CN112257745A - 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 - Google Patents

Abstract

本发明涉及一种基于隐马尔可夫的煤矿井下系统健康度预测方法及装置，本发明在隐马尔科夫的基础上融合BP神经网络，通过构建隐马尔可夫模型来预测系统中所有设备的健康度，并通过对不同设备分配权重，将不同设备的健康度作为输出，系统的健康度作为输出，训练BP神经网络，通过训练好的神经网络模型预测系统的整体健康度。本发明通过隐马尔可夫和BP神经网络的融合，大大减少了计算的复杂度，大幅提升系统预测效率，可以提前发现隐患，保障系统设备的不间断运行。

Description

基于隐马尔可夫的煤矿井下系统健康度预测方法及装置

技术领域

本申请属于设备的故障诊断技术领域，尤其是涉及一种基于隐马尔可夫的煤矿井下系统健康度预测方法及装置。

背景技术

近年来，随着国家供给侧改革，大中型煤矿正在朝着规模化、集约化、信息化和节能化方向发展。煤矿安全管理要求不断提高，促进了煤矿井下技术升级和业务需求的多样性发展，同时也使得井下设备种类增多、接口类型更复杂、带宽需求不断提高。各类业务系统的正常服务取决于硬件设备的稳定运行。井下系统设备投入使用后，后续的监管和维护工作也成为矿方人员和系统建设单位面临的主要问题。煤炭企业往往只关注生产及安全数据的监控与展示，缺乏对系统本身运行状态健康度的跟踪与预测，造成了各业务系统运行稳定性存在起伏。

隐马尔可夫模型(HMM)是一种数学统计模型，是一种含有隐含状态的双重随机模型，其隐含状态一般不具备直接观测条件，仅仅可以通过一系列观测值来推断目标现在的隐性状态。隐马尔可夫模型具有对过程状态预测较为准确的优点，对于工业性设备的健康程度预测和防控起到积极作用。但是，隐马尔可夫模型也具有一定的局限性，随着时间的增加，设备系统观测值的维度和观测序列将不断增加。

现有技术中，一般都是单一使用隐马尔可夫模型来对设备的健康度进行预测，但是对于煤矿井下系统而言，由于每一台设备在系统中所占比重不同，同一台设备在系统中交叉使用，单一使用隐马尔可夫模型存在观测矩阵过于庞大和模型参数难以配置等问题，导致系统模型的计算复杂度增加，影响系统的预测效率。

发明内容

本发明用以解决现有技术中对于煤矿井下系统采用单一使用隐马尔可夫模型进行健康度预测时，由于观测矩阵过于庞大和模型参数难以配置，导致系统模型的计算复杂度增加，影响系统预测效率的问题。

为解决上述技术问题，本发明提供一种基于隐马尔可夫模型和BP神经网络融合的煤矿井下系统健康度预测方法及装置，本发明通过构建隐马尔可夫模型，预测煤矿井下系统中所有设备的健康度，并将所有设备的健康度附带设备权重作为BP神经网络的输入，通过BP神经网络预测整个系统的健康度。本发明通过隐马尔可夫和BP神经网络的融合，大大减少了计算的复杂度，大幅提升系统预测效率。而且通过本发明的方法能够帮助运维人员及时了解相关设备的基本性能和系统的综合服务质量，全面掌握各节点的运行状态，能够在第一时间发现设备隐患并做出相应调整，提前排除隐患，快速定位故障，保障井下系统设备不间断运行。

本发明解决其技术问题所采用的技术方案是：

本发明第一方面提供一种基于隐马尔可夫的煤矿井下系统健康度预测方法，包括：

S1:采集煤矿井下系统运行过程中所有设备的运行特征数据，通过聚类分析，对煤矿井下系统及其设备的健康度进行划分；

S2:以S1中划分的所述设备的健康度为隐含状态，以设备运行特征数据为可观测数据，构建隐马尔可夫模型参数，建立预测所述设备健康度的隐马尔可夫模型；

S3:对煤矿井下系统中的所有设备赋予权重，并将所述权重作为对应设备健康度的标签，以所有设备附带标签的健康度为输入，以所有设备组成的煤矿井下系统的健康度为输出，训练BP神经网络，建立预测煤矿井下系统健康度的BP神经网络模型；

