，确定环境质量(或污染程度)及其变化趋势和监测因子的具体数值。
4.决策树算法：是一种人工智能技术，它是逼近离散函数值的方法。这是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
5.目前的环境质量在线监测仪器，大量部署，缺乏有效的维护，导致出现数据失真、数据异常、设备在线率不高、设备潜在隐患大等问题，无法远程故障诊断，需要派人现场定位或者设备返厂定位，现场运维定位不准确，二次折返现场维修，浪费大量的人力和物力，但是效果依然很不理想。基于人工智能的远程故障诊断和智能化定位，通过人工智能方法，将研发工程师多年的经验数字化，让运维工程师带着解决方案去现场，直接快速解决故障，快速恢复设备正常运行。


技术实现要素：

6.为了克服现有技术的不足,本发明提供一种基于人工智能的环境质量在线监测设备故障诊断方法。
7.一种基于人工智能的环境质量在线监测设备故障诊断方法，结合现场设备的故障现象，使用人工智能的方式，在远程自动诊断并给出故障解决方案，使用故障指纹提取算法、决策树人工智能方法，制定故障解决方案，将环境质量在线监测仪器的故障进行建模和自学习，形成智能决策模型。
8.一种基于人工智能的环境监测设备故障诊断方法，含有以下步骤：包括决策树构造步骤、决策树学习步骤及决策树模型建立步骤。
9.故障指纹提取步骤包括：
10.第一步步骤，故障信息获取，通过现场设备采用故障信息；
11.第二步步骤，故障指纹提取，对比指纹库进行归集处理；
12.第三步步骤，故障指纹库更新及最佳匹配故障指纹提取，输入到决策树。
13.决策树构造步骤包括：
14.第一步骤，决策树的生成：由训练样本集生成决策树的过程。
15.第二步骤，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产
生的初步规则，将那些影响预衡准确性的分枝剪除。
16.决策树学习步骤包括：
17.根据给定的训练数据集构建一个决策树模型，对实例进行正确的分类，从训练数据集中归纳出一组分类规则，选择一个与训练数据矛盾较小的决策树。
18.决策树学习通常包括3个步骤：特征选择步骤、决策树的生成步骤和决策树的修剪步骤。
19.决策树特征选择步骤：如果特征数量很多，在决策树学习开始时对特征进行选择，只留下对训练数据有足够分类能力的特征。
20.决策树的生成步骤：对应模型的局部选择，决策树的剪枝对应于模型的全局选择，决策树的生成只考虑局部最优，决策树的剪枝则考虑全局最优。
21.决策树的修剪步骤：通过去掉过于细分的叶结点，使其回退到父结点，甚至更高的结点，然后将父结点或更高的结点改为新的叶结点。
22.决策树模型建立步骤：
23.在几千套现场设备中，选取共同的故障特征：设备离线次数、数据超标率、数据异常率、数据质控超标率、数据均方差超标率、横向超标倍率、纵向超标倍率、解析准确率。
24.对故障信息进行特征提炼，采用决策树算法c4.5，提取出故障指纹的特征，建立故障指纹库，输入决策树模型。
25.故障信息x是一个随机变量，依据决策树算法c4.5，计算出随机变量x的信息熵：
[0026][0027]
其中n表示x的取值，pi表示取值为i的概率，
[0028]
条件熵采用如下计算公式，表示随机变量x在随机变量y的条件下的不确定度。
[0029][0030]
g(x，y)＝h(x,y)-h(x|y)，信息增益，
[0031]
假定节点t上的样本集为d＝(x,y)，其中x＝(x1，x2，
……
,xn)表示特征变量。
[0032]
y＝(y1,y2,
……
,yn)表示响应变量，
[0033]
对于任意分裂点m＝(a,fm),a和fm分别对应特征变量和分裂点临界值，m将样本集分为左右两边，分别即为dleft(m)和dright(m)，
[0034]
dleft(m)＝(x,y)|xa≤fm；
[0035]
dright(m)＝d\dleft(m)。
[0036]
