基于人工智能的电机预诊断方法.pdf

《基于人工智能的电机预诊断方法.pdf》由会员分享，可在线阅读，更多相关《基于人工智能的电机预诊断方法.pdf（19页完成版）》请在专利查询网上搜索。

1、(19)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 202410011112.0(22)申请日 2024.01.04(71)申请人 深圳市霆宝科技有限公司地址 518000 广东省深圳市龙岗区坂田街道五和大道南118号和成世纪3A1206室(72)发明人 严并元(74)专利代理机构 深圳市能闻知识产权代理事务所(普通合伙)44717专利代理师 赖银杰(51)Int.Cl.G06F 18/243(2023.01)G06N 5/01(2023.01)G06F 18/213(2023.01)G06F 17/11(2006.01)(54)发明名称基于人工智。

2、能的电机预诊断方法(57)摘要本申请涉及故障诊断领域，提供一种基于人工智能的电机预诊断方法，所述方法包括：获取影响作业机械中电机状态的运行参数；将运行参数输入至电机诊断模型，由电机诊断模型从运行参数中提取多个维度特征；基于各维度特征在特征决策树中进行决策路径遍历，得到电机的电机诊断结果。本申请提供的基于人工智能的电机预诊断方法，从运行参数中提取多个维度特征，从而特征决策树能够基于多个维度特征全面进行故障诊断，准确且快速得到电机诊断结果，避免传统方法中容易出现漏报或误报的问题。权利要求书3页 说明书12页 附图3页CN 117520964 A2024.02.06CN 117520964 A1.一。

3、种基于人工智能的电机预诊断方法，其特征在于，包括：获取影响作业机械中电机状态的运行参数；将所述运行参数输入至电机诊断模型，由所述电机诊断模型从所述运行参数中提取多个维度特征；所述多个维度特征用于表征所述运行参数不同维度的属性；所述电机诊断模型基于特征决策树构建得到，所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到；所述样本故障标签用于表征样本运行参数对应电机状态；所述电机状态包括堵塞状态和未堵塞状态；基于所述各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果。2.根据权利要求1所述的基于人工智能的电机预诊断方法，其特征在于，所述基于所述各维度特征在特。

4、征决策树中进行决策路径遍历，得到所述电机的电机诊断结果，包括：以所述特征决策树的根节点为第一起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，得到所述根节点的子节点；以所述子节点为第二起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，直到达所述特征决策树的叶节点；将所述叶节点对应的故障状态确定为所述电机诊断结果。3.根据权利要求1所述的基于人工智能的电机预诊断方法，其特征在于，所述特征决策树的构建步骤包括：划分步骤：遍历当前样本集合对应的各特征属性，并基于所述当前样本集合的各特征属性对所述当前样本集合进行划分，得到各特征属性对应的当前样本子集合；所述当前样本集合中包括所述样。

5、本运行参数对应的所有样本维度特征；确定步骤：基于各当前样本子集合中各类样本故障标签的占比，确定对应特征属性对应的信息增益；构建步骤：将最大信息增益对应的特征属性作为所述特征决策树当前节点的划分属性，并将所述划分属性对应的当前样本子集合作为所述当前样本集合以及从所述当前样本集合中删除所述划分属性对应的样本维度特征；返回依次重复执行所述划分步骤、所述确定步骤以及所述构建步骤，直至所述当前样本集合中不存在样本维度特征。4.根据权利要求3所述的基于人工智能的电机预诊断方法，其特征在于，所述基于各当前样本子集合中各类样本故障标签对应样本维度特征的占比，确定对应特征属性对应的信息增益，包括：基于各当前样本。

6、子集合中各类样本故障标签的占比，确定第一信息熵；所述第一信息熵表征按特征属性对当前样本集合进行划分后，得到的各当前样本子集合的数据纯度的平均值；各当前样本子集合的数据纯度基于各当前样本子集合中各类样本故障标签所占比例大小确定；基于所述当前样本集合中各类样本故障标签的占比，确定第二信息熵；所述第二信息熵表征当前样本集合的数据纯度基于当前样本集合中各类样本故障标签所占比例大小；基于所述第一信息熵和所述第二信息熵，确定对应特征属性对应的信息增益。5.根据权利要求3所述的基于人工智能的电机预诊断方法，其特征在于，在构建得到所权利要求书1/3 页2CN 117520964 A2述特征决策树后，还包括：获。

