CN112733692A - 基于集成混合模型的故障预测方法、装置及相关设备 - Google Patents

基于集成混合模型的故障预测方法、装置及相关设备 Download PDF

Info

Publication number
CN112733692A
CN112733692A CN202110002819.1A CN202110002819A CN112733692A CN 112733692 A CN112733692 A CN 112733692A CN 202110002819 A CN202110002819 A CN 202110002819A CN 112733692 A CN112733692 A CN 112733692A
Authority
CN
China
Prior art keywords
characteristic data
final
predicted value
value
prediction
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
CN202110002819.1A
Other languages
English (en)
Other versions
CN112733692B (zh
Inventor
荆戈
陈娇娇
杨华胜
严佳
张涛
蒋俊峰
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.)
Runlian Smart Technology Xi'an Co ltd
Original Assignee
Runlian Smart Technology Xi'an Co ltd
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 Runlian Smart Technology Xi'an Co ltd filed Critical Runlian Smart Technology Xi'an Co ltd
Priority to CN202110002819.1A priority Critical patent/CN112733692B/zh
Publication of CN112733692A publication Critical patent/CN112733692A/zh
Application granted granted Critical
Publication of CN112733692B publication Critical patent/CN112733692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

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

Abstract

本发明实施例公开了基于集成混合模型的故障预测方法、装置及相关设备。该方法包括获取终缩聚反应器的搅拌器的初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；获取终缩聚反应器的减速箱的环境特征数据，并集合环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；基于标准特征数据，分别根据预训练的SVM模型及CNN‑LSTM2模型进行故障预测，得到第一历史预测值和第二历史预测值；建立真实值与第一历史预测值及第二历史预测值的初始关系函数；根据预设的CPSO算法优化初始关系函数的参数，确定最终关系函数；根据最终关系函数计算得到最终预测值，由最终预测值确定故障。该方法有效提高故障预测的准确率。