考虑到实际中，子节点的样本集存在不纯度，因此在分类中，加入不纯度的权重。
[0037]
在概率p情况下，不纯度i表达式：
[0038][0039]
其中k表示类别，pk表示低k个类别的概率，
[0040]
i(p)表示概率p的不纯度。
[0041]
假定分裂点不纯度函数i如下：
[0042][0043]
其中，|d|表示节点t上的样本数，计算最小化不纯度函数的最优分裂点
[0044]m*
＝argminmi(d，m)
[0045]
使用相同的方法迭代分裂dleft(m
*
)和dright(m
*
)，指导决策树深度达到上限或者子节点样本数少于事前规定的样本数。
[0046]
本发明的优点是能够应用环境质量在线监测产品：可用于扬尘在线监测仪、大气微型监测站、噪声在线监测仪、温室气体在线监测仪等应用于环境质量在线设备，适用范围广，人工智能化程度高，故障诊断准确率高，可以对现场故障自动判断原因、自动给出解决方案，指导运维人员快速排除故障；给出的解决方案针对性强，现场运维工作量及成本极大降低；该方法可以远程故障诊断和智能化定位，指导现场人员带着解决方案去现场，直接快速解决故障，快速恢复设备正常运行。
[0047]
通过采用该方法，故障判断准确率由原先的72.65％提升到97.85％，现场故障判断准确，现场运维的针对性提升，解决故障的时效性明显改善；因此设备的平均在线率由原先的84.7％提升到94.55％，数据缺失情况明显改善，数据完整性明显提升，对于事故后分析明显改善。
[0048]
采用该方法，现场运维工作量减少70％，对于运维成本极大降低，具有很大的经济价值。
附图说明
[0049]
当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，如图其中：
[0050]
图1为本发明的程序流程图。
[0051]
图2为本发明的对比曲线之一图。
[0052]
图3为本发明的对比曲线之二图。
[0053]
图4为本发明的对比曲线之三图。
具体实施方式
[0054]
下面结合附图和实施例对本发明进一步说明。
[0055]
显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
[0056]
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0057]
除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也
可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0058]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语包括技术术语和科学术语具有与所属领域中的普通技术人员的一般理解相同的意义。
[0059]
为便于对实施例的理解，下面将结合做进一步的解释说明，且各个实施例并不构成对实施例的限定。
[0060]
实施例1：决策树算法是一种人工智能技术，它是逼近离散函数值的方法。这是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。
[0061]
决策树方法最早产生于上世纪60年代，到70年代末。决策树算法构造决策树来发现数据中蕴涵的分类规则.如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树的典型算法有id3，c4.5，cart等。
[0062]
如图1、图2、图3及图4所示，一种基于人工智能的环境监测设备故障诊断方法，包括决策树构造步骤、决策树学习步骤及决策树模型建立步骤。
[0063]
一、决策树构造步骤包括：
[0064]
第一步骤，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。
[0065]
