CN110610226A - 一种发电机故障预测方法及装置 - Google Patents
一种发电机故障预测方法及装置 Download PDFInfo
- Publication number
- CN110610226A CN110610226A CN201810617266.9A CN201810617266A CN110610226A CN 110610226 A CN110610226 A CN 110610226A CN 201810617266 A CN201810617266 A CN 201810617266A CN 110610226 A CN110610226 A CN 110610226A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- gray
- grey
- generator
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 210000005036 nerve Anatomy 0.000 claims abstract description 27
- 230000001537 neural effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种发电机故障预测方法及装置，该方法包括：获取发电机的多个原始参数序列；根据多个原始参数序列，通过灰色神经串联模型对发电机进行故障预测。本发明采用灰色神经串联模型，灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，将这多个灰色预测模型的输出值作为神经网络预测模型的输入值。通过灰色预测模型将原始参数序列中具有不确定性的参数转换成确定性的参数，将确定性的参数输入神经网络预测模型，获得最终的故障预测值。如此将灰度预测模型与神经网络预测模型串联起来进行预测，结合灰度预测模型和神经网络预测模型的优点，能支持短期或长期预测，对各种情况下的数据序列均能达到很高的预测精度。
Description
技术领域
本发明涉及无人机技术领域，具体而言，涉及一种发电机故障预测方法及装置。
背景技术
发电机是驱动无人机飞行的核心部件，若发电机出现故障将导致无人机无法飞行，因此需要对无人机的发电机进行故障预测。
当前，相关技术中通常使用灰色预测模型来预测无人机发电机是否出现故障。首先采集无人机发电机的多个参数值，得到原始参数序列。根据该原始参数序列，建立灰色预测模型GM(1,1)。根据该灰色预测模型GM(1,1)获得原始参数序列对应的预测序列，根据该原始参数序列及对应的预测序列对该灰色预测模型GM(1,1)进行精度验证。若该灰色预测模型GM(1,1)满足精度要求，则后续通过该灰色预测模型GM(1,1)来进行发电机故障预测。
但上述灰色预测模型仅适用于短期预测，主要用于趋势性强、波动不大的预测，预测精度不高。对于长期预测、趋势性不强、波动大的情况预测精度很低。
发明内容
有鉴于此，本发明实施例的目的在于提供一种发电机故障预测方法及装置，以解决现有技术存在的以下问题：灰色预测模型仅适用于短期预测，主要用于趋势性强、波动不大的预测，预测精度不高。对于长期预测、趋势性不强、波动大的情况预测精度很低。
第一方面，本发明实施例提供了一种发电机故障预测方法，所述方法包括：
获取发电机的多个原始参数序列；
根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测。
结合第一方面，本发明实施例提供了上述第一方面的第一种可能的实现方式，其中，所述灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，所述多个灰色预测模型的数目与获取的所述多个原始参数序列的数目相等。
结合第一方面的第一种可能的实现方式，本发明实施例提供了上述第一方面的第二种可能的实现方式，其中，所述根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测，包括：
将所述多个原始参数序列分别输入所述多个灰色预测模型中，得到多个预测参数序列；
根据所述多个预测参数序列，通过所述神经网络预测模型获得所述发电机对应的故障预测值。
结合第一方面，本发明实施例提供了上述第一方面的第三种可能的实现方式，其中，所述根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测之前，还包括：
获取发电机对应的样本参数序列；
根据所述样本参数序列，构建灰色神经串联模型。
结合第一方面的第三种可能的实现方式，本发明实施例提供了上述第一方面的第四种可能的实现方式，其中，所述根据所述样本参数序列，构建灰色神经串联模型，包括：
根据所述样本参数序列包括的一个或多个原始参数序列，构建灰色预测模型；根据所述样本参数序列训练神经网络预测模型；
将多个所述灰色预测模型的输出值确定为所述神经网络预测模型的输入值，得到灰色神经串联模型。
结合第一方面的第四种可能的实现方式，本发明实施例提供了上述第一方面的第五种可能的实现方式，其中，所述构建灰色预测模型之后，还包括：
