CN108961460A - 基于稀疏esgp与多目标优化的故障预测方法及装置 - Google Patents
基于稀疏esgp与多目标优化的故障预测方法及装置 Download PDFInfo
- Publication number
- CN108961460A CN108961460A CN201810789980.6A CN201810789980A CN108961460A CN 108961460 A CN108961460 A CN 108961460A CN 201810789980 A CN201810789980 A CN 201810789980A CN 108961460 A CN108961460 A CN 108961460A
- Authority
- CN
- China
- Prior art keywords
- prediction
- sparse
- optimization
- model
- esgp
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于稀疏ESGP与多目标优化的故障预测方法及装置,其中,方法包括:采集待测设备的运行数据,并根据运行数据提取待测设备的趋势特征;引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,进而引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测效果作为多目标优化的目标;该方法通过多目标优化对复杂的模型参数进行自动寻优,更高效地选择出较优的ESGP预测模型,再根据趋势特征通过优化后的模型对待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果,从而可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
Description
技术领域
本发明涉及故障预测技术领域,特别涉及一种基于稀疏ESGP(Echo StateGaussian Processes,回声状态高斯过程)与多目标优化的故障预测方法及装置。
背景技术
目前,随着工业4.0与智能制造的发展,预测性维护(Predictive Maintenance)技术在提升设备的维护质量,减少维护成本,降低设备运行风险等方面具有重要意义。预测性维护是PHM(Prognostics and Health Management,故障预测与健康管理)系统的重要目标,实现预测性维护的核心内容之一是对设备的RUL(Remaining Useful Life,剩余使用寿命)进行预测。可靠的剩余使用寿命预测可以为设备维护的决策提供有意义的信息,从而避免系统的严重故障。
相关技术中,故障预测方法主要分为三类:基于模型、数据驱动、模型与数据驱动相结合的方法。随着传感器、存储等技术的发展,大数据背景使得基于数据驱动的故障预测方法备受关注。现有的基于数据驱动的故障预测方法主要分为基于统计模型与基于机器学习两大类,旨在从大量数据中学习趋势特征,进而发掘出系统在运行过程中的行为表现。常见的方法有人工神经网络、支持向量回归、回声状态网络(Echo state network)等,此外还有一些最近流行的深度学习方法,如LSTM(Long Short-Term Memory,长短期记忆网络)、DBN(deep belief networks,深度信念网络)等。
然而,相关技术大部分基于数据驱动的故障预测方法仅限于对RUL进行点预测,而未能考虑预测不确定性,因此得到的RUL预测结果信息单一,无法有力支持后续健康管理或预测性维护的决策活动。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于稀疏ESGP与多目标优化的故障预测方法,该方法可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
本发明的另一个目的在于提出一种基于稀疏ESGP与多目标优化的故障预测装置。
为达到上述目的,本发明一方面实施例提出了一种基于稀疏ESGP与多目标优化的故障预测方法,包括以下步骤:采集待测设备的运行数据,并根据所述运行数据提取所述待测设备的趋势特征;引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测的效果作为多目标优化的目标;根据所述趋势特征通过优化后的模型对所述待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果。
本发明实施例的基于稀疏ESGP与多目标优化的故障预测方法,主要对设备或设备关键结构件的剩余使用寿命进行预测,稀疏GP的引入可适应大规模数据,且通过多目标优化对复杂的模型参数进行自动寻优,从而更高效地选择出较优的ESGP预测模型,进而在考虑预测不确定性的因素下提供可靠的带预测区间的RUL预测,为设备预测性维护提供有价值的信息,从而可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