Description

基于集成混合模型的故障预测方法、装置及相关设备
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种基于集成混合模型的故障预测方法、装置及相关设备。
背景技术
SSP(聚酯固相缩聚)生产线中，搅拌器作为主反应器的主要组件，体积最大并且结构也是相对最复杂，而且与其他设备是串联关系。如果发生故障，一方面需要停掉整个生产线对其进行故障诊断与维修，从而造成非计划停机的设备闲置损失；另一方面，突发性的非计划停机，也会造成设备中的化学材料反应物质由于反应不充分，而造成原材料浪费。
故障预测现在是工业互联网应用的核心内容，而传统的支持向量机(SVM)，随机森林算法(RF)，梯度下降树(GBDT)等机器学习算法，对高维非线性的模型处理效果不是很理想，预测结果不够准确，从而无法提前进行设备维护，导致设备发生故障时，造成人力及材料的浪费。
发明内容
本发明实施例提供了一种基于集成混合模型的故障预测方法、装置及相关设备，旨在解决现有技术中终缩聚反应器故障预测不准确的问题。
第一方面，本发明实施例提供了一种基于集成混合模型的故障预测方法，其包括：
获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二历史预测值；
建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
第二方面，本发明实施例提供了一种基于集成混合模型的故障预测装置，其包括：
分解模块，用于获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
归一化模块，用于获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
第一预测模块，用于基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
第二预测模块，用于基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二预历史测值；
关系构建模块，用于建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
参数优化模块，用于根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
计算模块，用于基于所述第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、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上述第一方面所述的基于集成混合模型的故障预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于集成混合模型的故障预测方法。
本发明实施例提供了一种基于集成混合模型的故障预测方法、装置及相关设备。该方法包括获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值；基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二历史预测值；建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。该方法基于SVM模型及CNN-LSTM2模型分别进行故障预测，之后对两个模型的预测值构建线性关系，从而得出最终预测值，根据最终预测值确定故障预测结果，相比传统单一的预测方法，有效提高故障预测的准确率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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为本发明实施例提供的基于集成混合模型的故障预测方法一实施例的流程示意图；
图2为本发明实施例提供的基于集成混合模型的故障预测方法另一实施例步骤S110的子流程示意图；
图3为本发明实施例提供的基于集成混合模型的故障预测方法另一实施例步骤S140的子流程示意图；
图4为本发明实施例提供的基于集成混合模型的故障预测装置的示意性框图；
图5为本发明实施例提供的基于集成混合模型的故障预测方法的CNN-LSTM2模型网络结构图；
图6为本发明实施例提供的基于集成混合模型的故障预测方法的CNN-LSTM2模型中的LSTM-LSTM网络结构图。
具体实施方式
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1为本发明实施例提供的基于集成混合模型的故障预测方法的流程示意图，该方法包括步骤S110～S170。
步骤S110、获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
本实施例中，根据预设的间隔时间，对终缩聚反应器的搅拌器的标准齿轮减速箱的四个齿轴，输入轴和输出轴所采集的数据按照时间序列进行合并收集，得到初始的震动特征数据，然后对初始的震动特征数据进行变分模态分解(VMD)，得到最终的震动特征数据。
在一实施例中，如图2所示，步骤S110包括：
步骤S111、将初始的震动特征数据对应时域信号的本征模态函数进行变换，得到初始的震动特征数据对应的调幅-调频信号；
步骤S112、引入二次惩罚因子与乘法算子，再进行迭代更新、等距变换，得到最终的震动特征数据。
本实施例中，将初始的震动特征数据对应的时域信号的本征模态函数变换为调幅-调频信号，接着引入二次惩罚因子与乘法算子，再进行迭代更新、等距变换，得到最终的震动特征数据。
具体步骤如下：
(1)将初始的震动特征数据的模态函数变换为调幅-调频信号，变化方法如下：
μk(t)＝Ak(t)cosφk(t)
Figure BDA0002882251290000051
其中，Ak(t)为瞬时幅值，ωk(t)为瞬时频率，φk(t)为相位，μk(t)为Ak(t)和ωk(t)所组成的谐波信号。
(2)引入二次惩罚因子α与Lagrange乘法算子λ(t)，从而可以加强约束条件并保证调幅-调频信号的重构精度，将表达式扩展为：
Figure BDA0002882251290000052
其中θt为L2正则化系数，δ(t)为狄克拉分布，f(t)为原始信号。
(3)通过迭代更新
Figure BDA0002882251290000053
λn+1对上式的鞍点进行求解，然后通过等距变换将其转换到频域，从而获得模态分量μk最优解，以及相应的中心频率ωk，如下式：
Figure BDA0002882251290000054
Figure BDA0002882251290000055
其中，
Figure BDA0002882251290000056
为当前剩余量
Figure BDA0002882251290000057
的维纳滤波；
Figure BDA0002882251290000058
为当前本征模态功率谱的重心。