根据所述一个或多个原始参数序列，通过后验差检验方式对所述灰色预测模型进行精度检验；
若所述灰色预测模型达到预设精度要求，则执行所述将多个所述灰色预测模型的输出值确定为所述神经网络预测模型的输入值，得到灰色神经串联模型；
若所述灰色预设模型未达到预设精度要求，则根据所述样本参数序列包括的除所述一个或多个原始参数序列以外的原始参数序列，重新构建灰色预测模型。
第二方面，本发明实施例提供了一种发电机故障预测装置，所述装置包括：
获取模块，用于获取发电机的多个原始参数序列；
预测模块，用于根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测。
结合第二方面，本发明实施例提供了上述第二方面的第一种可能的实现方式，其中，所述灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，所述多个灰色预测模型的数目与获取的所述多个原始参数序列的数目相等。
结合第二方面的第一种可能的实现方式，本发明实施例提供了上述第二方面的第二种可能的实现方式，其中，所述预测模块包括：
输入单元，用于将所述多个原始参数序列分别输入所述多个灰色预测模型中，得到多个预测参数序列；
获得单元，用于根据所述多个预测参数序列，通过所述神经网络预测模型获得所述发电机对应的故障预测值。
结合第二方面，本发明实施例提供了上述第二方面的第三种可能的实现方式，其中，所述装置还包括：
模型构建模块，用于获取发电机对应的样本参数序列；根据所述样本参数序列，构建灰色神经串联模型。
在本发明实施例提供的方法及装置中，获取发电机的多个原始参数序列；根据多个原始参数序列，通过灰色神经串联模型对发电机进行故障预测。本发明采用灰色神经串联模型，灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，将这多个灰色预测模型的输出值作为神经网络预测模型的输入值。通过灰色预测模型将原始参数序列中具有不确定性的参数转换成确定性的参数，将确定性的参数输入神经网络预测模型，获得最终的故障预测值。如此将灰度预测模型与神经网络预测模型串联起来进行预测，结合灰度预测模型和神经网络预测模型的优点，能支持短期或长期预测，对各种情况下的数据序列均能达到很高的预测精度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例1所提供的一种发电机故障预测方法的流程图；
图2是本发明实施例1所提供的一种灰色神经串联模型进行故障预测的流程图；
图3是本发明实施例所1提供的一种预测结果的示意图；
图4是本发明实施例1所提供的一种灰色预测模型与神经网络预测模型并联组合件故障预测的流程图；
图5是本发明实施例2所提供的一种发电机故障预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
考虑到现有技术中的灰色预测模型仅适用于短期预测，主要用于趋势性强、波动不大的预测，预测精度不高。对于长期预测、趋势性不强、波动大的情况预测精度很低。基于此，本发明实施例提供了一种发电机故障预测方法及装置，下面通过实施例进行描述。
实施例1
本发明实施例提供了一种发电机故障预测方法，该方法通过灰色神经串联模型对无人机的发电机进行故障预测，结合灰色预测模型与神经网络预测模型的优点，大大提高了故障预测的准确性。在通过本发明实施例提供的方法进行故障预测时，首先通过如下方式来构建灰色神经串联模型，具体包括：
获取发电机对应的样本参数序列；根据样本参数序列，构建灰色神经串联模型。
上述样本参数序列包括多个原始参数序列，原始参数序列包括发电机的多个实际参数数值，如原始参数序列可以包括发电机的输出电源、输出电流、线电压、发电机励磁电流、每极基波磁通等。在某一时刻采集无人机发电机的各个参数数值，将采集的多个参数数值按照一定顺序排列组成一个原始参数序列。在不同时刻按照上述方式可以获取到无人机发电机对应的多个原始参数序列，将这多个原始参数序列组成发电机对应的样本参数序列。
在本发明实施例中，获取到发电机对应的样本参数序列后，通过如下方式构建灰色神经串联模型，具体包括：
根据样本参数序列包括的一个或多个原始参数序列，构建灰色预测模型；根据样本参数序列训练神经网络预测模型；将多个灰色预测模型的输出值确定为神经网络预测模型的输入值，得到灰色神经串联模型。
从获取的发电机对应的样本参数序列中随机获取一个原始参数序列，为了便于描述本发明实施例用X(0)来表示原始参数序列，并具体通过如下步骤 A1-A3的步骤来构建灰色预测模型，包括：
A1：根据事前检验准则检验原始参数序列X(0)能否建立满足预设精度要求的灰色预测模型GM(1,1)，如果是，则执行步骤A3，如果否，则执行步骤A2。在本发明实施例中，原始参数序列可表示为其中，X(0)(k)，X(0)(k+1)∈X(0)， k为原始参数序列中包括的参数的序号。级比当时，确定出根据原始参数序列X(0)能够建立满足预设精度要求的灰色预测模型GM(1,1)。