S4:实时获取待预测煤矿井下系统中所有设备运行特征，预测所有设备的健康度；

S5:将S4预测的所有设备的健康度作为S3训练得到的所述BP神经网络模型的输入，实时预测煤矿井下系统的健康度。

本发明第二方面提供一种基于隐马尔可夫的煤矿井下系统健康度预测装置，包括：

健康度划分模块，用于采集煤矿井下系统运行过程中所有设备的运行特征数据，通过聚类分析，对煤矿井下系统及其设备的健康度进行划分；

HMM构建模块，用于以划分的所述设备的健康度为隐含状态，以设备运行特征数据为可观测数据，构建隐马尔可夫模型参数，建立预测所述设备健康度的隐马尔可夫模型；

神经网络训练模块，用于对煤矿井下系统中的所有设备赋予权重，并将所述权重作为对应设备健康度的标签，以所有设备附带标签的健康度为输入，以所有设备组成的煤矿井下系统的健康度为输出，训练BP神经网络，建立预测煤矿井下系统健康度的BP神经网络模型；

设备状态预测模块，用于实时获取待预测煤矿井下系统中所有设备运行特征，预测所有设备的健康度；

系统健康预测模块，用于将实时预测的所有设备的健康度作为所述BP神经网络模型的输入，实时预测煤矿井下系统的健康度。

本发明的有益效果是：本发明通过隐马尔可夫和BP神经网络的融合，大大减少了计算的复杂度，大幅提升系统预测效率。而且通过本发明的方法能够帮助运维人员及时了解相关设备的基本性能和系统的综合服务质量，全面掌握各节点的运行状态，能够在第一时间发现设备隐患并做出相应调整，提前排除隐患，快速定位故障，保障井下系统设备不间断运行。

附图说明

下面结合附图和实施例对本申请的技术方案进一步说明。

图1是本发明实施例方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本申请的技术方案。

实施例1

本实施例提供一种基于隐马尔可夫的煤矿井下系统健康度预测方法，如图1所示，包括：

S1:采集煤矿井下系统运行过程中所有设备的运行特征数据，通过聚类分析，对煤矿井下系统及其设备的健康度进行划分；

S2:以S1中划分的所述设备的健康度为隐含状态，以设备运行特征数据为可观测数据，构建隐马尔可夫模型参数，建立预测所述设备健康度的隐马尔可夫模型；

S3:对煤矿井下系统中的所有设备赋予权重，并将所述权重作为对应设备健康度的标签，以所有设备附带标签的健康度为输入，以所有设备组成的煤矿井下系统的健康度为输出，训练BP神经网络，建立预测煤矿井下系统健康度的BP神经网络模型；

S4:实时获取待预测煤矿井下系统中所有设备运行特征，预测所有设备的健康度；

S5:将S4预测的所有设备的健康度作为S3训练得到的所述BP神经网络模型的输入，实时预测煤矿井下系统的健康度。

由于煤矿井下系统中设备复杂度较高，影响系统健康度的因素可能不单单由于某一台设备，而且每台设备对系统的影响也不相同，因此，采用BP神经网络与马尔可夫模型串联的方式，在隐马尔可夫模型的基础上，融合BP神经网络，通过构建隐马尔可夫模型预测煤矿井下系统中所有设备的健康度，并根据每台设备对系统健康度的影响，对系统中每台设备的健康度赋予权重，然后将所有设备的健康度作为BP神经网络的输入，通过训练所有设备的健康度来预测系统的整体健康度。

隐马尔可夫模型可表示为：λ＝(N,M,A,B,π)，可简化为：λ＝(A,B,π)。本实施例构建的隐马尔可夫模型参数包括：煤矿井下系统中设备的状态转移概率分布A，即设备由当前的隐性状态转移到下一个隐性状态的概率；可观测到的煤矿井下系统中设备的运行特征在各个隐性状态下发生的概率值B；煤矿井下系统中设备的初始化状态概率分布π。

N表示隐性状态数目，本实施例将煤矿井下系统中每一台设备的健康度数目分为4类，即健康、亚健康、轻微故障和完全故障；M表示可被观测到的设备运行特征数目，本实施例中设备的运行特征包括设备运行参数和井下环境参数，其中设备运行参数可以为电流、电压和温度，煤矿井下环境参数可以为煤矿井下环境的温湿度等等。本实施例中，构建隐马尔可夫模型时，将每台设备的运行特征作为可观测数据，每台设备的健康度作为隐形状态。