(4)设定相应的判别精度ε(ε＞0)，若满足以下公式条件则迭代停止，得到k个模态分量；否则返回(2)重新初始化。
Figure BDA0002882251290000061
步骤S120、获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
本实施例中，考虑到终缩聚反应器的搅拌器减速箱在聚酯固相缩聚(SSP)生产线中，搅拌原材料密度，工况环境，电机输入扭矩，联轴器连接的紧密程度都会对减速箱的本身寿命产生影响，因此在对震动特征向量处理后，同时依照时间序列，在模型中加入了壳温、油温、输入扭矩、输出扭矩、包络、噪音作为减速箱机理模型的维度。由于采集数据的单位，数值量级不一样，对模型数据进行了归一化的操作，公式如下：
Figure BDA0002882251290000062
其中，xj为归一化后的数值，xi为归一化前当前维度的目标数据，xmin为当前维度中数据的最小值，xmax为当前维度中数据的最大值。
步骤S130、基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
本实施例中，因为目前在SSP生产线中，终缩聚反应器的搅拌器的标准齿轮减速箱的运行采集数据存在样本小，纬度高的特点，而且该设备在不同的工况条件以及设备寿命周期中，都具有不同阶段性的数据，因此模型数据也在不断地累积和增加，同时无用数据样本的重复，也会使训练时间和存储空间不断地增加，因此使用增量学习的方法进行SVM分类，具体步骤如下：
初始化模型参数矩阵Q，设定模型的训练精度ξ＞0，选取n个初始样本得到分类器H1；
根据如下公式设定相应的更新条件，如果满足分类条件则进行舍弃，如果满足更新条件，则重新计算参数矩阵Q并求解其逆矩阵，其中yi表示实际输出，f(xi)表示对样本的识别输出：
更新条件：
0≤yif(xi)＜1
-1≤yif(xi)＜0
分类条件：
yif(xi)＜-1
yif(xi)＞1+ξ
根据如下公式计算模型最优解
Figure BDA0002882251290000071
如果
Figure BDA0002882251290000072
那么依据现有模型重新更新分类器：
Figure BDA0002882251290000073
通过对模型不断地迭代，可以得到第一历史预测值。
步骤S140、基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二历史预测值；
本实施例中，终缩聚反应器的搅拌器减速箱的数据模型具有空间性和时序性的特点，依据标准特征数据，使用卷积神经网络(CNN)结合双层长短期记忆网络(LSTM2)的预测模型(CNN-LSTM2模型)进行对终缩聚反应器进行二次预测，得到第二历史预测值。
在一实施例中，如图3所示，步骤S140包括：
步骤S141、将所述标准特征数据进行图像化处理，得到灰度图；
步骤S142、根据预置的CNN模型的卷积层对所述灰度图进行空间特征提取，得到所述标准特征数据的空间特征向量；
步骤S143、将所述空间特征向量输入所述CNN模型中的压平层进行一维化处理，得到所述标准特征数据的时序特征向量；
步骤S144、基于所述时序特征向量，根据预置的LSTM2模型进行故障预测，得到第二历史预测值。
本实施例中，将标准特征数据进行图像化处理，得到灰度图；根据预置的CNN模型的卷积层对灰度图进行空间特征提取，得到标准特征数据的空间特征向量；将空间特征向量输入CNN模型中的压平层进行一维化处理，得到标准特征数据的时序特征向量；基于时序特征向量，根据预置的LSTM2模型进行故障预测，得到第二历史预测值。CNN-LSTM2模型的网络结构如图5所示，具体的：
(1)将处理过的采一维向量数据集数据乘以255，映射到0～255区间，将维度数据转换为灰度图；
(2)通过4层1维CNN卷积层对生成灰度图像进行卷积，提取空间特征，如下式：
Figure BDA0002882251290000074
其中，ω为卷积核，h为卷积窗口的大小，b为偏差因子，f为非线性函数，
Figure BDA0002882251290000081
为表示感受野中的值。为了增加非线性和防止梯度消失，设置Relu作为激活函数，为了增强鲁棒性，防止过拟合，在每一个卷积积层后设置步长为2的区域取最大值，进行降采样。
(3)为了防止过拟合，并减少参数，在最后一个池化层后进行对CNN特征提取后的多维数据进行压平层(FlattenLayer)降为一维。让中间每一个向量不仅包含现有状态而且包含前一个时序状态，从而强化整个输入特征的时序性。
(4)将通过4层CNN特征提取并增强时序性的向量作为输入，本发明设计两层LSTM，具体网络结构如图6所示：
①下层LSTM接收经特征提取过的具有时序性输入的机器运行状态的特征序列，并将其转换为轮次运行参数信息，所有下层LSTM共享网络结构和参数，下层计算过程如下：
Figure BDA0002882251290000082
Figure BDA0002882251290000083
Figure BDA0002882251290000084
Figure BDA0002882251290000085
Figure BDA0002882251290000086
Figure BDA0002882251290000087
Figure BDA0002882251290000088
其中
Figure BDA0002882251290000089
分别表示输入门，遗忘门和输出门，
Figure BDA00028822512900000810
创建新的候选值的向量，
Figure BDA00028822512900000811
更新后的状态，meanpooling表示平均池化层，sigmoid和tanh表示相应的激活函数，W*'是权值矩阵，b'*为偏置项，
Figure BDA00028822512900000812
上一时刻隐含层状态，
Figure BDA00028822512900000813
表示当前时刻的输入。
②上层LSTM通过集成上一时刻的隐层状态，构建出自身的隐层状态，以及结合到当前为止所有的轮次运行参数信息来获取终缩聚搅拌器的减速箱当前的运行状态，通过softmax算法预测当前的状态分布，然后再获得最大值作为当前状态的标签，具体计算公式如下所示：
Figure BDA0002882251290000091
Figure BDA0002882251290000092
Figure BDA0002882251290000093
Figure BDA0002882251290000094
Figure BDA0002882251290000095
ht＝ot*tanh(ct)
bt＝softmax(Wtht+bt)
at＝argmax(bt)，
其中
Figure BDA0002882251290000096
分别表示上层LSTM模型的输入门，遗忘门和输出门，W*'是上层LSTM模型的权值矩阵，b'*为上层LSTM模型的偏置项，
Figure BDA0002882251290000097
和ct表示新的候选值向量和更新后的状态向量，at为t时刻的故障分类的结果。