A2：对原始参数序列X(0)进行平移变换、对数变换等数据变换处理，以使原始参数序列X(0)成为满足建模的非负序列。
A3：根据原始参数序列X(0)建立灰色预测模型GM(1,1)。
在本步骤中具体通过如下步骤a-e来建立灰色预测模型GM(1,1)，包括：
a、根据原始参数序列X(0)＝{X(0)(1)，X(0)(2)，...，X(0)(n)}，计算一次累加序列
b、建立矩阵
c、求出估计值和其中，
d、计算拟合值
e、对拟合值进行一次累减还原得到灰色预测模型GM(1,1)：
在本发明实施例中，可以根据样本参数序列中包括的一个原始参数序列来建立灰色预测模型GM(1,1)。也可以从样本参数序列中随机选择多个原始参数序列，分别根据选择的多个原始参数序列，按照上述方式建立灰色预测模型 GM(1,1)。
通过上述方式建立灰色预测模型GM(1,1)之后，还需要对建立的灰色预测模型GM(1,1)进行精度检验，具体包括：
根据上述一个或多个原始参数序列，通过后验差检验方式对灰色预测模型进行精度检验；若灰色预测模型达到预设精度要求，则执行将多个灰色预测模型的输出值确定为神经网络预测模型的输入值，得到灰色神经串联模型；若灰色预设模型未达到预设精度要求，则根据样本参数序列包括的除一个或多个原始参数序列以外的原始参数序列，重新构建灰色预测模型。
在进行精度检验时，首先建立灰色预测模型GM(1,1)所依据的原始参数序列X(0)代入建立的灰色预测模型GM(1,1)中，计算出该原始参数序列对应的预测序列然后根据原始参数序列X(0)及对应的预测序列通过如下方式进行后验差精度检验，具体包括：
根据原始参数序列X(0)及对应的预测序列计算残差序列ε(0)：
计算原始参数序列X(0)的均值及方差
计算残差ε(0)的均值及方差
根据原始参数序列X(0)的方差和残差ε(0)的方差计算均方差比值
计算小误差概率
在进行后验差精度检验时，均方差比值C越小，小误差概率p越大，则建立的灰色预
测模型GM(1,1)的精度越高，具体评判标准如表1所示。
| 精度等级 | 均方差比值C | 小误差概率p |
| 一级 | <0.35 | >＝0.95 |
| 二级 | <0.5 | >＝0.8 |
| 三级 | <0.65 | >＝0.7 |
| 四级 | >＝0.65 | <0.7 |
通过上述方式计算出均方差比值C和小误差概率p后，从上述表1中查询出建立的灰色预测模型GM(1,1)所属的精度等级。若该精度等级不满足预设精度要求，则重新从样本参数序列中获取一个或多个原始参数序列，根据新获取的原始参数序列，重新构建灰色预测模型GM(1,1)，直到构建的灰色预测模型GM(1,1)满足预设精度要求。上述预设精度要求可以为构建的灰色预测模型GM(1,1)的精度等级为二级或一级。
在本发明实施例中，通过上述方式建立满足预设精度要求的灰色预测模型GM(1,1)的同时，还根据样本参数序列构建神经网络预测模型。在构建神经网络预测模型时，首先设计故障预测的BP(Back Propagation，前馈网络)网络结构，然后进行网络权值的初始化，接着将样本参数序列输入网络进行网络训练，最终使输出结果达到预定的精度或达到最大学习次数时结束，得到神经网络预测模型。
在根据样本参数序列进行网络训练之前，需要对样本参数序列进行预处理，包括归一化处理和数据分类等。其中，归一化处理使得每个属性的数据值都落在相同的数值范围内，可以加快网络的收敛性。本发明实施例采用与主成分分析法相同的最小—最大规范化处理，即对样本参数序列进行线性变换。数据分类包括从样本参数序列中抽取训练样本和测试样本。通过训练样本进行网络训练，通过测试样本来测试训练出的神经网络预测模型的准确性。在本发明实施例中指定相应的参数进行网络训练，包括网络学习算法、最大学习次数以及最大允许误差等，本发明实施例采用改进的Levenberg-Marquardt算法进行学习。最大学习次数和允许误差与网络的预测能力密切相关。给出最大学习次数可以避免网络陷入了死循环；在保证预测精度的要求下，增大网络的允许误差可以节省训练时间，也能避免网络的权值调整过细使BP网络陷入局部最优求解。通过多次实际试验确定最大学习次数为3000，训练误差为0.02。
通过上述方式构建出灰色预测模型和神经网络预测模型后，将多个灰色预测模型和神经网络预测模型串联起来组成灰色神经串联模型。在本发明实施例中串联的含义为这多个灰色预测模型的输出值作为神经网络预测模型的输入值。如图1所示，构建出灰色神经串联模型之后，通过如下步骤101和102 的操作来对无人机的发电机进行故障预测。
步骤101：获取发电机的多个原始参数序列。
采集无人机的发电机的多个原始参数序列，原始参数序列可以包括发电机的输出电源、输出电流、线电压、发电机励磁电流、每极基波磁通等实际参数数值。
在本步骤中采集的原始参数序列的数目与上述构建出的灰色神经串联模型包括的多个灰色预测模型的数目相等。
步骤102：根据多个原始参数序列，通过灰色神经串联模型对发电机进行故障预测。
获取到无人机发电机的多个原始参数序列后，将这多个原始参数序列分别输入灰色神经串联模型包括的多个灰色预测模型中，得到多个预测参数序列；然后根据这多个预测参数序列，通过灰色神经串联模型包括的神经网络预测模型获得发电机对应的故障预测值。
