CN111400964A - 一种故障发生时间预测方法及装置 - Google Patents

一种故障发生时间预测方法及装置 Download PDF

Info

Publication number
CN111400964A
CN111400964A CN202010181809.4A CN202010181809A CN111400964A CN 111400964 A CN111400964 A CN 111400964A CN 202010181809 A CN202010181809 A CN 202010181809A CN 111400964 A CN111400964 A CN 111400964A
Authority
CN
China
Prior art keywords
information
predicted
gpr
preset
time
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
Application number
CN202010181809.4A
Other languages
English (en)
Other versions
CN111400964B (zh
Inventor
吕佳朋
史贤俊
秦亮
聂新华
翟禹尧
秦玉峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202010181809.4A priority Critical patent/CN111400964B/zh
Publication of CN111400964A publication Critical patent/CN111400964A/zh
Application granted granted Critical
Publication of CN111400964B publication Critical patent/CN111400964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种故障发生时间预测方法及装置，该方法包括：获取待预测时间序列信息，将待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；将预处理后的待预测时间序列信息输入预设GPR‑Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；其中，GPR‑Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。通过将预处理后的待预测时间序列信息输入预设GPR‑Adaboost模型，得到最终获得的故障时间预测，从而准确的实现对于装备故障发生时间的预测。

Description

一种故障发生时间预测方法及装置
技术领域
本发明涉及故障预测技术领域，尤其涉及一种故障发生时间预测方法及装置。
背景技术
随着现代战争局势的发展，一线作战部队亟需对装备的健康状况或即将发生的故障提前获知，以提前安排作战方案，避免贻误作战最佳时机；维修保障人员也希望能在故障发生之前便采取预防措施，以降低损失，提高装备的使用效率。这些实际的需求使人们意识到传统定期维修的维修保养体系已经无法适应现代作战的需要。随着人们对装备失效机理及故障发生规律的深入的研究，故障预测、剩余寿命管理等新技术获得了长足的发展并逐渐走向成熟，也使得预测性维修成为国内外研究的重点。
在故障预测当中，对故障发生时间的预测是一项重要的研究内容，由于电子设备属于复杂的电子系统，涉及滤波、变频、功放等多种电路，这样便不能对每一个模块或器件建立相关的数学模型，因此如何更准确有效的实现对于电子设备的故障发生时间进行预测已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种故障发生时间预测方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种故障发生时间预测方法，包括：
获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；
将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；
其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
更具体的，在所述获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息的步骤之前，所述方法还包括：
从装备历史数据库中获取多个带时间序列的装备物理量历史信息；
将所述多个带时间序列的装备物理量历史信息按照时间顺序进行排序，得到排序后的装备物理量历史信息；
将所述排序后的装备物理量历史信息划分为多组训练集；
将所述多组训练集输入GPR模型，采用非线性免疫粒子群算法对多个GPR模型进行超参数计算，当满足预设条件时，得到多个预设GPR模型。