另外,根据本发明上述实施例的基于稀疏ESGP与多目标优化的故障预测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述根据所述运行数据提取所述待测设备的趋势特征,进一步包括:获取多个传感器采集的所表示的多维特征数据,并根据统计指标选择以剔除冗余特征;对每一维原始特征进行特征提取,设置时间窗口的长度为预设值,对于每个时间窗取平均值与差分值作为提取的特征,以得到所述待测设备的趋势特征。
进一步地,在本发明的一个实施例中,还包括:建立所述回声状态高斯过程的数学模型,并且利用所述趋势特征作为模型输入,剩余使用寿命作为模型输出,根据所述回声状态网络的更新方程求得输出权值矩阵,保留迭代更新的储备池状态;将所述模型输入和所述更新的储备池状态合并得到稀疏高斯过程回归模型的输入,所述剩余使用寿命的真值作为所述稀疏高斯过程回归模型的目标输出进行训练。
进一步地,在本发明的一个实施例中,还包括:在训练前,选择线性函数作为均值函数,选择平方指数函数作为方差函数;将预处理后的测试数据作为输入,以进行测试得到一轮迭代后的剩余使用寿命的预测结果。
进一步地,在本发明的一个实施例中,所述引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将点预测与区间预测的效果作为多目标优化的目标,进一步包括:将所述预测结果的均值作为剩余使用寿命的点预测,且利用方差用于构造预测区间,以获取所述预测结果的度量指标;根据所述预测结果中点预测与区间预测的度量指标得到新的综合指标,并结合所述新的综合指标构造优化目标函数,由此将多目标问题转化为单目标问题,从而用遗传算法进行优化,其中,在遗传算法的优化过程,引入带权重的交叉验证方法并结合前面构造的目标函数来计算适应度,从而通过迭代优化选择出较优的染色体,该染色体为要寻优的模型参数,进而结合优化的模型参数给出优化的稀疏ESGP模型;在测试阶段,将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于训练好的所述稀疏ESGP模型进行测试,以得到剩余使用寿命的预测值和所述剩余使用寿命的均值与方差。
为达到上述目的,本发明另一方面实施例提出了一种基于稀疏ESGP与多目标优化的故障预测装置,包括:采集装置,用于采集待测设备的运行数据,并根据所述运行数据提取所述待测设备的趋势特征;引入模块,用于引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测的效果作为多目标优化的目标;预测模块,用于根据所述趋势特征通过优化后的模型对所述待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果。
本发明实施例的基于稀疏ESGP与多目标优化的故障预测装置,主要对设备或设备关键结构件的剩余使用寿命进行预测,稀疏GP的引入可适应大规模数据,且通过多目标优化对复杂的模型参数进行自动寻优,从而更高效地选择出较优的ESGP预测模型,进而在考虑预测不确定性的因素下提供可靠的带预测区间的RUL预测,为设备预测性维护提供有价值的信息,从而可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
另外,根据本发明上述实施例的基于稀疏ESGP与多目标优化的故障预测装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述采集模块进一步用于获取多个传感器采集的所表示的多维特征数据,并根据统计指标选择以剔除冗余特征,对每一维原始特征进行特征提取,设置时间窗口的长度为预设值,对于每个时间窗取平均值与差分值作为提取的特征,以得到所述待测设备的趋势特征。
进一步地,在本发明的一个实施例中,还包括:建模模块,用于建立所述回声状态高斯过程的数学模型,并且利用所述趋势特征作为模型输入,剩余使用寿命作为模型输出,根据所述回声状态网络的更新方程求得输出权值矩阵,保留迭代更新的储备池状态,并将所述模型输入和所述更新的储备池状态合并得到稀疏高斯过程回归模型的输入,所述剩余使用寿命的真值作为所述稀疏高斯过程回归模型的目标输出进行训练。
进一步地,在本发明的一个实施例中,还包括:计算模块,用于在训练前,选择线性函数作为均值函数,选择平方指数函数作为方差函数,并将预处理后的测试数据作为输入,以进行测试得到一轮迭代后的剩余使用寿命的预测结果。