第二步骤，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
[0066]
决策树学习通常包括3个步骤：特征选择步骤、决策树的生成步骤和决策树的修剪步骤。
[0067]
二、决策树学习步骤：
[0068]
目标：根据给定的训练数据集构建一个决策树模型，使它能够对实例进行正确的分类。决策树学习本质上是从训练数据集中归纳出一组分类规则。能对训练数据进行正确分类的决策树可能有多个，可能没有。在选择决策树时，应选择一个与训练数据矛盾较小的决策树，同时具有很好的泛化能力；而且选择的条件概率模型应该不仅对训练数据有很好的拟合，而且对未知数据有很好的预测。
[0069]
决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。包含特征选择、决策树的生成和决策树的剪枝过程。
[0070]
如果特征数量很多，在决策树学习开始时对特征进行选择，只留下对训练数据有足够分类能力的特征。
[0071]
决策树的生成步骤：对应模型的局部选择，决策树的剪枝对应于模型的全局选择。决策树的生成只考虑局部最优，决策树的剪枝则考虑全局最优。
[0072]
决策树的修剪步骤：决策树剪枝是将树变得更简单，从而使它具有更好的泛化能力。通过去掉过于细分的叶结点，使其回退到父结点，甚至更高的结点，然后将父结点或更高的结点改为新的叶结点。
[0073]
三、决策树模型建立步骤：
[0074]
在几千套现场设备中，选取共同的故障特征：设备离线次数、数据超标率、数据异常率、数据质控超标率、数据均方差超标率、横向超标倍率、纵向超标倍率、解析准确率。
[0075]
对故障信息进行特征提炼，采用决策树算法c4.5，提取出故障的特征指纹，建立故障指纹库，输入决策树模型。
[0076]
故障信息x是一个随机变量，依据决策树算法c4.5，计算出随机变量x的信息熵：
[0077][0078]
其中n表示x的取值，pi表示取值为i的概率。
[0079]
条件熵采用如下计算公式，表示随机变量x在随机变量y的条件下的不确定度。
[0080][0081]
g(x，y)＝h(x,y)-h(x|y)，信息增益
[0082]
假定节点t上的样本集为d＝(x,y)，其中x＝(x1，x2，
……
,xn)表示特征变量，
[0083]
y＝(y1,y2,
………
,yn)表示响应变量。
[0084]
对于任意分裂点m＝(a,fm),a和fm分别对应特征变量和分裂点临界值，m将样本集分为左右两边，分别即为dleft(m)和dright(m)。
[0085]
dleft(m)＝(x,y)|xa≤fm；
[0086]
dright(m)＝d\dleft(m).
[0087]
考虑到实际中，子节点的样本集存在不纯度，因此在分类中，加入不纯度的权重。
[0088]
在概率p情况下，不纯度i表达式：
[0089][0090]
其中k表示类别，pk表示低k个类别的概率。
[0091]
i(p)表示概率p的不纯度；
[0092]
假定分裂点不纯度函数i如下：
[0093][0094]
其中，|d|表示节点t上的样本数，计算最小化不纯度函数的最优分裂点
[0095]m*
＝argminmi(d，m)
[0096]
使用相同的方法迭代分裂dleft(m
*
)和dright(m
*
)，指导决策树深度达到上限或者子节点样本数少于事前规定的样本数。
[0097]
实施例2：如图1、图2、图3及图4所示，使用实施例1的一种基于人工智能的环境监测设备故障诊断方法，含有以下步骤：结合现场设备的故障现象，使用人工智能的方式，在远程自动诊断并给出故障解决方案，使用决策树人工智能方法，将环境监测仪器的故障进行建模和自学习，形成智能决策模型。
[0098]
对故障分类及解决方案包括：
[0099]
1.1模型参数类
[0100]
零点漂移：调整传感器零点。
[0101]
温度漂移：修正漂移模型参数。