7、取测试运行参数对应的多个测试维度特征以及所述测试运行参数对应的测试故障标签；所述测试运行参数表征用于测试所述特征决策树精度的运行参数；所述测试维度特征用于表征所述运行参数不同维度的属性；基于所述特征决策树应用各测试维度特征，确定测试故障结果；基于所述测试故障结果和所述测试故障标签，确定所述特征决策树的精度；在所述特征决策树的精度小于阈值的情况下，增量获取样本运行参数对应的多个样本维度特征以及样本故障标签，并基于增量获取的多个样本维度特征以及样本故障标签更新所述特征决策树。6.根据权利要求5所述的基于人工智能的电机预诊断方法，其特征在于，所述基于所述测试故障结果和所述测试故障标签，确定所述特征决。

8、策树的精度，包括：基于所述测试故障结果和所述测试故障标签，确定真正例、假正例，真反例以及假反例；所述真正例表征将故障样本正确地预测为故障样本；所述假正例表征将非故障样本错误地预测为故障样本；所述真反例表征将非故障样本正确地预测为非故障样本；所述假反例表征将故障样本错误地预测为非故障样本；基于所述真正例、所述假正例，所述真反例以及所述假反例，确定查全率以及查准率；所述查全率表征所述特征决策树对故障样本的识别能力；所述查准率表征所述特征决策树在预测为故障的样本中的正确率；基于所述查全率以及所述查准率，确定所述特征决策树的精度。7.根据权利要求1至6任一项所述的基于人工智能的电机预诊断方法，其特征在。

9、于，在基于样本运行参数对应的多个样本维度特征及样本故障标签构建所述特征决策树之前，还包括：对所述样本运行参数进行数据处理，得到数据处理后的样本运行参数；从数据处理后的样本运行参数中提取得到多个初始维度特征；所述多个初始维度特征包括时域维度特征和频域维度特征；对各初始维度特征进行特征选择，得到所述多个样本维度特征。8.一种基于人工智能的电机预诊断装置，其特征在于，包括：获取单元，用于获取影响作业机械中电机状态的运行参数；提取单元，用于将所述运行参数输入至电机诊断模型，由所述电机诊断模型从所述运行参数中提取多个维度特征；所述多个维度特征用于表征所述运行参数不同维度的属性；所述电机诊断模型基于特征决。

10、策树构建得到，所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到；所述样本故障标签用于表征样本运行参数对应电机状态；所述电机状态包括堵塞状态和未堵塞状态；诊断单元，用于基于所述各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至7任一项所述基于人工智能的电机预诊断方法。10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质上权利要求书2/3 页3CN 117520964 A3存储有计算机。

11、程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于人工智能的电机预诊断方法。权利要求书3/3 页4CN 117520964 A4基于人工智能的电机预诊断方法技术领域0001本申请涉及故障诊断技术领域，尤其涉及一种基于人工智能的电机预诊断方法。背景技术0002作业机械中的电机是指用于过滤液体或气体中的杂质和固体颗粒的组件，它位于液体或气体流动路径上，起到过滤和清除污染物的作用，以保护作业机械的正常运行和延长其寿命。如果电机堵塞，过滤效果将受到影响，导致污染物进入作业系统，增加机械部件的摩擦和磨损风险。因此，诊断电机是否堵塞以及及时更换电机是维护作业机械健康的关键步骤。0003目。

12、前，多依据电机压力是否大于设定阈值以及设定时段内该阈值出现的次数来判断电机是否堵塞。然而，当遇到恶劣工况时，会出现短期内满足报警条件，而电机实际并没有堵塞，易产生误报警情况发生；此外，当设定阈值偏大时，电机已经堵塞，导致漏报警。发明内容0004本申请提供一种基于人工智能的电机预诊断方法，用以解决现有技术中基于人工智能的电机预诊断易造成误报或漏报的缺陷。0005第一方面，本申请提供一种基于人工智能的电机预诊断方法，包括：获取影响作业机械中电机状态的运行参数；将所述运行参数输入至电机诊断模型，由所述电机诊断模型从所述运行参数中提取多个维度特征；所述多个维度特征用于表征所述运行参数不同维度的属性；所。

13、述电机诊断模型基于特征决策树构建得到，所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到；所述样本故障标签用于表征样本运行参数对应电机状态；所述电机状态包括堵塞状态和未堵塞状态；基于所述各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果。0006在一实施例中，基于所述各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果，包括：以所述特征决策树的根节点为第一起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，得到所述根节点的子节点；以所述子节点为第二起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，直到达所述特征决策树的。