通过本实施例的预测方法可以帮助运维人员及时了解相关设备的基本性能和系统的综合服务质量，全面掌握各节点的运行状态，并能够在第一时间发现设备隐患并做出相应调整，提前排除隐患，快速定位故障，保障煤矿井下系统中设备的不间断运行。

本实施例通过隐马尔可夫和BP神经网络的融合，大大减少了计算的复杂度，大幅提升系统预测效率。

作为一种可行的实施例，建立预测设备健康度的隐马尔可夫模型的步骤包括：

S21:提取设备不同健康度下的可观测数据，对提取的所述可观测数据进行归一化、标准分化处理，并将处理后的所述可观测数据划分训练数据集和测试数据集；

由于煤矿井下系统中，设备运行数据一般具有多维度和冗余的特点，直接进行健康度预测，会增大模型迭代次数，造成运算效率的降低。因此，本实施例对提取的可观测数据进行归一化、标准分化处理，以提高模型的运算效率。

然后将处理过的可观测数据的70％划分为训练数据集，30％划分为测试数据集。

S22:将所述训练数据集中提取的所述可观测数据重新组合成观测序列，并根据Baum-Welch算法进行健康度类别的模型训练，得到训练后的隐马尔可夫模型λ＝(A,B,π)；

本实施例将根据S21中得到的训练数据集中提取到的可观测数据，例如设备运行过程中的电流、电压和温度，以及煤矿井下环境的温湿度等观测值重新组合，构成多个观测序列，将得到的观测序列代入隐马尔可夫模型中，通过Baum-Welch算法进行健康度类别的模型训练，得到训练后的隐马尔可夫模型λ＝(A,B,π)。本实施例系统的健康度类别与每台设备划分的健康度相同，即健康、亚健康、轻微故障和完全故障。

S23:将所述测试数据集中提取的可观测数据重新组合成多组观测序列，并输入所述训练后的隐马尔可夫模型λ＝(A,B,π)，根据Baum-Welch算法，识别所有设备所处的健康度；

S24:逐步调整模型参数，直到隐马尔可夫模型的准确度满足设定要求后，得到优化后的隐马尔可夫模型。

作为一种可行的实施例，S3中训练BP神经网络的方法为：

S31：对煤矿井下系统中所有设备的健康度和煤矿井下系统的健康度进行one-hot编码，所述设备健康度的one-hot编码附带有对应设备的权重；

S32：将one-hot编码后的设备健康度数据和系统健康度数据划分训练集和测试集；

S33：将训练集中one-hot编码后的设备健康度数据输入至BP神经网络模型的输入层，将训练集中one-hot编码后的系统健康度数据输入至BP神经网络模型的输出层；

S34：对BP神经网络模型进行训练，当误差函数小于设定阈值时，停止训练，并保存训练模型；

S35：采用测试集测试所述训练模型的准确度，调整所述训练模型的相关网络参数；

S36：重复S34～S35，直到BP神经网络的准确度达到预设值，得到优化后的BP神经网络模型。

进一步地，S31中，对煤矿井下系统中所有设备的健康度和煤矿井下系统的健康度进行one-hot编码的方法为：

S311:对划分的不同健康度通过阿拉伯数字进行编号；

本实施例可以将健康编号为1，亚健康编号为2，轻微故障编号为3，完全故障编号为4。

S312:根据健康度编号，以及每台设备对应的权重，对每台设备的附带有权重标签的健康度进行one-hot编码，构成一个1×N向量，所述1×N向量中每个元素的值为：

其中，i表示健康度的编号；j表示1×N向量中的元素位置序号；Y_nj表示第n台设备对应的1×N向量中第j个元素的值；i＝1,2,3,...,N,j＝1,2,3,...,N，N为划分的健康度的数量；q_n表示第n台设备分配的权重。

对于本实施例，因为划分了4种健康度，因此N＝4，如果其中一台设备为亚健康，则其对应的one-hot编码为{0,1,0,0}，如果一台设备为轻微故障，则其对应的one-hot编码为{0,0,1,0}。

根据不同设备对系统的影响，本实施例为不同的设备分配权重，以上述发生轻微故障的设备为例，如果其对应的权重为q₁，则上述发生轻微故障的设备的附带权重标签的one-hot编码即为{0,0,q₁,0}。

S313:对所有设备组成的系统的健康度进行one-hot编码，构成一个1×N向量，该1×N中的元素为：

对于本实施例，如果系统最终的健康度为健康，则得到系统健康度的one-hot编码为：(1，0，0，0)。

进一步可选的是，本实施例预测煤矿井下系统的健康度的方法为：

将S4预测的所有设备的健康度经one-hot编码后，输入所述BP神经网络模型，所述BP神经网络模型输出一个表示煤矿井下系统健康度的输出向量，所述输出向量中的元素值分别对应煤矿井下系统不同健康度的概率：