[0102]
时间漂移：修正漂移模型参数。
[0103]
灵敏度漂移：调整灵敏度系数。
[0104]
1.2传感器故障
[0105]
电解液耗尽：更换传感器。
[0106]
紫外灯沾污：返厂清洁紫外灯。
[0107]
紫外灯寿命耗尽：更换紫外灯。
[0108]
栅极故障：更换栅极。
[0109]
1.3通信故障
[0110]
资费卡欠费：充值。
[0111]
资费卡故障：资费卡被磁化，换卡。
[0112]
dtu硬件故障：更换dtu。
[0113]
dtu离线bug：更换dtu。
[0114]
1.4设备硬件故障
[0115]
供电故障：更换ac-dc电源转换器。
[0116]
太阳能板故障：更换充放电管理器。
[0117]
锂电池故障：更换老化锂电池。
[0118]
核心控制板故障：更换主板。
[0119]
传感器底板故障：更换传感器底板。
[0120]
led显示卡故障：更换显示卡。
[0121]
1.5设备软件故障
[0122]
dtu固件故障：升级dtu固件。
[0123]
主核心控制板固件故障：升级固件。
[0124]
显示单元固件故障：升级固件。
[0125]
实际运行效果：
[0126]
如图2所示的列对比曲线表明运维工作量降低：连续8个月的运维工作量对比，运维月工作量平均：5.875天，采用本发明后，1.75天，降低70％的运维工作量。
[0127]
如图3所示的列对比曲线表明故障诊断准确性提高：
[0128]
平均值72.6597.85
[0129]
故障准确性平均：72.65％，采用本发明后，97.85％，提升25.2％的准确性，数据在线率提升，同一台设备，连续运行一个月的在线统计。
[0130]
如图4所示的列对比曲线表明：没有采用智能运维技术的设备在线率：84.7％，采用采用本发明智能运维技术后，同一台设备在线率：94.55，提升了近10％的在线率，效果明显。
[0131]
实施例3：如图1、图2、图3及图4所示，如同上述实施例所述的一种基于人工智能的环境监测设备故障诊断方法，还含有以下步骤：
[0132]
步骤1：输入故障信息
[0133]
故障信息输入分为手工输入、自动采集输入两种方式；手工输入故障信息，可以进
行模拟仿真，验证流程的准确性；自动采集输入，由信息采集器接收设备的运行状态信息，对设备故障进行自动判断，并将故障信息代码输入诊断模型信息端口。
[0134]
步骤2：故障指纹提取
[0135]
通过大量的故障信息获取，得到海量的故障信息数据；再利用决策树模型，将故障信息进行提炼和聚焦，剔除无效信息；直到故障信息达到决策树深度达到上限为止。
[0136]
步骤3：指纹库归集处理及随机测试指纹
[0137]
将故障的指纹信息提取出来，加入到故障指纹库；如属于已有的故障指纹，则对故障信息赋予对应故障指纹代码；如在指纹库中未找到匹配的指纹信息，则新建故障指纹及对应的代码。
[0138]
将获取到的故障信息的现象进行归集处理，将指纹代码数量最小化处理。
[0139]
随机输入一种故障现象进行测试，验证指纹提取及匹配是否正确。如测试正确，则不对指纹库进行修正；否则，对指纹库进行二次修正，直到随机测试故障指纹正确识别率大于99％。
[0140]
指纹库归集处理包括：故障指纹特性比较，新指纹归一，
[0141]
故障指纹具有相近性、重叠性，需要对具有信息重合的指纹进一步归集处理；对于故障指纹的特性进行逐一比较，对于所有指纹特征比较得出相似度，对于相似度不大于1％的特征数量超过99％，可判定为同一个故障指纹；否则，应认定为2个指纹。
[0142]
步骤4：故障指纹特性比较，新指纹归一
[0143]
故障指纹具有相近性、重叠性，需要对具有信息重合的指纹进一步归集处理；对于故障指纹的特性进行逐一比较，对于所有指纹特征比较得出相似度，对于相似度不大于1％的特征数量超过99％，可判定为同一个故障指纹；否则，应认定为2个指纹。
[0144]
步骤5：判断是否满足终止条件