更具体的，所述采用非线性免疫粒子群算法对多个GPR模型进行超参数计算，当满足预设条件时，得到多个预设GPR模型的步骤，具体包括：
初始化抗体粒子群信息，计算每个抗体粒子对抗原的亲和度信息，并确定个体极值信息和全局极值信息；
针对于每个抗体粒子，根据每个抗体粒子亲和度信息更新所述个体极值信息和全局极值信息；
更新权重因子信息，并更新抗体粒子的位置信息和速度信息，经过多组免疫抑制机制调节，当经过预设粒子群迭代次数后，得到多个预设GPR模型。
更具体的，在所述将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型的步骤之前，所述方法还包括:
获取目标训练集和待预测时间序列信息；
将所述目标训练集和所述待预测时间序列信息输入多个预设GPR模型中，得到预处理后的目标训练集信息和预处理后的待预测时间序列信息；
根据目标训练集中的时间序列信息和所述预处理后的目标训练集信息，计算得到目标阈值信息；
采用连续型Adaboost模型对多个预设GPR模型进行组合，得到预设GPR-Adaboost模型。
更具体的，所述采用连续型Adaboost模型对多个预设GPR模型进行组合，得到预设GPR-Adaboost模型的步骤，具体包括：
初始化预处理后的目标训练集信息的权重信息，基于所述预处理后的目标训练集信息调用预设GPR模型，计算每个预设GPR模型的相对误差信息；
根据每个预设GPR模型的相对误差信息设置每个GPR模型的权值更新参数信息，并根据所述权值更新参数信息对GPR模型的样本权值进行更新，经过预设迭代次数，得到预设GPR-Adaboost模型。
更具体的，所述根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测的步骤，具体包括：
获取预设故障阈值信息；
将所述待预测时间序列对应的预测装备物理量信息与预设故障阈值信息进行比较，获取预测装备物理量信息大于预设故障阈值信息的目标时间序列，根据所述目标时间序列确定故障发生时间。
第二方面，本发明实施例提供一种故障发生时间预测装置，包括：
获取模块，用于获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；
预测模块，用于将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；
其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及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程序时实现如第一方面所述故障发生时间预测方法的步骤。
第四方面，本发明实施例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，该计算机程序被处理器执行时实现如第一方面所述故障发生时间预测方法的步骤。
本发明实施例提供的一种故障发生时间预测方法及装置，通过构建不同核函数下针对装备物理量历史信息的多组基本学习机，其中关于超参数解算的算法采用非线性免疫粒子群算法进行解算，能实现较快的解算速度，并且能够避免陷入局部最优的问题，然后通过将多个预设GPR模型作为Adaboost模型的基本学习机，得到预设GPR-Adaboost模型，将预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到最终获得故障的时间预测，从而准确的实现对于装备故障发生时间的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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。
图1为本发明一实施例中所描述的故障发生时间预测方法流程示意图；
图2为本发明一实施例所描述的非线性免疫粒子群算法流程图；
图3为本发明一实施例所描述的本专利中所述的故障预测算法的示意图；
图4为本发明一实施例所描述的故障发生时间预测装置结构示意图；
图5为本发明一实施例所描述的电子设备结构示意图。
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的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
图1为本发明一实施例中所描述的故障发生时间预测方法流程示意图，如图1所示，包括：
步骤S1，获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；
步骤S2，将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；
其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
具体的，本发明实施例中所描述的待预测时间序列信息是指未来需要进行故障发生时间预测的时间序列的信息。