进一步地,在本发明的一个实施例中,所述引入模块进一步用于将所述预测结果的均值作为剩余使用寿命的点预测,且利用方差用于构造预测区间,以获取所述预测结果的度量指标,并根据所述预测结果中点预测与区间预测的度量指标得到新的综合指标,并结合所述新的综合指标构造优化目标函数,由此将多目标问题转化为单目标问题,从而用遗传算法进行优化,其中,在遗传算法的优化过程,引入带权重的交叉验证方法并结合前面构造的目标函数来计算适应度,从而通过迭代优化选择出较优的染色体,该染色体为要寻优的模型参数,进而结合优化的模型参数给出优化的稀疏ESGP模型,以及在测试阶段,将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于训练好的所述稀疏ESGP模型进行测试,以得到剩余使用寿命的预测值和所述剩余使用寿命的均值与方差。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于稀疏ESGP与多目标优化的故障预测方法的流程图;
图2为根据本发明一个实施例的基于稀疏ESGP对涡轮发动机剩余使用寿命预测的流程图;
图3为根据本发明一个实施例的稀疏ESGP方法的框架图;
图4为根据本发明一个实施例的基于多目标遗传算法对稀疏ESGP模型参数进行优化的流程图;
图5为根据本发明一个实施例的基于稀疏ESGP方法对100个涡轮发动机的剩余使用寿命进行预测的结果图;
图6为根据本发明一个实施例的基于稀疏ESGP与多目标优化的故障预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于稀疏ESGP与多目标优化的故障预测方法及装置,首先将参照附图描述根据本发明实施例提出的基于稀疏ESGP与多目标优化的故障预测方法。
图1是本发明一个实施例的基于稀疏ESGP与多目标优化的故障预测方法的流程图。
如图1所示,该基于稀疏ESGP与多目标优化的故障预测方法包括以下步骤:
在步骤S101中,采集待测设备的运行数据,并根据运行数据提取待测设备的趋势特征。
在本发明的一个实施例中,根据运行数据提取待测设备的趋势特征,进一步包括:获取多个传感器采集的所表示的多维特征数据,并根据统计指标选择以剔除冗余特征;对每一维原始特征进行特征提取,设置时间窗口的长度为预设值,对于每个时间窗取平均值与差分值作为提取的特征,以得到待测设备的趋势特征。
具体而言,如图2所示,本发明实施首先进行数据预处理,包括:(1)特征选择:基于多个传感器采集的所表示的多维特征数据,利用方差与相关系数等统计指标对数据特征进行选择,设置具体阈值,对于方差过小与相关系数过大的特征进行剔除,以减少冗余特征,减少计算量。(2)特征提取:对于每一维原始特征提取趋势特征,设置时间窗口的长度为L,对于每个给定的时间窗取平均值与差分值作为提取的特征。可以一定程度上减少噪声,且数据量的减少可提高该方法的计算效率。
在步骤S102中,引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,从而缓解一般高斯过程计算复杂度较高的问题,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测的效果作为多目标优化的目标。
可以理解的是,本发明实施例对原ESGP算法的GP部分进行改进,引入稀疏高斯过程,缓解一般高斯过程计算复杂度高的问题,以适用于较大规模数据的处理,并引入MOGA(Multi-objective Genetic Algorithm,多目标遗传算法)对ESGP模型进行参数优化,同时考虑点预测与区间预测的效果作为多目标优化的目标,以实现在提高点预测、区间预测效果的同时对模型参数进行自动优化。
进一步地,在本发明的一个实施例中,还包括:建立回声状态高斯过程的数学模型,并且利用趋势特征作为模型输入,剩余使用寿命作为模型输出,根据回声状态网络的更新方程求得输出权值矩阵,保留迭代更新的储备池状态;将模型输入和更新的储备池状态合并得到稀疏高斯过程回归模型的输入,剩余使用寿命的真值作为稀疏高斯过程回归模型的目标输出进行训练。
在本发明的一个实施例中,还包括:在训练前,选择线性函数作为均值函数,选择平方指数函数作为方差函数;将预处理后的测试数据作为输入,以进行测试得到一轮迭代后的剩余使用寿命的预测结果。
举例而言,如图2和图3所示,本发明实施例以涡轮发动机的RUL预测作为具体应用进行描述,具体为:
(1)ESN训练阶段:建立ESGP关于涡轮发动机的数学模型,利用A中选择与提取的特征作为模型输入u(t),真实的RUL作为模型输出ytarget(t),根据ESN的更新方程和岭回归原理求得输出权值矩阵Wout.此外保留迭代更新的储备池状态h(t)。
(2)稀疏ESGP训练:将原模型输入u(t)与更新的储备池状态h(t)进行合并,得到并将作为稀疏高斯过程回归模型的输入,RUL的真值ytarget(t)作为模型的目标输出进行训练,训练过程包含均值函数、方差函数的确定,推断函数的确定等。
(3)稀疏高斯过程:训练前需要确定GP的均值函数与方差函数,本方法选择线性函数作为均值函数,选择常用的平方指数函数作为方差函数,即:
推断过程选择FITC(Fully Independent Training Conditional,完全独立的训练条件)进行近似推断。