14、叶节点；将所述叶节点对应的故障状态确定为所述电机诊断结果。0007在一实施例中，特征决策树的构建步骤包括：划分步骤：遍历当前样本集合对应的各特征属性，并基于所述当前样本集合的各特征属性对所述当前样本集合进行划分，得到各特征属性对应的当前样本子集合；所述当前样本集合中包括所述样本运行参数对应的所有样本维度特征；说明书1/12 页5CN 117520964 A5确定步骤：基于各当前样本子集合中各类样本故障标签的占比，确定对应特征属性对应的信息增益；构建步骤：将最大信息增益对应的特征属性作为所述特征决策树当前节点的划分属性，并将所述划分属性对应的当前样本子集合作为所述当前样本集合以及从所述当前样本集。

15、合中删除所述划分属性对应的样本维度特征；返回依次重复执行所述划分步骤、所述确定步骤以及所述构建步骤，直至所述当前样本集合中不存在样本维度特征。0008在一实施例中，基于各当前样本子集合中各类样本故障标签对应样本维度特征的占比，确定对应特征属性对应的信息增益，包括：基于各当前样本子集合中各类样本故障标签的占比，确定第一信息熵；所述第一信息熵表征按特征属性对当前样本集合进行划分后，得到的各当前样本子集合的数据纯度的平均值；各当前样本子集合的数据纯度基于各当前样本子集合中各类样本故障标签所占比例大小确定；基于所述当前样本集合中各类样本故障标签的占比，确定第二信息熵；所述第二信息熵表征当前样本集合的数。

16、据纯度基于当前样本集合中各类样本故障标签所占比例大小；基于所述第一信息熵和所述第二信息熵，确定对应特征属性对应的信息增益。0009在一实施例中，在构建得到所述特征决策树后，还包括：获取测试运行参数对应的多个测试维度特征以及所述测试运行参数对应的测试故障标签；所述测试运行参数表征用于测试所述特征决策树精度的运行参数；所述测试维度特征用于表征所述运行参数不同维度的属性；基于所述特征决策树应用各测试维度特征，确定测试故障结果；基于所述测试故障结果和所述测试故障标签，确定所述特征决策树的精度；在所述特征决策树的精度小于阈值的情况下，增量获取样本运行参数对应的多个样本维度特征以及样本故障标签，并基于增量。

17、获取的多个样本维度特征以及样本故障标签更新所述特征决策树。0010在一实施例中，基于所述测试故障结果和所述测试故障标签，确定所述特征决策树的精度，包括：基于所述测试故障结果和所述测试故障标签，确定真正例、假正例，真反例以及假反例；所述真正例表征将故障样本正确地预测为故障样本；所述假正例表征将非故障样本错误地预测为故障样本；所述真反例表征将非故障样本正确地预测为非故障样本；所述假反例表征将故障样本错误地预测为非故障样本；基于所述真正例、所述假正例，所述真反例以及所述假反例，确定查全率以及查准率；所述查全率表征所述特征决策树对故障样本的识别能力；所述查准率表征所述特征决策树在预测为故障的样本中的正。

18、确率；基于所述查全率以及所述查准率，确定所述特征决策树的精度。0011在一实施例中，在基于样本运行参数对应的多个样本维度特征和样本故障标签构建所述特征决策树之前，还包括：对所述样本运行参数进行数据处理，得到数据处理后的样本运行参数；说明书2/12 页6CN 117520964 A6从数据处理后的样本运行参数中提取得到多个初始维度特征；所述多个初始维度特征包括时域维度特征和频域维度特征；对各初始维度特征进行特征选择，得到所述多个样本维度特征。0012第二方面，本申请还提供一种基于人工智能的电机预诊断装置，包括：获取单元，用于获取影响作业机械中电机状态的运行参数；提取单元，用于将所述运行参数输入至。

19、电机诊断模型，由所述电机诊断模型从所述运行参数中提取多个维度特征；所述多个维度特征用于表征所述运行参数不同维度的属性；所述电机诊断模型基于特征决策树构建得到，所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到；所述样本故障标签用于表征样本运行参数对应电机状态；所述电机状态包括堵塞状态和未堵塞状态；诊断单元，用于基于所述各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果。0013第三方面，本申请还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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时实现如上述第一方面任一种所述基于人工智。