将待预测时间序列信息U输入预设GPR模型中，得到预处理后的待预测时间序列信息，即U的GPR预测值U'＝[U1',U2',…,UT']。
将预处理后的待预测时间序列信息送入预设GPR-Adaboost模型，得到相应的装备物理量预测值，当装备物理量预测值超过预设故障阈值信息时，则说明相应装备发生故障，记录故障阈值信息的装备物理量预测值对应的时间序列信息，将其作为故障发生时间。
其中，预设故障阈值信息可以是根据专家经验得到，预先设定的阈值。本发明实施例中所描述的预设GPR模型具体是指以带时间序列的装备物理量历史信息作为训练集，针对每个GPR模型选择合适的核函数fi(·),i＝1,2,…,T，核函数中q个未知超参数集合为θi＝{θi1,…,θiq},i＝1,2,…,T，
对每一个GPR模型中的超参数采用非线性免疫粒子群算法按照下式进行未知超参数的求解：
Figure BDA0002412794030000061
最终得到多个训练好的预设GPR模型。
采用连续型Adaboost对多个GPR模型进行组合，将多个预设GPR模型作为Adaboost模型的基本学习机，最终得到预设GPR-Adaboost模型。
本发明实施例通过构建不同核函数下针对装备物理量历史信息的多组基本学习机，其中关于超参数解算的算法采用非线性免疫粒子群算法进行解算，能实现较快的解算速度，并且能够避免陷入局部最优的问题，然后通过将多个预设GPR模型作为Adaboost模型的基本学习机，得到预设GPR-Adaboost模型，将预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到最终获得故障的时间预测，从而准确的实现对于装备故障发生时间的预测。
在上述实施例的基础上，在所述获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息的步骤之前，所述方法还包括：
从装备历史数据库中获取多个带时间序列的装备物理量历史信息；
将所述多个带时间序列的装备物理量历史信息按照时间顺序进行排序，得到排序后的装备物理量历史信息；
将所述排序后的装备物理量历史信息划分为多组训练集；
将所述多组训练集输入GPR模型，采用非线性免疫粒子群算法对多个GPR模型进行超参数计算，当满足预设条件时，得到多个预设GPR模型。
具体的，本发明实施例中所描述的装备历史数据库是指预先存储的装备物理量历史信息，每个预先存储的装备物理量历史信息均存在一个对应的时间序列。
按照时间序列的时间先后关系，将带时间序列的装备物理量历史信息进行时间排序，得到排序后的装备物理量历史信息。
例如将排序后的装备物理量历史信息进行分组S＝{X,Y}＝{(xi,yi)|xi∈R,yi∈R,i＝1,2,…,N}(xi表征时间点，yi表征对象时间的物理量取值)，按照时间的顺序将该数据集进行三分组S1,S2,S3，其中Sj＝{Xj,Yj}＝{(xji,yji)|xji∈R,yji∈R,i＝1,…,Nj},j＝1,2,3。
将S1,S3送入T个GPR模型中，采用非线性免疫粒子群算法进行模型的训练，得到多个预设GPR模型。
本发明实施例通过非线性免疫粒子群算法对于训练数据的多组GPR模型进行模型的超参数结算，避免陷入局部最优的情况。
在上述实施例的基础上，图2为本发明一实施例所描述的非线性免疫粒子群算法流程图，如图2所示，S21初始化抗体粒子群,包括抗体粒子群规模N，每个粒子的位置θi，粒子的速度vi，粒子群迭代次数kmax，然后进入步骤S22计算每个抗体粒子对抗原的亲和度p[k]；针对每个抗体粒子，比较亲和度f[k]和个体极值Pbest(k)，若f[k]＞Pbest(k)，则用f[k]替代Pbest(k)；针对每个抗体粒子，比较亲和度f[k]和全局极值gbest，若f[k]＞gbest，则用f[t]替代gbest；S23判断是否满足结束条件；步骤S24更新权重因子：
Figure BDA0002412794030000071
Figure BDA0002412794030000072
步骤S25更新抗体粒子的位置xi和速度vi，
Figure BDA0002412794030000073
Figure BDA0002412794030000074
步骤S26检查是否满足相关条件(迭代次数条件及粒子多样性条件)进行免疫抑制机制，若满足条件则触发免疫抑制机制，进行免疫抑制；
Figure BDA0002412794030000081
回到步骤S23检查是否满足退出条件(误差精度或者最大迭代次数)，满足则退出，得到多个预设GPR模型，否则返回步骤S24。
在上述实施例的基础上，在所述将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型的步骤之前，所述方法还包括:
获取目标训练集和待预测时间序列信息；
将所述目标训练集和所述待预测时间序列信息输入多个预设GPR模型中，得到预处理后的目标训练集信息和预处理后的待预测时间序列信息；
根据目标训练集中的时间序列信息和所述预处理后的目标训练集信息，计算得到目标阈值信息；