如图2所示，将多个原始参数序列分别输入多个灰色预测模型中，再将每个灰色预测模型的输出值输入神经网络预测模型中，神经网络预测模型的输出值即为最终的故障预测值。
在本发明实施例中，以灰色预测模型的预测结果作为神经网络预测模型的输入，通过灰色预测模型将原始参数序列中具有确定性的参数转换为确定性的参数，然后将确定性的参数输入神经网络预测模型中，利用神经网络预测模型强大的非线性映射功能在其输出端得到精度更高的预测结果，结合了灰色预测模型与神经网络预测模型的优点，大大提高了无人机发电机故障预测的精度。
为了进一步印证灰色神经串联模型能够提高故障预测的精度，下面结合具体实例对灰色神经串联模型进行检验。以某型无人机电源系统检测数据为例，对灰色预测模型GM(1,1)进行实例评估验证。以发电机控制器整流器故障为例。当整流器出现故障时，直流电压出现欠压，并且谐波慢慢增大。下表2 是原始参数序列包括的部分实验数据。
表2
| 特征 | u0/V | i0/A | u12/V | If/A | φ |
| F0 | 26.32 | 43.42 | 13.26 | 1.32 | 0.756 |
| F1 | 26.32 | 43.52 | 13.26 | 1.33 | 0.763 |
| F2 | 26.14 | 43.18 | 13.12 | 1.29 | 0.755 |
| F3 | 26.14 | 42.49 | 13.24 | 1.33 | 0.756 |
| F4 | 26.10 | 42.65 | 13.23 | 1.34 | 0.756 |
| F5 | 26.03 | 42.65 | 13.23 | 1.35 | 0.743 |
| … | … | … | … | … | … |
根据上述原始参数序列，通过灰色神经串联模型获得的故障预测结果如图3所示，选取了直流电压特征参数进行分析。其中，在本实例中对灰色预测模型GM(1,1)进行精度检验，均方差比值C＝0.47，小误差概率p＝0.8，参照表1 对灰色预测模型精度等级评判可知，灰色预测模型精度为二级，预测结果可信。在图3中左图为灰色预测模型的输出，可以看出其对电压信号的变化趋势判断效果明显，但对谐波预测不足。而经过灰色神经预测模型预测后的结果如图3 中的右图所示，整体的趋势相对更精准，贴合度很高，达到了预测精度的要求。
在本发明实施例中，除通过灰色神经串联模型进行故障预测外，还可以通过灰色预测模型与神经网络预测模型的简单组合方式或并联组合方式进行故障预测。
其中，简单组合是指采用灰色预测模型处理具有灰色特征的部分，而神经网络预测模型则用来处理没有灰色特征的部分。并联组合方式的结构原理如图4所示。首先分别单独使用灰色预测模型和神经网络预测模型进行预测，得到各单一模型的预测结果。然后根据最优化理论将两个模型的预测结果以加权的方式进行组合，加权方式包括算术平均、几何平均或调和平均等各种方式，得出组合预测的预测结果。
灰色预测模型GM(1,1)和神经网络预测模型各有其优点和不足，如表3 所示。灰色预测模型适用于短期预测，而神经网络预测模型适于长期趋势的预测；灰色预测模型主要用于趋势性强、波动不大的预测，而神经网络预测模型可预测无序、波动较大的数据序列；灰色预测模型对样本数量要求不高，而神经网络预测模型需要大量的训练样本进行网络训练，才能保证较大精度。
表3
从上述分析可知，简单组合方式中灰色预测模型与神经网络预测模型之间在本质上没有直接的联系。在并联组合方式中，灰色预测模型与神经网络预测模型相互独立，这种组合方式不能消除两个模型本身所固有的缺点。只有灰色神经串联模型能够结合灰色预测模型与神经网络预测模型的优点，消除灰色预测模型与神经网络预测模型本身固有的缺点，利用灰色预测模型消除原始参数序列中的不确定性，利用神经网络预测模型具有的强大的非线性映射功能，大大提高无人机发电机的故障预测精度。
在本发明实施例中，获取发电机的多个原始参数序列；根据多个原始参数序列，通过灰色神经串联模型对发电机进行故障预测。本发明采用灰色神经串联模型，灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，将这多个灰色预测模型的输出值作为神经网络预测模型的输入值。通过灰色预测模型将原始参数序列中具有不确定性的参数转换成确定性的参数，将确定性的参数输入神经网络预测模型，获得最终的故障预测值。如此将灰度预测模型与神经网络预测模型串联起来进行预测，结合灰度预测模型和神经网络预测模型的优点，能支持短期或长期预测，对各种情况下的数据序列均能达到很高的预测精度。
实施例2
参见图5，本发明实施例提供了一种发电机故障预测装置，该装置用于执行上述实施例1所提供的发电机故障预测方法，该装置包括：
获取模块20，用于获取发电机的多个原始参数序列；
预测模块21，用于根据多个原始参数序列，通过灰色神经串联模型对发电机进行故障预测。
在本发明实施例中，灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，多个灰色预测模型的数目与获取的多个原始参数序列的数目相等。