[0145]
对于故障指纹的特性进行逐一比较，对于所有指纹特征比较得出相似度，对于相似度不大于1％的特征数量超过99％，可判定为同一个故障指纹；否则，应认定为2个指纹，执行步骤6。
[0146]
步骤6：新指纹产生
[0147]
新指纹产生后，赋予指纹代码，故障指纹的身份信息，如故障原因、故障性质、故障解决方案等。
[0148]
步骤7：故障指纹库更新
[0149]
对新产生的故障指纹，使用数据库更新指令，更新当前指纹数据库；
[0150]
步骤8：最佳匹配故障指纹针对最新入库的故障纹，与数据库中的现有指纹进行匹配度计算，所有特征匹配度均值不小于90％，则列为最佳匹配故障指纹，按照同一类故障进行归集，赋予相同的指纹信息。
[0151]
步骤9：判断指纹库(特征)已有信息
[0152]
判断故障指纹是否有匹配的解决方案，如已有解决方案，则执行步骤10故障指纹输入，通过决策树模型计算，寻找最佳解决方案，输出故障诊断方案；
[0153]
如不满足数据库已有信息匹配，则执行决策树特征选择，进行决策树剪枝，更新最新的决策树模型，再进行决策树模型计算。
[0154]
步骤10：故障指纹输入
[0155]
将故障指纹信息输入决策树，利用决策树模型计算，得出最佳的解决方案。
[0156]
步骤11：决策树特征选择
[0157]
决策树特征选择采用递归地选择法寻找最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。包含特征选择、决策树的生成和决策树的剪枝过程。
[0158]
如果特征数量很多，在决策树学习开始时对特征进行选择，只留下对训练数据有足够分类能力的特征。
[0159]
步骤12：判断决策树剪枝
[0160]
决策树的修剪步骤：决策树剪枝是将树变得更简单，从而使它具有更好的泛化能力。通过去掉过于细分的叶结点，使其回退到父结点，甚至更高的结点，然后将父结点或更高的结点改为新的叶结点。
[0161]
满足执行步骤13，不满足执行步骤14。
[0162]
步骤13：更新决策树模型
[0163]
将新的叶结点加入到决策树模型中，对决策树模型进行完善和更新，生成最新的叶节点阵列。
[0164]
步骤14：决策树模型计算(决策树特征选择、剪枝)
[0165]
故障诊断模型根据输入的故障问题，判别出现故障的具体原因，对故障信息进行特征提炼，采用决策树算法c4.5，提取出故障的特征指纹，建立故障指纹库，输入决策树模型。
[0166]
故障信息x是一个随机变量，依据决策树算法c4.5，计算出随机变量x的信息熵：
[0167][0168]
其中n表示x的取值，pi表示取值为i的概率。
[0169]
条件熵采用如下计算公式，表示随机变量x在随机变量y的条件下的不确定度。
[0170][0171]
g(x，y)＝h(x,y)-h(x|y)，信息增益，
[0172]
假定节点t上的样本集为d＝(x,y)，其中x＝(x1，x2，
……
,xn)表示特征变量，
[0173]
y＝(y1,y2,
………
,yn)表示响应变量。
[0174]
对于任意分裂点m＝(a,fm),a和fm分别对应特征变量和分裂点临界值，m将样本集分为左右两边，分别即为dleft(m)和dright(m)。
[0175]
dleft(m)＝(x,y)|xa≤fm；
[0176]
dright(m)＝d\dleft(m)，
[0177]
考虑到实际中，子节点的样本集存在不纯度，因此在分类中，加入不纯度的权重。
[0178]
在概率p条件下的不纯度i表达式：
[0179]
[0180]
其中k表示类别，pk表示第k个类别的概率。
[0181]
i(p)表示概率为p的不纯度。
[0182]
假定分裂点不纯度函数i如下：
[0183][0184]
其中，|d|表示节点t上的样本数，计算最小化不纯度函数的最优分裂点
[0185]m*
＝argminmi(d，m)
[0186]
使用相同的方法迭代分裂dleft(m