20、能的电机预诊断方法。0014第四方面，本申请还提供一种非暂态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如上述第一方面任一种所述基于人工智能的电机预诊断方法。0015第五方面，本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一种所述基于人工智能的电机预诊断方法。0016本申请提供的基于人工智能的电机预诊断方法，从运行参数中提取多个维度特征，从而特征决策树能够基于多个维度特征全面进行故障诊断，准确且快速得到电机诊断结果，避免传统方法中容易出现漏报或误报的问题。附图说明0017为了更清楚地说明本申请或现有技术中的技术方案。

21、，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。0018图1是本申请提供的基于人工智能的电机预诊断方法的流程示意图之一；图2是本申请提供的特征决策树的结构示意图；图3是本申请提供的特征选择的流程示意图；图4本申请提供的基于人工智能的电机预诊断方法的流程示意图之二；图5是本申请提供的基于人工智能的电机预诊断装置的结构示意图；图6是本申请提供的电子设备的结构示意图。具体实施方式0019为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中。

22、的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，说明书3/12 页7CN 117520964 A7而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。0020本申请提供一种基于人工智能的电机预诊断方法。图1是本申请提供的基于人工智能的电机预诊断方法的流程示意图之一，如图1所示，该方法包括如下步骤：步骤110、获取影响作业机械中电机状态的运行参数。0021此处，电机状态是指电机的当前工作状况和性能表现，电机状态用于描述电机的清洁程度、堵塞程度或损坏程度以及是否需要维修、更。

23、换或清洗电机。本申请中的作业机械可以是挖掘机、起重机、装载机等。0022运行参数指作业机械运行过程中影响电机状态的参数，运行参数可以包括电机压力、液压油温、主泵压力等。可选地，可以通过传感器实时获取影响作业机械中电机状态的运行参数。0023步骤120、将运行参数输入至电机诊断模型，由电机诊断模型从运行参数中提取多个维度特征。0024具体地，多个维度特征用于表征运行参数不同维度的属性。如，运行参数为电机压力，可以从时域维度提取电机压力的最大值、最小值、1/4分位数、3/4分位数、均值等，还可以从频域维度提取电机压力010Hz频段的频幅均值，1020Hz频段的频幅均值，2030Hz频段的频幅均值，。

24、3040Hz频段的频幅均值，4050Hz频段的频幅均值，5070Hz频段的频幅均值，70100Hz频段的频幅均值等。多维度特征可以提供更全面、更准确的数据描述，发现隐藏的关联关系，从而能够更加准确基于多个维度特征确定电机的电机诊断结果。0025此外，电机诊断模型基于特征决策树构建得到，特征决策树基于样本运行参数对应的多个样本维度特征以及样本故障标签构建得到。其中，样本故障标签用于表征样本运行参数对应电机状态，对应电机状态包括堵塞状态和未堵塞状态。0026步骤130，基于各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果。0027在特征决策树中，决策路径是从根节点开始，沿着决策。

25、树的分支选择对应维度特征取值的路径，直到达叶节点，进而将对应叶节点标识的故障状态作为电机诊断结果。0028例如，特征决策树的根节点是特征A，有两个分支，分别对应特征A的取值为“是”和“否”。如果遵循特征A的取值为“是”的分支，则进入下一个节点，该节点是特征B，继续选择特征B的取值。以此类推，直到到达叶节点。0029此外，由于特征决策树的结构直观，易于理解和解释，通过查看决策路径，可以了解电机诊断模型如何预测电机诊断结果。特征决策树还可以同时处理多个特征，每个特征的重要性可以通过决策树的分枝和叶节点来衡量，也就是特征决策树能够基于多个特征全面进行故障诊断，准确得到电机诊断结果。再有，特征决策树的。

26、预测速度较快，且不需要大量的计算资源。0030本申请实施例提供的基于人工智能的电机预诊断方法，从运行参数中提取多个维度特征，从而特征决策树能够基于多个维度特征全面进行故障诊断，准确且快速得到电机诊断结果，避免传统方法中容易出现漏报或误报的问题。0031基于上述实施例，基于所述各维度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果，包括：说明书4/12 页8CN 117520964 A8以所述特征决策树的根节点为第一起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，得到所述根节点的子节点；以所述子节点为第二起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，直到达。