上述预测模块21包括：输入单元，用于将多个原始参数序列分别输入多个灰色预测模型中，得到多个预测参数序列；获得单元，用于根据多个预测参数序列，通过神经网络预测模型获得发电机对应的故障预测值。
在本发明实施例中，该装置还包括：模型构建模块，用于获取发电机对应的样本参数序列；根据样本参数序列，构建灰色神经串联模型。
上述模型构建模型包括：构建单元，用于根据样本参数序列包括的一个或多个原始参数序列，构建灰色预测模型；训练单元，用于根据样本参数序列训练神经网络预测模型；确定单元，用于将多个灰色预测模型的输出值确定为神经网络预测模型的输入值，得到灰色神经串联模型。
在本发明实施例，该装置还包括：精度验证模型，用于根据一个或多个原始参数序列，通过后验差检验方式对灰色预测模型进行精度检验；若灰色预测模型达到预设精度要求，则执行将多个灰色预测模型的输出值确定为神经网络预测模型的输入值，得到灰色神经串联模型；若灰色预设模型未达到预设精度要求，则根据样本参数序列包括的除一个或多个原始参数序列以外的原始参数序列，重新构建灰色预测模型。
在本发明实施例中，获取发电机的多个原始参数序列；根据多个原始参数序列，通过灰色神经串联模型对发电机进行故障预测。本发明采用灰色神经串联模型，灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，将这多个灰色预测模型的输出值作为神经网络预测模型的输入值。通过灰色预测模型将原始参数序列中具有不确定性的参数转换成确定性的参数，将确定性的参数输入神经网络预测模型，获得最终的故障预测值。如此将灰度预测模型与神经网络预测模型串联起来进行预测，结合灰度预测模型和神经网络预测模型的优点，能支持短期或长期预测，对各种情况下的数据序列均能达到很高的预测精度。
本发明实施例所提供的发电机故障预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种发电机故障预测方法，其特征在于，所述方法包括：
获取发电机的多个原始参数序列；
根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测。
2.根据权利要求1所述的方法，其特征在于，所述灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，所述多个灰色预测模型的数目与获取的所述多个原始参数序列的数目相等。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测，包括：
将所述多个原始参数序列分别输入所述多个灰色预测模型中，得到多个预测参数序列；
根据所述多个预测参数序列，通过所述神经网络预测模型获得所述发电机对应的故障预测值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测之前，还包括：
获取发电机对应的样本参数序列；
根据所述样本参数序列，构建灰色神经串联模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本参数序列，构建灰色神经串联模型，包括：
根据所述样本参数序列包括的一个或多个原始参数序列，构建灰色预测模型；
根据所述样本参数序列训练神经网络预测模型；
将多个所述灰色预测模型的输出值确定为所述神经网络预测模型的输入值，得到灰色神经串联模型。
6.根据权利要求5所述的方法，其特征在于，所述构建灰色预测模型之后，还包括：
根据所述一个或多个原始参数序列，通过后验差检验方式对所述灰色预测模型进行精度检验；
若所述灰色预测模型达到预设精度要求，则执行所述将多个所述灰色预测模型的输出值确定为所述神经网络预测模型的输入值，得到灰色神经串联模型；
若所述灰色预设模型未达到预设精度要求，则根据所述样本参数序列包括的除所述一个或多个原始参数序列以外的原始参数序列，重新构建灰色预测模型。
7.一种发电机故障预测装置，其特征在于，所述装置包括：
获取模块，用于获取发电机的多个原始参数序列；
预测模块，用于根据所述多个原始参数序列，通过灰色神经串联模型对所述发电机进行故障预测。
8.根据权利要求7所述的装置，其特征在于，所述灰色神经串联模型包括多个灰色预测模型及一个神经网络预测模型，所述多个灰色预测模型的数目与获取的所述多个原始参数序列的数目相等。
9.根据权利要求8所述的装置，其特征在于，所述预测模块包括：输入单元，用于将所述多个原始参数序列分别输入所述多个灰色预测模型中，得到多个预测参数序列；
获得单元，用于根据所述多个预测参数序列，通过所述神经网络预测模型获得所述发电机对应的故障预测值。
10.根据权利要求7所述的装置，其特征在于，所述装置还包括：