步骤S150、建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
步骤S160、根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
本实施例中，对SVM和CNN-LSTM2的第一历史预测值y1及第二历史预测值y2建立线性组合关系，之后采用混沌粒子群(CPSO)算法对线性组合关系函数的参数进行求解，具体如下：
yp＝w1y1+w2y2
上式为线性组合关系函数，其中，w1和w2代表同一时刻下y1和y2的权重；
设定初始权重为ws，终止权重为wf，初始速度为vu，迭代最大次数为Np，假设yz为真值，目标函数设为：
Figure BDA0002882251290000098
惯性权重设为：
Figure BDA0002882251290000099
根据以下方程确定粒子的速度，以及访问过的个体位置，并带入目标函数求极小值，记录最优位置：
Figure BDA00028822512900000910
其中，
Figure BDA00028822512900000911
为经过l次迭代后的位置，
Figure BDA00028822512900000912
和
Figure BDA00028822512900000913
分别为经过l次迭代以后个体最优位置以及全局最优位置，r1、r2为惩罚系数，a1、a2为加速系数。
依据粒子在第l次迭代求出可行搜索空间的上限
Figure BDA0002882251290000101
和下限
Figure BDA0002882251290000102
重新生成混沌序列，从而求得可行解为：
Figure BDA0002882251290000103
依据目标函数，判断
Figure BDA0002882251290000104
是否为当前最优解，或者步数已达到所设定的最大迭代次数，如果满足条件，则得到最优的w1和w2系数，从而确定最终关系函数；反之则依如下公式收缩搜索区域，并重新更新粒子状态参数进行计算：
Figure BDA0002882251290000105
在一实施例中，在步骤S160之后，还包括：
根据预设误差函数检验所述最终预测值与实际值的误差，其中，所述误差函数如下：
Figure BDA0002882251290000106
X为误差值，
Figure BDA0002882251290000107
为最终预测值，yi为实际值。
步骤S170、基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
本实施例中，基于上述已确定的最优w1和w2系数，从而确定最终关系函数。获取目标预测时刻的震动特征数据及环境特征数据，根据上述方法归一化处理后得到目标预测时刻的标准特征数据，然后根据SVM模型及CNN-LSTM2模型得到第一目标预测值与第二目标预测值后，根据第一目标预测值、第二目标预测值以及最终关系函数计算得到最终预测值，依据最终预测值中最大概率对应的故障类型，确定为故障预测结果。
该方法基于SVM模型及CNN-LSTM2模型分别进行故障预测，之后对两个模型的预测值构建线性关系，从而得出最终预测值，根据最终预测值确定故障预测结果，相比传统单一的预测方法，有效提高故障预测的准确率。
本发明实施例还提供一种基于集成混合模型的故障预测装置，该基于集成混合模型的故障预测装置用于执行前述基于集成混合模型的故障预测方法的任一实施例。具体地，请参阅图6，图6是本发明实施例提供的基于集成混合模型的故障预测装置的示意性框图。该基于集成混合模型的故障预测装置100可以配置于服务器中。
如图4所示，基于集成混合模型的故障预测装置100包括分解模块110、归一化模块120、第一预测模块130、第二预测模块140、关系构建模块150、参数优化模块160、计算模块170。
分解模块110，用于获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
归一化模块120，用于获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
第一预测模块130，用于基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
第二预测模块140，用于基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二预历史测值；
关系构建模块150，用于建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
参数优化模块160，用于根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
计算模块170，用于基于所述第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
在一实施例中，第二预测模块140包括：
图像化单元，用于将所述标准特征数据进行图像化处理，得到灰度图；
特征提取单元，用于根据预置的CNN模型的卷积层对所述灰度图进行空间特征提取，得到所述标准特征数据的空间特征向量；
降维单元，用于将所述空间特征向量输入所述CNN模型中的压平层进行一维化处理，得到所述标准特征数据的时序特征向量；
预测单元，用于基于所述时序特征向量，根据预置的LSTM2模型进行故障预测，得到第二历史预测值。
本发明实施例还提供一种计算机设备，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，其中，所述处理器执行所述计算机程序时实现如上所述的基于集成混合模型的故障预测方法。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上所述的基于集成混合模型的故障预测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，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，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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发明实施例方案的目的。
另外，在本发明各个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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，或者该技术方案的全部或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)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到各种等效的修改或替换，这些修改或替换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权利要求的保护范围为准。