采用连续型Adaboost模型对多个预设GPR模型进行组合，得到预设GPR-Adaboost模型。
具体的，计算得到目标阈值信息具体为：
Figure BDA0002412794030000082
Figure BDA0002412794030000083
在上述实施例的基础上，所述采用连续型Adaboost模型对多个预设GPR模型进行组合，得到预设GPR-Adaboost模型的步骤，具体包括：
初始化预处理后的目标训练集信息的权重信息，基于所述预处理后的目标训练集信息调用预设GPR模型，计算每个预设GPR模型的相对误差信息；
根据每个预设GPR模型的相对误差信息设置每个GPR模型的权值更新参数信息，并根据所述权值更新参数信息对GPR模型的样本权值进行更新，经过一定的迭代次数，得到预设GPR-Adaboost模型。
具体的，首先初始化权重：
Figure BDA0002412794030000091
然后For t＝1,2,……,T,计算第t个GPR模型的相对误差：
Figure BDA0002412794030000092
设置第t个GPR模型的权值更新参数：
βt＝εt 2
对所有的样本权值进行更新：
Figure BDA0002412794030000093
其中,Zt为归一化因子。
最后得到预设GPR-Adaboost模型输出：
Figure BDA0002412794030000094
在上述实施例的基础上，所述根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测的步骤，具体包括：
获取预设故障阈值信息；
将所述待预测时间序列对应的预测装备物理量信息与预设故障阈值信息进比较，获取预测装备物理量信息大于预设故障阈值信息的目标时间序列，根据所述目标时间序列确定故障发生时间。
具体的，本发明实施例中所描述的预设故障阈值信息一般为经过专家经验得出，即装备在发生相应故障时该物理量所达到的表征值，该预设故障阈值信息可以预先设定。
本发明实施例通过构建不同核函数下针对装备物理量历史信息的多组基本学习机，其中关于超参数解算的算法采用非线性免疫粒子群算法进行解算，能实现较快的解算速度，并且能够避免陷入局部最优的问题，然后通过将多个预设GPR模型作为Adaboost模型的基本学习机，得到预设GPR-Adaboost模型，将预处理后的待预测时间序列信息输入预设GPR-Adaboost模型后，得到最终获得故障时间的预测，从而准确的实现对于装备故障发生时间的预测。
图3为本发明一实施例所描述本专利中所述的故障预测算法的示意图，如图3所示，首先排序后的装备物理量历史信息进行分组S＝{X,Y}＝{(xi,yi)|xi∈R,yi∈R,i＝1,2,…,N}(xi表征时间点，yi表征对象时间的物理量取值)，按照时间的顺序将该数据集进行三分组S1,S2,S3，将S1和S3用于训练，得到训练好的多个预设GPR模型，在分别将S2和测试数据集U输入训练的多个预设GPR模型，输出S2的GPR预测值S2'＝[S21',S22',…,S2T']和U的GPR预测值U'＝[U1',U2',…,UT']；将S2的GPR预测值用于训练Adaboost模型，得到预设GPR-Adaboost模型，再将U的GPR预测值输入预设GPR-Adaboost模型，最终得到待预测时间序列对应的预测装备物理量信息。
图4为本发明一实施例所描述的故障发生时间预测装置结构示意图，如图4所示，包括：获取模块410和预测模块420；其中，获取模块410用于获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；其中，预测模块420用于将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；
其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明实施例通过构建不同核函数下针对装备物理量历史信息的多组基本学习机，其中关于超参数解算的算法采用非线性免疫粒子群算法进行解算，能实现较快的解算速度，并且能够避免陷入局部最优的问题，然后通过将多个预设GPR模型作为Adaboost模型的基本学习机，得到预设GPR-Adaboost模型，将预处理后的待预测时间序列信息输入预设GPR-Adaboost模型后，得到最终获得故障时间的预测，从而准确的实现对于装备故障发生时间的预测。
图5为本发明一实施例所描述的电子设备结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如下方法：获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
此外，上述的存储器530中的逻辑指令可以通过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。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种故障发生时间预测方法，其特征在于，包括：