模型构建模块，用于获取发电机对应的样本参数序列；根据所述样本参数序列，构建灰色神经串联模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810617266.9A CN110610226A (zh) | 2018-06-14 | 2018-06-14 | 一种发电机故障预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810617266.9A CN110610226A (zh) | 2018-06-14 | 2018-06-14 | 一种发电机故障预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110610226A true CN110610226A (zh) | 2019-12-24 |
Family
ID=68887763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810617266.9A Pending CN110610226A (zh) | 2018-06-14 | 2018-06-14 | 一种发电机故障预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110610226A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582632A (zh) * | 2020-03-26 | 2020-08-25 | 西南交通大学 | 一种地下大空间施工全过程多因素安全阶段性预测方法 |
| CN111751721A (zh) * | 2020-06-08 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种感性负载启动保护方法及装置 |
| CN112434842A (zh) * | 2020-11-04 | 2021-03-02 | 中国人民解放军91776部队 | 基于神经网络组合模型的状态预测的方法及装置 |
| CN113344236A (zh) * | 2021-03-17 | 2021-09-03 | 陕西煤业新型能源科技股份有限公司 | 一种数据驱动的生产能耗预测方法及系统 |
| CN114113774A (zh) * | 2021-11-19 | 2022-03-01 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于零线电流数据的配电变压器的状态分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101126929A (zh) * | 2007-09-05 | 2008-02-20 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
| US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
| CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
| CN107679651A (zh) * | 2017-09-15 | 2018-02-09 | 江苏大学 | 一种基于灰色预测模型与bp人工神经网络模型的月用电量预测方法 |
| CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
-
2018
- 2018-06-14 CN CN201810617266.9A patent/CN110610226A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101126929A (zh) * | 2007-09-05 | 2008-02-20 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
| US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
| CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
| CN107679651A (zh) * | 2017-09-15 | 2018-02-09 | 江苏大学 | 一种基于灰色预测模型与bp人工神经网络模型的月用电量预测方法 |
| CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
Non-Patent Citations (3)
| Title |
|---|
| AHMAD AZHARUDDIN AZHARI MOHD AMIRUDDIN 等: "Neural network applications in fault diagnosis and detection:an overview of implementations in engineering-related systems", 《NEURAL COMPUTING AND APPLICATIONS》, pages 447 - 472 * |
| 刘文才 等: "基于灰色-神经网络的往复泵状态监测和趋势预测研究", 《中国安全生产科学技术》, vol. 9, no. 1, pages 1 - 2 * |