(4)稀疏ESGP测试:将经过A进行预处理后的测试数据作为输入,进行测试得到一轮迭代后的RUL预测结果。
进一步地,在本发明的一个实施例中,引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将点预测与区间预测的效果作为多目标优化的目标,进一步包括:将预测结果的均值作为剩余使用寿命的点预测,且利用方差用于构造预测区间,以获取预测结果的度量指标;根据预测结果中点预测与区间预测的度量指标得到新的综合指标,并结合新的综合指标构造优化目标函数,由此将多目标问题转化为单目标问题,从而用遗传算法进行优化,其中,在遗传算法的优化过程,引入带权重的交叉验证方法并结合前面构造的目标函数来计算适应度,从而通过迭代优化选择出较优的染色体。该染色体就是我们要寻优的模型参数,进而结合优化的模型参数给出优化的稀疏ESGP模型。
具体而言,本发明实施例进行模型多目标优化,包括;
(1)预测结果的度量指标:RUL预测结果的均值可直接作为RUL的点预测,而方差可用于构造预测区间。点预测效果的度量可用均方误差(MSE)及分值函数S来表示,即:
其中RULi、RULtrue分别是RUL的预测值与真实值,di是误差项且有di=RULi-RULtrue。
另一方面,给定置信度为95%,利用方差信息构造预测区间,用预测区间覆盖率PICP和标准平均区间宽度NMPIW来评估预测区间的质量,即:
其中n为样本数量,I(·)表示指示函数,当(即RUL的真实值在上下界构成的区间内)I(·)=1,否则I(·)=0.且Ω=RULmax-RULmin
(2)构造优化目标函数:1)结合预测区间的两个度量指标PICP和NMPIW,提出新的综合指标CWCnew,即有:
其中γ(PICP)=0,当PICP≥μ1,否则γ(PICP)=1,且γ(NMPIW)类似。η1、η2、μ1及μ2控制两个度量惩罚程度的超参数。CWCnew在一定程度上能分别控制PICP与NMPIW的质量,从而评估预测区间的综合质量。
2)此外,结合RUL的点预测误差MSE,进一步给出新的目标函数,通过加权的融合方式将多目标问题转化为单目标问题,即有:
其中表示均方误差项MSE所占的权重,η3和μ3为常参数控制MSE的惩罚程度。
(3)多目标遗传算法(MOGA)超参数优化:稀疏ESGP模型中的超参数主要包括两部分,即ESN的结构参数与GP部分的模型参数,如噪声信号的方差,似然函数、均值函数等相关的参数。前者主要引入带权重的交叉验证方法进行确定,后者主要根据最大似然原理并通过共轭梯度下降方法进行确定。利用MOGA对ESN部分的参数与GP部分的参数进行优化。优化目标为公式7中的L(MSE,CWCnew),MOGA的具体流程如图4所示。
在步骤S103中,根据趋势特征通过优化后的模型对待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果。
在本发明的一个实施例中,在测试阶段,将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于训练好的稀疏模型进行测试,以得到剩余使用寿命的预测值和剩余使用寿命的均值与方差。
具体而言,RUL预测:在测试阶段将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于前面训练好的稀疏ESGP模型进行测试,得到涡轮发动机的剩余使用寿命的预测值,及RUL的均值与方差,完成RUL预测。
另外,如图5所示,本发明实施例基于稀疏ESGP方法对100个涡轮发动机(单故障模式,运行条件不变情况下)的剩余使用寿命进行预测的结果图;其中具体的度量指标有Score=347,MSE=250,PICP=1,NMPIW=0.896。
综上,原始的ESGP方法是一种基于回声状态网络(ESN)与高斯过程(GP)融合的方法,可以给出带预测区间的RUL预测,但存在两个问题:1)ESGP模型相对复杂,涉及的关键参数较多,训练存在困难;2)由于受GP影响,ESGP计算复杂度较高,处理大规模数据时速度较慢,影响实时性效果。而本发明实施例方法主要利用回声状态高斯过程对剩余使用寿命进行预测,同时给出RUL的预测区间以量化预测的不确定性,并提供带有预测区间的RUL预测,更具实用价值,且本发明实施例的多目标优化同时考虑对点预测和区间预测性能进行参数优化。本发明实施例基于多传感器采集的系统运行数据进行剩余使用寿命预测,可应用于复杂设备的健康管理系统中,帮助设备在运行过程中的智能维护,适用于有多传感器数据基础的设备,如涡轮发动机、机械轴承等。
根据本发明实施例提出的基于稀疏ESGP与多目标优化的故障预测方法,主要对设备或设备关键结构件的剩余使用寿命进行预测,稀疏GP的引入可适应在大规模数据,且通过多目标优化对复杂的模型参数进行自动寻优,从而更高效地选择出较优的ESGP预测模型,进而在考虑预测不确定性的因素下提供可靠的带预测区间的RUL预测,为设备预测性维护提供有价值的信息,从而可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