27、所述特征决策树的叶节点；将所述叶节点对应的故障状态确定为所述电机诊断结果。0032具体地，以特征决策树的根节点为第一起始节点，沿特征决策树的分支选择对应维度特征取值的路径，得到根节点的子节点。进一步地，以子节点为第二起始节点，沿特征决策树的分支选择对应维度特征取值的路径，直到达特征决策树的叶节点，并将叶节点对应的故障状态确定为电机诊断结果。0033例如，特征决策树的根节点是特征A，有两个分支，分别对应特征A的取值为“是”和“否”。以特征A的根节点为第一起始节点，沿特征决策树的分支选择对应维度特征取值的路径，如果遵循特征A的取值为“是”的分支，则进入下一个节点，该节点是特征B。以特征B的节点为第。

28、二起始节点，沿特征决策树的分支选择对应维度特征取值的路径，如果遵循特征A的取值为“是”的分支，则进入下一个节点，该节点是特征C，沿特征决策树的分支选择对应维度特征取值的路径，即继续选择特征C的取值。以此类推，直到到达叶节点，若叶节点为特征M，则将特征M对应的故障状态确定为电机诊断结果。0034本申请实施例从运行参数中提取多个维度特征，从而特征决策树能够基于多个维度特征全面进行故障诊断，准确且快速得到电机诊断结果，避免传统方法中容易出现漏报或误报的问题。0035基于上述实施例，特征决策树的构建步骤包括：划分步骤：遍历当前样本集合对应的各特征属性，并基于当前样本集合的各特征属性对当前样本集合进行划。

29、分，得到各特征属性对应的当前样本子集合；所述当前样本集合中包括样本运行参数对应的所有样本维度特征。0036具体地，特征属性用于表征各样本维度特征的类别。如样本维度特征1为电机压力3bar，样本维度特征2为电机压力5.5bar，则样本维度特征1和样本维度特征2对应相同特征属性，即特征属性为电机压力。又如，样本维度特征3为液压油温70，则样本维度特征1和样本维度特征3对应不同特征属性，即样本维度特征1对应特征属性为电机压力，样本维度特征3对应特征属性为液压油温。0037此外，特征决策树包括根节点、内部节点和叶节点。首先，基于初始样本集合构建根节点，即将初始样本集合作为当前样本集合，然后遍历当前样本。

30、集合对应的特征属性（如液压油温、电机压力），并基于当前样本集合的各特征属性对当前样本集合进行划分，得到各特征属性对应的当前样本子集合。0038例如，当前样本集合对应的特征属性包括液压油温和电机压力，则可以分别基于液压油温和电机压力对当前样本结合进行划分，得到对应的当前样本子集合。在基于液压油温进行划分时，可以将当前样本集合分成“液压油温70”和“液压油温70”两个当前样本子集合。在基于电机压力进行划分时，可以将当前样本集合分成“电机压力3bar”和“电机压力3bar”。0039需要说明的是，上述是举例说明将当前样本集合分成两个当前样本子集合，但并不限于只分为两个当前样本子集合，可以根据实际情况。

31、分为多个当前样本子集合（如三个说明书5/12 页9CN 117520964 A9当前样本子集合、四个当前样本子集合等）。0040确定步骤：基于各当前样本子集合中各类样本故障标签的占比，确定对应特征属性对应的信息增益。0041具体地，信息增益用于衡量特征属性对于特征决策树分类任务的重要性，信息增益越大，对应特征属性越重要，进而对应特征属性作为划分属性对当前样本集合进行划分的概率越大。各当前样本子集合中各类样本故障标签的占比指每类样本故障标签对应样本维度特征在当前样本子集合中所有样本维度特征中的占比。对于基于人工智能的电机预诊断而言，样本故障标签通常可以分为堵塞和未堵塞两类。0042构建步骤：将最。

32、大信息增益对应的特征属性作为特征决策树当前节点的划分属性，并将划分属性对应的当前样本子集合作为当前样本集合，及从当前样本集合中删除划分属性对应的样本维度特征。0043返回依次重复执行划分步骤、确定步骤以及构建步骤，直至当前样本集合中不存在样本维度特征。0044具体地，信息增益越大，表明对应特征属性在特征决策树进行分类时越重要，进而对应特征属性作为划分属性的概率越大。对此，本申请实施例将最大信息增益对应的特征属性作为特征决策树当前节点的划分属性，从而可以基于划分属性构建得到当前节点。0045将划分属性对应的当前样本子集合作为当前样本集合，并从当前样本集合中删除划分属性对应的样本维度特征，从而可以。