获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；
将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；
其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
2.根据权利要求1所述故障发生时间预测方法，其特征在于，在所述获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息的步骤之前，所述方法还包括：
从装备历史数据库中获取多个带时间序列的装备物理量历史信息；
将所述多个带时间序列的装备物理量历史信息按照时间顺序进行排序，得到排序后的装备物理量历史信息；
将所述排序后的装备物理量历史信息划分为多组训练集；
将所述多组训练集输入GPR模型，采用非线性免疫粒子群算法对多个GPR模型进行超参数计算，当满足预设条件时，得到多个预设GPR模型。
3.根据权利要求2所述故障发生时间预测方法，其特征在于，所述采用非线性免疫粒子群算法对多个GPR模型进行超参数计算，当满足预设条件时，得到多个预设GPR模型的步骤，具体包括：
初始化抗体粒子群信息，计算每个抗体粒子对抗原的亲和度信息，并确定个体极值信息和全局极值信息；
针对于每个抗体粒子，根据每个抗体粒子亲和度信息更新所述个体极值信息和全局极值信息；
更新权重因子信息，并更新抗体粒子的位置信息和速度信息，经过多组免疫抑制机制调节，当经过预设粒子群迭代次数后，得到多个预设GPR模型。
4.根据权利要求2所述故障发生时间预测方法，其特征在于，在所述将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型的步骤之前，所述方法还包括:
获取目标训练集和待预测时间序列信息；
将所述目标训练集和所述待预测时间序列信息输入多个预设GPR模型中，得到预处理后的目标训练集信息和预处理后的待预测时间序列信息；
根据目标训练集中的时间序列信息和所述预处理后的目标训练集信息，计算得到目标阈值信息；
采用连续型Adaboost模型对多个预设GPR模型进行组合，得到预设GPR-Adaboost模型。
5.根据权利要求4所述故障发生时间预测方法，其特征在于，所述采用连续型Adaboost模型对多个预设GPR模型进行组合，得到预设GPR-Adaboost模型的步骤，具体包括：
初始化预处理后的目标训练集信息的权重信息，基于所述预处理后的目标训练集信息调用预设GPR模型，计算每个预设GPR模型的相对误差信息；
根据每个预设GPR模型的相对误差信息设置每个GPR模型的权值更新参数信息，并根据所述权值更新参数信息对GPR模型的样本权值进行更新，经过预设迭代次数，得到预设GPR-Adaboost模型。
6.根据权利要求1所述故障发生时间预测方法，其特征在于，所述根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测的步骤，具体包括：
获取预设故障阈值信息；
将所述待预测时间序列对应的预测装备物理量信息与预设故障阈值信息进比较，获取预测装备物理量信息大于预设故障阈值信息的目标时间序列，根据所述目标时间序列确定故障发生时间。
7.一种故障发生时间预测装置，其特征在于，包括：
获取模块，用于获取待预测时间序列信息，将所述待预测时间序列信息输入预设GPR模型中，得到预处理后的待预测时间序列信息；
预测模块，用于将所述预处理后的待预测时间序列信息输入预设GPR-Adaboost模型，得到待预测时间序列对应的预测物理量信息，以根据所述待预测时间序列对应的预测装备物理量信息进行故障发生时间预测；
其中，所述GPR-Adaboost模型是通过将多个预设GPR模型作为Adaboost模型的基本学习机训练得到的。
8.一种电子设备，包括存储器、处理器及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程序时实现如权利要求1至6任一项所述故障发生时间预测方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述故障发生时间预测方法的步骤。
CN202010181809.4A 2020-03-16 2020-03-16 一种故障发生时间预测方法及装置 Active CN111400964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010181809.4A CN111400964B (zh) 2020-03-16 2020-03-16 一种故障发生时间预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010181809.4A CN111400964B (zh) 2020-03-16 2020-03-16 一种故障发生时间预测方法及装置