其次参照附图描述根据本发明实施例提出的基于稀疏ESGP与多目标优化的故障预测装置。
图6是本发明一个实施例的基于稀疏ESGP与多目标优化的故障预测装置的结构示意图。
如图6所示,该基于稀疏ESGP与多目标优化的故障预测装置10包括:采集装置100、引入模块200和预测模块300。
其中,采集装置100用于采集待测设备的运行数据,并根据运行数据提取待测设备的趋势特征。引入模块200用于引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测的效果作为多目标优化的目标。预测模块300用于根据趋势特征通过优化后的模型对待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果。本发明实施例的装置10通过多目标优化对复杂的模型参数进行自动寻优,更高效地选择出较优的ESGP预测模型,从而可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
进一步地,在本发明的一个实施例中,采集模块100进一步用于获取多个传感器采集的所表示的多维特征数据,并根据统计指标选择以剔除冗余特征,对每一维原始特征进行特征提取,设置时间窗口的长度为预设值,对于每个时间窗取平均值与差分值作为提取的特征,以得到待测设备的趋势特征。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:建模模块。其中,建模模块用于建立回声状态高斯过程的数学模型,并且利用趋势特征作为模型输入,剩余使用寿命作为模型输出,根据回声状态网络的更新方程求得输出权值矩阵,保留迭代更新的储备池状态,并将模型输入和更新的储备池状态合并得到稀疏高斯过程回归模型的输入,剩余使用寿命的真值作为稀疏高斯过程回归模型的目标输出进行训练。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:计算模块。其中,计算模块用于在训练前,选择线性函数作为均值函数,选择平方指数函数作为方差函数,并将预处理后的测试数据作为输入,以进行测试得到一轮迭代后的剩余使用寿命的预测结果。
进一步地,在本发明的一个实施例中,引入模块200进一步用于将预测结果的均值作为剩余使用寿命的点预测,且利用方差用于构造预测区间,以获取预测结果的度量指标,并根据预测结果的度量指标得到新的综合指标,并根据预测结果中点预测与区间预测的度量指标得到新的综合指标,并结合新的综合指标构造优化目标函数,由此将多目标问题转化为单目标问题,从而用遗传算法进行优化,其中,在遗传算法的优化过程,引入带权重的交叉验证方法并结合前面构造的目标函数来计算适应度,从而通过迭代优化选择出较优的染色体,该染色体为要寻优的模型参数,进而结合优化的模型参数给出优化的稀疏ESGP模型,以及在测试阶段,将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于训练好的稀疏ESGP模型进行测试,以得到剩余使用寿命的预测值和剩余使用寿命的均值与方差。
需要说明的是,前述对基于稀疏ESGP与多目标优化的故障预测方法实施例的解释说明也适用于该实施例的基于稀疏ESGP与多目标优化的故障预测装置,此处不再赘述。
根据本发明实施例提出的基于稀疏ESGP与多目标优化的故障预测装置,主要对设备或设备关键结构件的剩余使用寿命进行预测,稀疏GP的引入可适应在大规模数据,且通过多目标优化对复杂的模型参数进行自动寻优,从而更高效地选择出较优的ESGP预测模型,进而在考虑预测不确定性的因素下提供可靠的带预测区间的RUL预测,为设备预测性维护提供有价值的信息,从而可以有效减少设备的停机时间与维护成本,提高设备运行效率与安全性,具有工业应用价值。
此外,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至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不固定针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于稀疏ESGP与多目标优化的故障预测方法,其特征在于,包括以下步骤:
采集待测设备的运行数据,并根据所述运行数据提取所述待测设备的趋势特征;
引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测的效果作为多目标优化的目标;以及
根据所述趋势特征通过优化后的模型对所述待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果。
2.根据权利要求1所述的基于稀疏ESGP与多目标优化的故障预测方法,其特征在于,所述根据所述运行数据提取所述待测设备的趋势特征,进一步包括:
获取多个传感器采集的所表示的多维特征数据,并根据统计指标选择以剔除冗余特征;
对每一维原始特征进行特征提取,设置时间窗口的长度为预设值,对于每个时间窗取平均值与差分值作为提取的特征,以得到所述待测设备的趋势特征。
3.根据权利要求2所述的基于稀疏ESGP与多目标优化的故障预测方法,其特征在于,还包括:
建立所述回声状态高斯过程的数学模型,并且利用所述趋势特征作为模型输入,剩余使用寿命作为模型输出,根据所述回声状态网络的更新方程求得输出权值矩阵,保留迭代更新的储备池状态;
将所述模型输入和所述更新的储备池状态合并得到稀疏高斯过程回归模型的输入,所述剩余使用寿命的真值作为所述稀疏高斯过程回归模型的目标输出进行训练。
4.根据权利要求3所述的基于稀疏ESGP与多目标优化的故障预测方法,其特征在于,还包括:
在训练前,选择线性函数作为均值函数,选择平方指数函数作为方差函数;
将预处理后的测试数据作为输入,以进行测试得到一轮迭代后的剩余使用寿命的预测结果。
5.根据权利要求4所述的基于稀疏ESGP与多目标优化的故障预测方法,其特征在于,所述引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将点预测与区间预测的效果作为多目标优化的目标,进一步包括:
将所述预测结果的均值作为剩余使用寿命的点预测,且利用方差用于构造预测区间,以获取所述预测结果的度量指标;
根据所述预测结果中点预测与区间预测的度量指标得到新的综合指标,并结合所述新的综合指标构造优化目标函数,由此将多目标问题转化为单目标问题,从而用遗传算法进行优化,其中,在遗传算法的优化过程,引入带权重的交叉验证方法并结合前面构造的目标函数来计算适应度,从而通过迭代优化选择出较优的染色体,该染色体为要寻优的模型参数,进而结合优化的模型参数给出优化的稀疏ESGP模型;
在测试阶段,将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于训练好的所述稀疏ESGP模型进行测试,以得到剩余使用寿命的预测值和所述剩余使用寿命的均值与方差。
6.一种基于稀疏ESGP与多目标优化的故障预测装置,其特征在于,包括:
采集装置,用于采集待测设备的运行数据,并根据所述运行数据提取所述待测设备的趋势特征;
引入模块,用于引入稀疏高斯过程以改进回声状态高斯过程的高斯过程,并且引入多目标遗传算法对回声状态高斯过程的模型进行参数优化,同时将剩余使用寿命的点预测与区间预测的效果作为多目标优化的目标;以及
预测模块,用于根据所述趋势特征通过优化后的模型对所述待测设备的剩余使用寿命进行最终预测,以获取较优的预测结果。
7.根据权利要求6所述的基于稀疏ESGP与多目标优化的故障预测装置,其特征在于,所述采集模块进一步用于获取多个传感器采集的所表示的多维特征数据,并根据统计指标选择以剔除冗余特征,对每一维原始特征进行特征提取,设置时间窗口的长度为预设值,对于每个时间窗取平均值与差分值作为提取的特征,以得到所述待测设备的趋势特征。
8.根据权利要求7所述的基于稀疏ESGP与多目标优化的故障预测装置,其特征在于,还包括:
建模模块,用于建立所述回声状态高斯过程的数学模型,并且利用所述趋势特征作为模型输入,剩余使用寿命作为模型输出,根据所述回声状态网络的更新方程求得输出权值矩阵,保留迭代更新的储备池状态,并将所述模型输入和所述更新的储备池状态合并得到稀疏高斯过程回归模型的输入,所述剩余使用寿命的真值作为所述稀疏高斯过程回归模型的目标输出进行训练。
9.根据权利要求8所述的基于稀疏ESGP与多目标优化的故障预测装置,其特征在于,还包括:
计算模块,用于在训练前,选择线性函数作为均值函数,选择平方指数函数作为方差函数,并将预处理后的测试数据作为输入,以进行测试得到一轮迭代后的剩余使用寿命的预测结果。
10.根据权利要求9所述的基于稀疏ESGP与多目标优化的故障预测装置,其特征在于,所述引入模块进一步用于将所述预测结果的均值作为剩余使用寿命的点预测,且利用方差用于构造预测区间,以获取所述预测结果的度量指标,并根据所述预测结果中点预测与区间预测的度量指标得到新的综合指标,并结合所述新的综合指标构造优化目标函数,由此将多目标问题转化为单目标问题,从而用遗传算法进行优化,其中,在遗传算法的优化过程,引入带权重的交叉验证方法并结合前面构造的目标函数来计算适应度,从而通过迭代优化选择出较优的染色体,该染色体为要寻优的模型参数,进而结合优化的模型参数给出优化的稀疏ESGP模型,以及在测试阶段,将训练数据与测试数据同时作为输入,似然函数选择为高斯似然,推断方式选择为高斯推断,基于训练好的所述稀疏ESGP模型进行测试,以得到剩余使用寿命的预测值和所述剩余使用寿命的均值与方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810789980.6A CN108961460B (zh) | 2018-07-18 | 2018-07-18 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810789980.6A CN108961460B (zh) | 2018-07-18 | 2018-07-18 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961460A true CN108961460A (zh) | 2018-12-07 |