33、返回依次重复执行划分步骤、确定步骤以及构建步骤，以确定特征决策树下一节点的特征属性，直至当前样本集合中不存在样本维度特征。0046图2是本申请提供的特征决策树的结构示意图，如图2所示，在特征决策树的根节点，划分属性为“液压油温度均值”，在特征决策树的根节点对应的内部节点，划分属性包括“电机压力均值”和“电机压力010HZ频段幅值均值”，“电机压力均值”对应的下一内部节点的划分属性为“电机压力最大值”，“电机压力010HZ频段幅值均值”对应的下一内部节点的划分属性为“电机压力1020HZ频段幅值均值”，且特征决策树的叶子节点对应的是电机诊断结果。0047进一步地，基于各当前样本子集合中各类样本故。

34、障标签对应样本维度特征的占比，确定对应特征属性对应的信息增益，包括：基于各当前样本子集合中各类样本故障标签的占比，确定第一信息熵；基于当前样本集合中各类样本故障标签的占比，确定第二信息熵；基于第一信息熵和第二信息熵，确定对应特征属性对应的信息增益。0048具体地，第一信息熵用于表征按特征属性对当前样本集合进行划分后，得到的各当前样本子集合的数据纯度的平均值。各当前样本子集合的数据纯度基于各当前样本子集合中各类样本故障标签所占比例大小确定。第二信息熵用于表征当前样本集合的数据纯度，其基于当前样本集合中各类样本故障标签所占比例大小。0049各类样本故障标签所占比例接近，表示数据纯度越低，即数据混乱。

35、程度越大，对应的信息熵越大。某类样本故障标签所占比例明显多于其它类样本故障标签所占比例时，表示当前样本集合的数据纯度越高，即数据混乱程度较低，对应的第二信息熵较小。0050信息增益用于衡量选择某个特征属性进行划分后，所能获得的信息量，即表示在当前节点上将当前样本集合划分为不同当前样本子集合后，由于特征属性的引入，使得信说明书6/12 页10CN 117520964 A10息熵减少的程度。信息增益越大，所获得的信息量越大，即划分后得到的当前样本子集合数据纯度越高。可选地，信息增益=第二信息熵第一信息熵。0051其中，信息增益基于如下公式确定：；其中，表示特征属性 的信息增益，表示第二信息熵，表示。

36、当前样本集合，表示第 类样本故障标签在当前样本集合中的占比，表示当前样本集合中样本故障标签的类别总数，表示第一信息熵，表示当前样本子集合，表示当前样本子集合的个数。0052本申请实施例旨在寻找使得目标函数最大的特征属性作为划分属性。0053基于上述任一实施例，在构建得到特征决策树后，还包括：获取测试运行参数对应的多个测试维度特征以及测试运行参数对应的测试故障标签；基于特征决策树，应用各测试维度特征，确定测试故障结果；基于测试故障结果以及测试故障标签，确定特征决策树的精度；在特征决策树的精度小于阈值的情况下，增量获取样本运行参数对应的多个样本维度特征以及样本故障标签，并基于增量获取的多个样本维度。

37、特征以及样本故障标签更新特征决策树。0054具体地，测试运行参数指用于测试特征决策树精度的运行参数，其可以理解为测试集，测试维度特征用于表征运行参数不同维度的属性。在构建得到特征决策树后，基于特征决策树，应用各测试维度特征，确定测试故障结果，并基于测试故障结果以及测试故障标签，确定特征决策树的精度。其中，测试故障结果与测试故障标签之间的差异越大，表明特征决策树的精度越低。反之，测试故障结果与测试故障标签之间的差异越小，表明特征决策树的精度越高。0055在特征决策树的精度小于阈值的情况下，表明特征决策树精度较低，此时增量获取样本运行参数对应的多个样本维度特征以及样本故障标签，并基于增量获取的多个。

38、样本维度特征以及样本故障标签更新特征决策树。其中，在更新特征决策树时，可以采用上述构建特征决策树的方法更新特征决策树。例如，可以将增量获取的多个样本维度特征加入当前样本集合，以更新当前样本集合，并执行上述构建特征决策树的步骤得到更新后的特征决策树。0056基于上述任一实施例，基于测试故障结果以及测试故障标签，确定特征决策树的精度，包括：基于测试故障结果以及测试故障标签，确定真正例、假正例，真反例以及假反例；基于真正例、假正例，真反例以及假反例，确定查全率以及查准率；说明书7/12 页11CN 117520964 A11基于查全率以及查准率，确定特征决策树的精度。0057具体地，真正例（True。