其中，p₀表示健康的概率，p₁表示亚健康的概率，p₂表示轻微故障的概率，p₃表示完全故障的概率。

将one-hot编码后的所有设备的健康度输入BP神经网络后，输出的向量中的每个元素值均为小于1的数，表示的是不同健康度的概率，例如在某一时刻，当输入一组设备的健康度one-hot编码后，输出的向量为{0.2，0.9，0.1，0.01}，因为输出向量中第2个位置的元素值最大，对应编号为2的健康度，即亚健康，此时预测的系统健康度为亚健康。

通过本实施例的方法可以提前预知系统健康度，并采取相应措施变被动为主动，极大的降低矿方及厂家巡检工作量。

实施例2：

本实施例提供一种基于隐马尔可夫的煤矿井下系统健康度预测装置，包括：

健康度划分模块，用于采集煤矿井下系统运行过程中所有设备的运行特征数据，通过聚类分析，对煤矿井下系统及其设备的健康度进行划分；

HMM构建模块，用于以划分的所述设备的健康度为隐含状态，以设备运行特征数据为可观测数据，构建隐马尔可夫模型参数，建立预测所述设备健康度的隐马尔可夫模型；

神经网络训练模块，用于对煤矿井下系统中的所有设备赋予权重，并将所述权重作为对应设备健康度的标签，以所有设备附带标签的健康度为输入，以所有设备组成的煤矿井下系统的健康度为输出，训练BP神经网络，建立预测煤矿井下系统健康度的BP神经网络模型；

设备状态预测模块，用于实时获取待预测煤矿井下系统中所有设备运行特征，预测所有设备的健康度；

系统健康预测模块，用于将实时预测的所有设备的健康度作为所述BP神经网络模型的输入，实时预测煤矿井下系统的健康度。

可选的是，本实施例所述系统健康预测模块还用于：

将设备状态预测模块预测的所有设备的健康度经one-hot编码后，输入所述BP神经网络模型，所述BP神经网络模型输出一个表示煤矿井下系统健康度的输出向量，所述输出向量中的元素值分别对应煤矿井下系统不同健康度的概率：

其中，p₀表示健康的概率，p₁表示亚健康的概率，p₂表示轻微故障的概率，p₃表示完全故障的概率。

本实施例各个模块的具体实现请参阅实施例1，在此不再赘述。

以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，包括：

S1:采集煤矿井下系统运行过程中所有设备的运行特征数据，通过聚类分析，对煤矿井下系统及其设备的健康度进行划分；

S2:以S1中划分的所述设备的健康度为隐含状态，以设备运行特征数据为可观测数据，构建隐马尔可夫模型参数，建立预测所述设备健康度的隐马尔可夫模型；

S3:对煤矿井下系统中的所有设备赋予权重，并将所述权重作为对应设备健康度的标签，以所有设备附带标签的健康度为输入，以所有设备组成的煤矿井下系统的健康度为输出，训练BP神经网络，建立预测煤矿井下系统健康度的BP神经网络模型；

S4:实时获取待预测煤矿井下系统中所有设备运行特征，预测所有设备的健康度；

S5:将S4预测的所有设备的健康度作为S3训练得到的所述BP神经网络模型的输入，实时预测煤矿井下系统的健康度。

2.根据权利要求1所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，构建隐马尔可夫模型参数包括：

煤矿井下系统中设备的状态转移概率分布A，即设备由当前的隐性状态转移到下一个隐性状态的概率；可观测到的煤矿井下系统中设备的运行特征在各个隐性状态下发生的概率值B；煤矿井下系统中设备的初始化状态概率分布π。

3.根据权利要求2所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，建立预测设备健康度的隐马尔可夫模型的步骤包括：

提取设备不同健康度下的可观测数据，对提取的所述可观测数据进行归一化、标准分化处理，并将处理后的所述可观测数据划分训练数据集和测试数据集；

将所述训练数据集中提取的所述可观测数据重新组合成观测序列，并根据Baum-Welch算法进行健康度类别的模型训练，得到训练后的隐马尔可夫模型λ＝(A,B,π)；

将所述测试数据集中提取的可观测数据重新组合成多组观测序列，并输入所述训练后的隐马尔可夫模型λ＝(A,B,π)，根据Baum-Welch算法，识别所有设备所处的健康度；