CN108961460B CN108961460B (zh) | 2020-05-08 |
Family
ID=64496226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810789980.6A Active CN108961460B (zh) | 2018-07-18 | 2018-07-18 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961460B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046378A (zh) * | 2019-02-28 | 2019-07-23 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110533251A (zh) * | 2019-09-03 | 2019-12-03 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
CN110728310A (zh) * | 2019-09-27 | 2020-01-24 | 聚时科技(上海)有限公司 | 一种基于超参数优化的目标检测模型融合方法及融合系统 |
CN113487085A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 基于联合学习框架的设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736025A (zh) * | 2012-06-29 | 2012-10-17 | 沈阳工业大学 | 一种断路器电气剩余使用寿命预测装置及方法 |
CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
US20150254687A1 (en) * | 2014-03-05 | 2015-09-10 | International Business Machines Corporation | Analytics Driven End of Life Product Planning |
CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
CN108009691A (zh) * | 2017-12-22 | 2018-05-08 | 东软集团股份有限公司 | 设备寿命预测方法、装置及设备 |
CN108037463A (zh) * | 2017-12-15 | 2018-05-15 | 太原理工大学 | 一种锂离子电池寿命预测方法 |
-
2018
- 2018-07-18 CN CN201810789980.6A patent/CN108961460B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736025A (zh) * | 2012-06-29 | 2012-10-17 | 沈阳工业大学 | 一种断路器电气剩余使用寿命预测装置及方法 |
US20150254687A1 (en) * | 2014-03-05 | 2015-09-10 | International Business Machines Corporation | Analytics Driven End of Life Product Planning |
CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
CN108037463A (zh) * | 2017-12-15 | 2018-05-15 | 太原理工大学 | 一种锂离子电池寿命预测方法 |
CN108009691A (zh) * | 2017-12-22 | 2018-05-08 | 东软集团股份有限公司 | 设备寿命预测方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
SOTIRIOS P. CHATZIS: "Echo State Gaussian Process", 《IEEE》 * |
Y.LIU: "A Gaussian Process Echo State Networks Model for Time Series Forecasting", 《2013 JOINT IFSA WORLD CONGRESS AND NAFIPS ANNUAL MEETING》 * |