*
)和dright(m
*
)，指导决策树深度达到上限或者子节点样本数少于事前规定的样本数。
[0187]
步骤15：故障诊断方案
[0188]
输出解决故障的方案：
[0189]
1.1模型参数类
[0190]
零点漂移：调整传感器零点。
[0191]
温度漂移：修正漂移模型参数。
[0192]
时间漂移：修正漂移模型参数。
[0193]
灵敏度漂移：调整灵敏度系数。
[0194]
1.2传感器故障
[0195]
电解液耗尽：更换传感器。
[0196]
紫外灯沾污：返厂清洁紫外灯。
[0197]
紫外灯寿命耗尽：更换紫外灯。
[0198]
栅极故障：更换栅极。
[0199]
1.3通信故障
[0200]
资费卡欠费：充值。
[0201]
资费卡故障：资费卡被磁化，换卡。
[0202]
dtu硬件故障：更换dtu。
[0203]
dtu离线bug：更换dtu。
[0204]
1.4设备硬件故障
[0205]
供电故障：更换ac-dc电源转换器。
[0206]
太阳能板故障：更换充放电管理器。
[0207]
锂电池故障：更换老化锂电池。
[0208]
核心控制板故障：更换主板。
[0209]
传感器底板故障：更换传感器底板。
[0210]
led显示卡故障：更换显示卡。
[0211]
1.5设备软件故障
[0212]
dtu固件故障：升级dtu固件。
[0213]
主核心控制板固件故障：升级固件。
[0214]
显示单元固件故障：升级固件。
[0215]
如上，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这样的
变形例也全部包含在本发明的保护范围之内。

技术特征：
1.一种基于人工智能的环境监测设备故障诊断方法，其特征在于,含有以下步骤：包括故障指纹提取、决策树构造、决策树自学习及决策树模型计算、解决方案给定。2.根据权利要求1所述的一种基于人工智能的环境监测设备故障诊断方法，其特征在于,故障指纹提取步骤包括：第一步步骤，故障信息获取，通过现场设备采用故障信息；第二步步骤，故障指纹提取，对比指纹库进行归集处理；第三步步骤，故障指纹库更新及最佳匹配故障指纹提取，输入到决策树；决策树构造步骤包括：第一步骤，决策树的生成：由训练样本集生成决策树的过程，第二步骤，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除，决策树学习步骤包括：根据给定的训练数据集构建一个决策树模型，对实例进行正确的分类，从训练数据集中归纳出一组分类规则，选择一个与训练数据矛盾较小的决策树，决策树学习通常包括3个步骤：特征选择步骤、决策树的生成步骤和决策树的修剪步骤，决策树特征选择步骤：如果特征数量很多，在决策树学习开始时对特征进行选择，只留下对训练数据有足够分类能力的特征，决策树的生成步骤：对应模型的局部选择，决策树的剪枝对应于模型的全局选择，决策树的生成只考虑局部最优，决策树的剪枝则考虑全局最优，决策树的修剪步骤：通过去掉过于细分的叶结点，使其回退到父结点，甚至更高的结点，然后将父结点或更高的结点改为新的叶结点，决策树模型建立步骤：在几千套现场设备中，选取共同的故障特征：设备离线次数、数据超标率、数据异常率、数据质控超标率、数据均方差超标率、横向超标倍率、纵向超标倍率、解析准确率，对故障信息进行特征提炼，采用决策树算法c4.5，提取出故障指纹的特征，建立故障指纹库，输入决策树模型；故障信息x是一个随机变量，依据决策树算法c4.5，计算出随机变量x的信息熵：其中n表示x的取值，pi表示取值为i的概率，条件熵采用如下计算公式，表示随机变量x在随机变量y的条件下的不确定度，g(x，y)＝h(x,y)-h(x|y)，信息增益，假定节点t上的样本集为d＝(x,y)，其中x＝(x1，x2，
……
,xn)表示特征变量，
y＝(y1,y2,
………