逐步调整模型参数，直到隐马尔可夫模型的准确度满足设定要求后，得到优化后的隐马尔可夫模型。

4.根据权利要求3所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，所述系统和设备的健康度划分为：健康、亚健康、轻微故障和完全故障。

5.根据权利要求4所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，S3中训练BP神经网络的方法为：

S31：对煤矿井下系统中所有设备的健康度和煤矿井下系统的健康度进行one-hot编码，所述设备健康度的one-hot编码附带有对应设备的权重；

S32：将one-hot编码后的设备健康度数据和系统健康度数据划分训练集和测试集；

S33：将训练集中one-hot编码后的设备健康度数据输入至BP神经网络模型的输入层，将训练集中one-hot编码后的系统健康度数据输入至BP神经网络模型的输出层；

S34：对BP神经网络模型进行训练，当误差函数小于设定阈值时，停止训练，并保存训练模型；

S35：采用测试集测试所述训练模型的准确度，调整所述训练模型的相关网络参数；

S36：重复S34～S35，直到BP神经网络的准确度达到预设值，得到优化后的BP神经网络模型。

6.根据权利要求5所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，预测煤矿井下系统的健康度的方法为：

将S4预测的所有设备的健康度经one-hot编码后，输入所述BP神经网络模型，所述BP神经网络模型输出一个表示煤矿井下系统健康度的输出向量，所述输出向量中的元素值分别对应煤矿井下系统不同健康度的概率：

其中，p₀表示健康的概率，p₁表示亚健康的概率，p₂表示轻微故障的概率，p₃表示完全故障的概率。

7.根据权利要求6所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，对煤矿井下系统中所有设备的健康度和煤矿井下系统的健康度进行one-hot编码的方法为：

对划分的不同健康度通过阿拉伯数字进行编号；

根据健康度编号，以及每台设备对应的权重，对每台设备的附带有权重标签的健康度进行one-hot编码，构成一个1×N向量，所述1×N向量中每个元素的值为：

其中，i表示健康度的编号；j表示1×N向量中的元素位置序号；Y_nj表示第n台设备对应的1×N向量中第j个元素的值；i＝1,2,3,...,N,j＝1,2,3,...,N，N为划分的健康度的数量；q_n表示第n台设备分配的权重；

对所有设备组成的系统的健康度进行one-hot编码，构成一个1×N向量，该1×N中的元素为：

Y_j表示1×N向量中第j个元素的值。

8.根据权利要求1所述的基于隐马尔可夫的煤矿井下系统健康度预测方法，其特征在于，所述设备运行特征包括设备工作过程中的电流、电压和温度以及煤矿井下环境的温湿度。

9.一种基于隐马尔可夫的煤矿井下系统健康度预测装置，其特征在于，包括：

健康度划分模块，用于采集煤矿井下系统运行过程中所有设备的运行特征数据，通过聚类分析，对煤矿井下系统及其设备的健康度进行划分；

HMM构建模块，用于以划分的所述设备的健康度为隐含状态，以设备运行特征数据为可观测数据，构建隐马尔可夫模型参数，建立预测所述设备健康度的隐马尔可夫模型；

神经网络训练模块，用于对煤矿井下系统中的所有设备赋予权重，并将所述权重作为对应设备健康度的标签，以所有设备附带标签的健康度为输入，以所有设备组成的煤矿井下系统的健康度为输出，训练BP神经网络，建立预测煤矿井下系统健康度的BP神经网络模型；

设备状态预测模块，用于实时获取待预测煤矿井下系统中所有设备运行特征，预测所有设备的健康度；

系统健康预测模块，用于将实时预测的所有设备的健康度作为所述BP神经网络模型的输入，实时预测煤矿井下系统的健康度。

10.根据权利要求9所述的基于隐马尔可夫的煤矿井下系统健康度预测装置，其特征在于，所述系统健康预测模块还用于：

将设备状态预测模块预测的所有设备的健康度经one-hot编码后，输入所述BP神经网络模型，所述BP神经网络模型输出一个表示煤矿井下系统健康度的输出向量，所述输出向量中的元素值分别对应煤矿井下系统不同健康度的概率：

其中，p₀表示健康的概率，p₁表示亚健康的概率，p₂表示轻微故障的概率，p₃表示完全故障的概率。

Images