Publications (2)

Publication Number Publication Date
CN111400964A true CN111400964A (zh) 2020-07-10
CN111400964B CN111400964B (zh) 2023-12-22

Family

ID=71432739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010181809.4A Active CN111400964B (zh) 2020-03-16 2020-03-16 一种故障发生时间预测方法及装置

Country Status (1)

Country Link
CN (1) CN111400964B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111894946A (zh) * 2020-07-20 2020-11-06 中国人民解放军空军工程大学 基于作战强度和环境的装备液压系统故障预测方法
CN113790164A (zh) * 2020-08-19 2021-12-14 北京京东尚科信息技术有限公司 设备故障预警方法、装置、电子设备及计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018090657A1 (zh) * 2016-11-18 2018-05-24 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
WO2019019255A1 (zh) * 2017-07-25 2019-01-31 平安科技（深圳）有限公司 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质
CN109710505A (zh) * 2019-01-02 2019-05-03 郑州云海信息技术有限公司 一种磁盘故障预测方法、装置、终端及存储介质
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018090657A1 (zh) * 2016-11-18 2018-05-24 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
WO2019019255A1 (zh) * 2017-07-25 2019-01-31 平安科技（深圳）有限公司 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质
CN109710505A (zh) * 2019-01-02 2019-05-03 郑州云海信息技术有限公司 一种磁盘故障预测方法、装置、终端及存储介质
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HONGYUAN FANG等: "Inverse Analysis of Pavement Thickness Based on Improved Particle Swarm Optimization" *
任利强等: "基于IPSO-GPR的短期负荷区间预测" *
吕佳朋等: "基于Adaboost的GPR预测算法研究及应用" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111894946A (zh) * 2020-07-20 2020-11-06 中国人民解放军空军工程大学 基于作战强度和环境的装备液压系统故障预测方法
CN111894946B (zh) * 2020-07-20 2022-07-15 中国人民解放军空军工程大学 基于作战强度和环境的装备液压系统故障预测方法
CN113790164A (zh) * 2020-08-19 2021-12-14 北京京东尚科信息技术有限公司 设备故障预警方法、装置、电子设备及计算机可读介质
CN113790164B (zh) * 2020-08-19 2023-11-03 北京京东尚科信息技术有限公司 设备故障预警方法、装置、电子设备及计算机可读介质

Also Published As

Publication number Publication date
CN111400964B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN111124840B (zh) 业务运维中告警的预测方法、装置与电子设备
CN111401788B (zh) 业务时序指标的归因方法以及装置
WO2019011015A1 (zh) 一种进行业务调度的方法和装置
WO2019018375A1 (en) NEURONAL ARCHITECTURE RESEARCH FOR CONVOLUTION NEURAL NETWORKS
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
CN113783717B (zh) 智慧城市网络流量预测方法及系统
CN110794308B (zh) 列车电池容量预测方法及装置
CN110415036B (zh) 用户等级的确定方法、装置、计算机设备和存储介质
WO2017071369A1 (zh) 一种预测用户离网的方法和设备
CN111400964A (zh) 一种故障发生时间预测方法及装置
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN115185804A (zh) 服务器性能预测方法、系统、终端及存储介质
Li et al. Improved LSTM-based prediction method for highly variable workload and resources in clouds
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
Peschansky et al. Semi-Markov model of a single-server queue with losses and maintenance of an unreliable server
CN114648178B (zh) 一种基于ddpg算法的电能计量装置运维策略优化方法
CN114638421A (zh) 一种发电机组备件需求的预测方法
CN114386980A (zh) 基于时序数据驱动的欺诈识别方法及装置
CN114091903A (zh) 资损评估模型的训练方法及装置、资损评估方法及装置
CN112818598A (zh) 一种车载健康管理系统仿真论证系统及方法
CN111047016A (zh) 一种模型训练的方法和装置
CN110633971A (zh) 资损估计方法以及装置
CN111160662A (zh) 一种风险预测方法、电子设备及存储介质
Yi et al. Quality metrics prediction in process manufacturing based on CNN-LSTM transfer learning algorithm

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