| 李勇 等: "汽轮发电机组故障预测模型分析比较及应用", 《东北电力学院学报》, vol. 16, no. 3, pages 37 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111582632A (zh) * | 2020-03-26 | 2020-08-25 | 西南交通大学 | 一种地下大空间施工全过程多因素安全阶段性预测方法 |
| CN111751721A (zh) * | 2020-06-08 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种感性负载启动保护方法及装置 |
| CN112434842A (zh) * | 2020-11-04 | 2021-03-02 | 中国人民解放军91776部队 | 基于神经网络组合模型的状态预测的方法及装置 |
| CN113344236A (zh) * | 2021-03-17 | 2021-09-03 | 陕西煤业新型能源科技股份有限公司 | 一种数据驱动的生产能耗预测方法及系统 |
| CN114113774A (zh) * | 2021-11-19 | 2022-03-01 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于零线电流数据的配电变压器的状态分析方法 |
| CN114113774B (zh) * | 2021-11-19 | 2023-12-19 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于零线电流数据的配电变压器的状态分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| US10606862B2 (en) | Method and apparatus for data processing in data modeling | |
| Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
| CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
| KR101964412B1 (ko) | 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN110472671A (zh) | 基于多阶段的油浸式变压器故障数据预处理方法 | |
| CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
| CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
| CN113506186B (zh) | 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质 | |
| CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
| CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
| CN116340831B (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
| CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
| CN109597392A (zh) | 有助于故障诊断的方法、装置和设备以及机器可读介质 | |
| CN115409245A (zh) | 电力系统的预测辅助状态估计方法、装置、设备及介质 | |
| CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
| CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
| CN114841553A (zh) | 发电机旋转整流器故障诊断方法、系统、设备及存储介质 | |
| Yu et al. | The trend prediction for spacecraft state based on wavelet analysis and time series method | |
| WO2024065777A1 (en) | Method, apparatus, electronic device, and storage medium for diagnosing industrial fault | |
| Pavlenko et al. | Intelligent information technology building systems diagnostics using nuclear moments Volterra |
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 |