39、 Positive，TP）指将故障样本正确地预测为故障样本。假正例（False Positive，FP）指将非故障样本错误地预测为故障样本。真反例（True Negative，TN）指将非故障样本正确地预测为非故障样本。假反例（False Negative，FN）指将故障样本错误地预测为非故障样本。0058查全率（Recall）也称为召回率，表示特征决策树对故障样本的识别能力，其计算公式可以为Recall =TP /(TP +FN)。查准率（Precision）表示特征决策树在预测为故障的样本中的正确率，其计算公式可以为Precision =TP /(TP +FP)。0059其中，特征决策树的。

40、精度可以通过查准率和查全率来确定，常用的指标可以包括F1分数（F1score），F1score综合考虑了查准率和查全率，是它们的调和平均值，F1score计算公式可以为F1score=2 *(Precision *Recall)/(Precision +Recall)。F1score越大，表明特征决策树在查准率和查全率上表现较好，从而能够提供较为准确的电机诊断结果。0060基于上述任一实施例，确定电机的电机诊断结果，之后还包括：在作业机械的液压油温大于阈值的情况下，将电机诊断结果推送至作业机械的显示装置。0061考虑到液压油温不同，液压油的粘稠度有较大区别，进而对电机诊断结果有较大的影响。换言。

41、之，在液压油温小于等于阈值的情况下，基于特征决策树确定的电机诊断结果精度较低，因此本申请实施例在液压油温大于阈值后再将电机诊断结果推送至作业机械的显示装置，否则不推送电机诊断结果。同理，构建特征决策树所采集的样本运行参数中液压油温也大于阈值。可选地，可以通过CAN总线将电机诊断结果推送至显示装置基于上述任一实施例，还包括：在基于样本运行参数对应的多个样本维度特征和样本故障标签构建特征决策树之前，还包括：对所述样本运行参数进行数据处理，得到数据处理后的样本运行参数；从数据处理后的样本运行参数中提取得到多个初始维度特征；所述多个初始维度特征包括时域维度特征和频域维度特征；对各初始维度特征进行特征选。

42、择，得到所述多个样本维度特征。0062具体地，数据库处理可以包括时间轴的同步，剔除数据中的空缺值和异常值等。对样本运行参数进行数据处理后，从数据处理后的样本运行参数中提取得到多个初始维度特征，其中，多个初始维度特征包括时域维度特征和频域维度特征。0063例如，在样本运行参数包括液压油温和电机压力的情况下，可以采用如下步骤提取得到多个初始维度特征：利用滑窗的方法将样本运行参数分割为1s的时间段，对于时域维度而言，提取该时间段内电机压力的最大值、最小值、1/4分位数、3/4分位数、均值，液压油温度的均值；对于频域维度而言，利用傅里叶变换算法提取电机压力010Hz频段的频幅均值，1020Hz频段的频。

43、幅均值，2030Hz频段的频幅均值，3040Hz频段的频幅均值，4050Hz频段的频幅均值，5070Hz频段的频幅均值，70100Hz频段的频幅均值。0064在提取得到多个初始维度特征后，对各初始维度特征进行特征选择，得到多个样本维度特征。其中，可以基于裹式特征选择算法（Las Vegas Wrapper，LVW）对各初始维度特征进行特征选择，以选择最优的样本维度特征。图3是本申请提供的特征选择的流程示意说明书8/12 页12CN 117520964 A12图，如图3所示，采用LVW算法对上述举例中的多个初始维度特征（峰值、均值、频幅均值等特征）进行特征选择后，得到的样本维度特征包括液压油温均。

44、值、电机压力最大值、电机压力均值、010Hz频段频幅均值、1020Hz频段频幅均值。0065基于上述任一实施例，图4本申请提供的基于人工智能的电机预诊断方法的流程示意图之二，如图4所示，实时获取待诊断作业机械的运行参数，运行参数包括电机压力和液压油温。接着，对运行参数进行特征提取，得到多个维度特征，并将多个维度特征输入至电机诊断模型，由电机诊断模型基于特征决策树，确定电机诊断结果，并将电机诊断结果推送至作业机械的显示装置。其中，电机诊断模型嵌入作业机械中的控制器，且液压油温大于阈值。0066此外，电机诊断模型中的特征决策树基于样本运行参数对应的多个样本维度特征和样本故障标签构建得到，具体步骤如。