YU CAO: "DesignofNonlinearPredictiveControlforPneumaticMuscleActuatorBasedonEchoStateGaussianProcess", 《SCIENCEDIRECT》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046378A (zh) * | 2019-02-28 | 2019-07-23 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110046378B (zh) * | 2019-02-28 | 2022-09-13 | 昆明理工大学 | 一种基于进化多目标优化的选择性分层集成高斯过程回归软测量建模方法 |
CN110533251A (zh) * | 2019-09-03 | 2019-12-03 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
CN110728310A (zh) * | 2019-09-27 | 2020-01-24 | 聚时科技(上海)有限公司 | 一种基于超参数优化的目标检测模型融合方法及融合系统 |
CN110728310B (zh) * | 2019-09-27 | 2023-09-01 | 聚时科技(上海)有限公司 | 一种基于超参数优化的目标检测模型融合方法及融合系统 |
CN113487085A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 基于联合学习框架的设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108961460B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961460A (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN108095716B (zh) | 一种基于置信规则库和深度神经网络的心电信号检测方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN109558971A (zh) | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 | |
CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
CN105376097A (zh) | 网络流量的一种混合预测方法 | |
CN114357594B (zh) | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 | |
CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
CN109145373A (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN109407654A (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
CN106779166A (zh) | 一种基于数据驱动的知识点掌握状态的预测系统及方法 | |
CN110263979A (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
CN110070172A (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
CN110490320A (zh) | 基于预测机制和遗传算法融合的深度神经网络结构优化方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN106874963A (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
KR20220004491A (ko) | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN114584406B (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
CN111860971A (zh) | 道岔转辙机剩余寿命预测方法及装置 | |
Tam et al. | Diagnosis of prestressed concrete pile defects using probabilistic neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |