本申请涉及设备故障识别领域，特别是涉及一种复杂设备故障识别方法、设备、介质及产品。
背景技术：
1、如自动化立体仓库、数据加工中心等复杂设备通常是企业生产系统的重要组成部分，其可靠性对于企业的生产稳定性和安全性均具有重要影响。而通过开展实时故障监测及识别，能够有效避免潜在故障的进一步发展，保障复杂设备的可靠运行。目前，学者们已提出多种故障识别方法，如knn、svm、lstm等，但这些方法存在以下2个问题：1)多数方法需要大量的故障样本进行训练，然而在实际中，复杂设备的故障种类多样，各类故障的发生率通常较低，这使得其监测数据中反映故障或异常状态的数据十分稀缺；2)其运行时间会随着训练样本量的增多而大幅延长，严重影响了故障识别结果的实时性。
2、因此，为实现在少量样本下更为准确以及在大量样本下更为高效的复杂设备故障识别，亟需提供一种新的复杂设备故障识别方法对复杂设备的故障进行识别。
技术实现思路
1、本申请的目的是提供一种复杂设备故障识别方法、设备、介质及产品，能够提高复杂设备故障识别的准确性和效率。
2、为实现上述目的，本申请提供了如下方案：
3、第一方面，本申请提供了一种复杂设备故障识别方法，所述复杂设备故障识别方法包括：
4、根据专家背景得分标准，利用考虑专家背景的相似性聚合法计算故障发生概率的模糊评价概率；
5、利用svdd算法建立复杂设备中变量的正常样本超球体；并根据变量的正常样本超球体，利用“3σ”原则评估测试样本各变量的健康状态；
6、根据故障发生概率的模糊评价概率和测试样本各变量的健康状态，利用模糊正向因果推理分类和模糊逆向因果推理分类，得到模糊正向判定结果类别和模糊逆向判定结果类别；
7、利用加权d_s证据融合法对模糊正向判定结果类别和模糊逆向判定结果类别进行融合，得到测试样本的最终故障类型。
8、可选地，所述根据专家背景得分标准，利用考虑专家背景的相似性聚合法计算故障发生概率的模糊评价概率，具体包括：
9、根据专家背景得分标准，确定第k个专家的背景权重；
10、建立第s个故障相关概率的模糊评价矩阵；
11、根据第k个专家与其他专家关于第s个故障相关概率的评价结果之间的平均距离，确定第k个专家的平均协议；
12、根据第k个专家关于第s个故障相关概率的平均协议，运用归一化法计算得第k个专家关于第s个故障相关概率的意见相对一致度；
13、根据第k个专家的专家背景权重和关于第s个故障相关概率的专家意见相对一致度，确定第k个专家关于第s个故障相关概率的最终权重。
14、可选地，所述最终权重ωsk为：
15、其中，ω1k为第k个专家的专家背景权重，为关于第s个故障相关概率的专家意见相对一致度，k为专家总数量。
16、可选地，所述利用svdd算法建立复杂设备中变量的正常样本超球体；并根据变量的正常样本超球体，利用“3σ”原则评估测试样本各变量的健康状态，具体包括：
17、根据第i个变量的正常样本数据，利用svdd算法建立超球体；并得到根据第j个样本的第i个变量的值到超球体的距离；
18、利用box-cox幂变换将距离进行正态化变换，并确定第i个变量的正常样本的正态化后的距离的均值μi和方差σi；
19、利用“3σ”原则，将μi±σi作为第i个变量的健康阈值，将μi±2σi作为第i个变量的恶化阈值，将μi±3σi作为第i个变量的故障阈值；
20、根据第j个样本的第i个变量的正态化后的距离和3σ阈值的比较结果，确定第j个样本的第i个变量的健康状态；3σ阈值包括：健康阈值、恶化阈值以及故障阈值。
21、可选地，所述利用加权d_s证据融合法对模糊正向判定结果类别和模糊逆向判定结果类别进行融合，得到测试样本的最终故障类型，具体包括：
22、确定模糊正向判定结果类别和模糊逆向判定结果类别的混淆矩阵；
23、根据混淆矩阵确定全局可信度和局部可信度；
24、根据局部可信度，采用加权d_s证据融合法分别确定模糊正向判定结果类别和模糊逆向判定结果类别相应的加权后的基本分配概率；
25、根据加权后的基本分配概率以及全局可信度确定基本概率分配函数；根据基本概率分配函数确定最终故障类型。
26、第二方面，本申请还提供了一种复杂设备故障识别设备，所述复杂设备故障识别设备包括：
27、模糊评价概率确定模块，用于根据专家背景得分标准，利用考虑专家背景的相似性聚合法计算故障发生概率的模糊评价概率；
28、健康状态确定模块，用于利用svdd算法建立复杂设备中变量的正常样本超球体；并根据变量的正常样本超球体，利用“3σ”原则评估测试样本各变量的健康状态；
29、模糊正向判定和逆向判定模块，用于根据故障发生概率的模糊评价概率和测试样本各变量的健康状态，利用模糊正向因果推理分类和模糊逆向因果推理分类，得到模糊正向判定结果类别和模糊逆向判定结果类别；
30、最终故障类型确定模块，用于利用加权d_s证据融合法对模糊正向判定结果类别和模糊逆向判定结果类别进行融合，得到测试样本的最终故障类型。
31、第三方面，本申请还提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的复杂设备故障识别方法的步骤。
32、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的复杂设备故障识别方法的步骤。
33、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的复杂设备故障识别方法的步骤。
34、根据本申请提供的具体实施例，本申请公开了以下技术效果：
35、本申请提供了一种复杂设备故障识别方法、设备、介质及产品，通过根据专家背景得分标准，利用考虑专家背景的相似性聚合法计算故障发生概率的模糊评价概率，即本申请在故障发生概率的样本统计概率基础上，考虑了其模糊评价概率，这使得其能有效修正因样本量不足而造成的故障发生概率误差，以实现少量样本下更为准确的复杂系统故障识别。通过svdd算法和“3σ”原则评估各样本的各变量健康状态，而后据此利用模糊正向因果推理分类和模糊逆向因果推理分类来分别确定测试样本的故障类型，进而利用加权d-s证据理论对两者的分类结果进行融合，以得到测试样本的最终故障类型。本申请通过计算故障发生概率的样本统计概率和模糊评价概率来识别故障，无需训练样本，也无需调参，整体计算量较小，计算效率较高。
1.一种复杂设备故障识别方法，其特征在于，所述复杂设备故障识别方法包括：
2.根据权利要求1所述的复杂设备故障识别方法，其特征在于，所述根据专家背景得分标准，利用考虑专家背景的相似性聚合法计算故障发生概率的模糊评价概率，具体包括：
3.根据权利要求2所述的复杂设备故障识别方法，其特征在于，所述最终权重ωsk为：
4.根据权利要求1所述的复杂设备故障识别方法，其特征在于，所述利用svdd算法建立复杂设备中变量的正常样本超球体；并根据变量的正常样本超球体，利用“3σ”原则评估测试样本各变量的健康状态，具体包括：
5.根据权利要求1所述的复杂设备故障识别方法，其特征在于，所述利用加权d_s证据融合法对模糊正向判定结果类别和模糊逆向判定结果类别进行融合，得到测试样本的最终故障类型，具体包括：
6.一种复杂设备故障识别设备，其特征在于，所述复杂设备故障识别设备包括：
7.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在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以实现权利要求1-5中任一项所述的复杂设备故障识别方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的复杂设备故障识别方法的步骤。
9.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的复杂设备故障识别方法的步骤。