45、下：首先，对样本运行参数进行特征工程（特征提取和特征选取），得到多个样本维度特征；接着，采用上述实施例的方法基于样本运行参数对应的多个样本维度特征和样本故障标签构建特征决策树。0067构建得到特征决策树后，基于应用各测试维度特征，确定测试故障结果；基于测试故障结果以及测试故障标签，确定特征决策树的精度（如F1score）；在特征决策树的精度小于阈值时，增量获取样本运行参数对应的多个样本维度特征以及样本故障标签，并基于增量获取的多个样本维度特征以及样本故障标签更新特征决策树。0068下面对本申请提供的基于人工智能的电机预诊断装置进行描述，下文描述的基于人工智能的电机预诊断装置与上文描述的基于人工。

46、智能的电机预诊断方法可相互对应参照。0069基于上述任一实施例，图5是本申请提供的基于人工智能的电机预诊断装置的结构示意图，如图5所示，该装置包括：获取单元510，用于获取影响作业机械中电机状态的运行参数；提取单元520，用于将所述运行参数输入至电机诊断模型，由所述电机诊断模型从所述运行参数中提取多个维度特征；所述多个维度特征用于表征所述运行参数不同维度的属性；所述电机诊断模型基于特征决策树构建得到，所述特征决策树基于样本运行参数对应的多个样本维度特征及样本故障标签构建得到；所述样本故障标签用于表征样本运行参数对应电机状态；所述电机状态包括堵塞状态和未堵塞状态；诊断单元530，用于基于所述各维。

47、度特征在特征决策树中进行决策路径遍历，得到所述电机的电机诊断结果。0070在一实施例中，诊断单元530还用于：以所述特征决策树的根节点为第一起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，得到所述根节点的子节点；以所述子节点为第二起始节点，沿所述特征决策树的分支选择对应维度特征取值的路径，直到达所述特征决策树的叶节点；将所述叶节点对应的故障状态确定为所述电机诊断结果。0071在一实施例中，电机预诊断装置还用于：说明书9/12 页13CN 117520964 A13划分步骤：遍历当前样本集合对应的各特征属性，并基于当前样本集合的各特征属性对当前样本集合进行划分，得到各特征属性对应的当。

48、前样本子集合；所述当前样本集合中包括样本运行参数对应的所有样本维度特征；确定步骤：基于各当前样本子集合中各类样本故障标签的占比，确定对应特征属性对应的信息增益；构建步骤：将最大信息增益对应的特征属性作为特征决策树当前节点的划分属性，并将划分属性对应的当前样本子集合作为当前样本集合以及从当前样本集合中删除划分属性对应的样本维度特征；返回依次重复执行划分步骤、确定步骤以及构建步骤，直至当前样本集合中不存在样本维度特征。0072在一实施例中，电机预诊断装置还用于：基于各当前样本子集合中各类样本故障标签的占比，确定第一信息熵；所述第一信息熵表征按特征属性对当前样本集合进行划分后，得到的各当前样本子集合。

49、的数据纯度的平均值；各当前样本子集合的数据纯度基于各当前样本子集合中各类样本故障标签所占比例大小确定；基于所述当前样本集合中各类样本故障标签的占比，确定第二信息熵；所述第二信息熵表征当前样本集合的数据纯度基于当前样本集合中各类样本故障标签所占比例大小；基于所述第一信息熵和所述第二信息熵，确定对应特征属性对应的信息增益。0073在一实施例中，电机预诊断装置还用于：获取测试运行参数对应的多个测试维度特征以及所述测试运行参数对应的测试故障标签；所述测试运行参数表征用于测试所述特征决策树精度的运行参数；所述测试维度特征用于表征所述运行参数不同维度的属性；基于所述特征决策树应用各测试维度特征，确定测试故。

50、障结果；基于所述测试故障结果和所述测试故障标签，确定所述特征决策树的精度；在所述特征决策树的精度小于阈值的情况下，增量获取样本运行参数对应的多个样本维度特征以及样本故障标签，并基于增量获取的多个样本维度特征以及样本故障标签更新所述特征决策树。0074在一实施例中，电机预诊断装置还用于：基于所述测试故障结果和所述测试故障标签，确定真正例、假正例，真反例以及假反例；所述真正例表征将故障样本正确地预测为故障样本；所述假正例表征将非故障样本错误地预测为故障样本；所述真反例表征将非故障样本正确地预测为非故障样本；所述假反例表征将故障样本错误地预测为非故障样本；基于所述真正例、所述假正例，所述真反例以及所。