,yn)表示响应变量，对于任意分裂点m＝(a,fm),a和fm分别对应特征变量和分裂点临界值，m将样本集分为左右两边，分别即为dleft(m)和dright(m)，dleft(m)＝(x,y)|xa≤fm；dright(m)＝d\dleft(m)，考虑到实际中，子节点的样本集存在不纯度，因此在分类中，加入不纯度的权重，在概率p情况下，不纯度i表达式：其中k表示类别，pk表示低k个类别的概率，i(p)表示概率p的不纯度；假定分裂点不纯度函数i如下：其中，|d|表示节点t上的样本数，计算最小化不纯度函数的最优分裂点m
*
＝argmin
m
i(d，m)使用相同的方法迭代分裂dleft(m
*
)和dright(m
*
)，指导决策树深度达到上限或者子节点样本数少于事前规定的样本数。3.根据权利要求2所述的一种基于人工智能的环境监测设备故障诊断方法，其特征在于,输入故障信息：故障信息输入分为手工输入、自动采集输入两种方式；手工输入故障信息，可以进行模拟仿真，验证流程的准确性；自动采集输入，由信息采集器接收设备的运行状态信息，对设备故障进行自动判断，并将故障信息代码输入诊断模型信息端口。4.根据权利要求2所述的一种基于人工智能的环境监测设备故障诊断方法，其特征在于,故障指纹提取：通过大量的故障信息获取，得到海量的故障信息数据；再利用决策树模型，将故障信息进行提炼和聚焦，剔除无效信息；直到故障信息达到决策树深度达到上限为止。5.根据权利要求2所述的一种基于人工智能的环境监测设备故障诊断方法，其特征在于,建立故障指纹库包括：指纹库归集处理及随机测试指纹，将故障的指纹信息提取出来，加入到故障指纹库；如属于已有的故障指纹，则对故障信息赋予对应故障指纹代码；如在指纹库中未找到匹配的指纹信息，则新建故障指纹及对应的代码，将获取到的故障信息的现象进行归集处理，将指纹代码数量最小化处理。6.根据权利要求5所述的一种基于人工智能的环境监测设备故障诊断方法，其特征在于,指纹库归集处理包括：故障指纹特性比较，新指纹归一，故障指纹具有相近性、重叠性，需要对具有信息重合的指纹进一步归集处理；对于故障指纹的特性进行逐一比较，对于所有指纹特征比较得出相似度，对于相似度不大于1％的特征数量超过99％，可判定为同一个故障指纹；否则，应认定为2个指纹；步骤5：判断是否满足终止条件对于故障指纹的特性进行逐一比较，对于所有指纹特征比较得出相似度，对于相似度不大于1％的特征数量超过99％，可判定为同一个故障指纹；否则，应认定为2个指纹，执行
步骤6；步骤6：新指纹产生。7.根据权利要求6所述的一种基于人工智能的环境监测设备故障诊断方法，其特征在于,新指纹归一步骤包括：新指纹产生后，赋予指纹代码，故障指纹的身份信息包括故障原因、故障性质、故障解决方案，对新产生的故障指纹，使用数据库更新指令，更新当前指纹数据库；最佳匹配故障指纹针对最新入库的故障纹，与数据库中的现有指纹进行匹配度计算，所有特征匹配度均值不小于90％，则列为最佳匹配故障指纹，按照同一类故障进行归集，赋予相同的指纹信息，将故障指纹信息输入决策树，利用决策树模型计算，得出最佳的解决方案。

技术总结
一种基于人工智能的环境监测设备故障诊断方法，属于大气环境监测设备技术领域。含有以下步骤：包括故障指纹提取、决策树构造、决策树自学习及决策树模型计算、解决方案给定步骤。本发明的优点是能够应用环境质量在线监测产品：可用于扬尘在线监测仪、大气微型监测站、噪声在线监测仪、温室气体在线监测仪等应用于环境质量在线设备，适用范围广，人工智能化程度高，故障诊断准确率高，可以对现场故障自动判断原因、自动给出解决方案，指导运维人员快速排除故障；给出的解决方案针对性强，现场运维工作量及成本极大降低；该方法可以远程故障诊断和智能化定位，指导现场人员带着解决方案去现场，直接快速解决故障，快速恢复设备正常运行。运行。运行。


技术研发人员：蒲中奇 王珍华
受保护的技术使用者：北京清环宜境技术有限公司
技术研发日：2022.09.28
技术公布日：2023/7/20