Claims (10)

1.一种基于集成混合模型的故障预测方法，其特征在于，包括：
获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二历史预测值；
建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
2.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据包括：
将初始的震动特征数据对应时域信号的本征模态函数进行变换，得到初始的震动特征数据对应的调幅-调频信号；
引入二次惩罚因子与乘法算子，再进行迭代更新、等距变换，得到最终的震动特征数据。
3.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述归一化处理的公式如下：
Figure FDA0002882251280000011
其中，xj为归一化后的数值，xi为归一化前当前维度的目标数据，xmin为当前维度中数据的最小值，xmax为当前维度中数据的最大值。
4.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二预测值包括：
将所述标准特征数据进行图像化处理，得到灰度图；
根据预置的CNN模型的卷积层对所述灰度图进行空间特征提取，得到所述标准特征数据的空间特征向量；
将所述空间特征向量输入所述CNN模型中的压平层进行一维化处理，得到所述标准特征数据的时序特征向量；
基于所述时序特征向量，根据预置的LSTM2模型进行故障预测，得到第二历史预测值。
5.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数包括：
设初始关系函数为：
yp＝w1y1+w2y2，
式中，y1和y2分别代表第一历史预测值及第二历史预测值，w1和w2代表同一时刻下y1和y2的权重；
设定初始权重为ws，终止权重为wf，初始速度为vu，迭代最大次数为Np，假设yz为真值，目标函数设为：
Figure FDA0002882251280000021
惯性权重设为：
Figure FDA0002882251280000022
根据以下方程确定粒子的速度，以及访问过的个体位置，并代入所述目标函数求极小值，记录最优位置：
Figure FDA0002882251280000023
Figure FDA0002882251280000024
其中，
Figure FDA0002882251280000025
为经过l次迭代后的位置，
Figure FDA0002882251280000026
为经过l次迭代以后的速度，
Figure FDA0002882251280000027
和
Figure FDA0002882251280000028
分别为经过l次迭代以后个体最优位置以及全局最优位置，r1、r2为惩罚系数，a1、a2为加速系数；
根据粒子在第l次迭代求出可行搜索空间的上限
Figure FDA0002882251280000029
和下限
Figure FDA00028822512800000210
重新生成混沌序列，从而求得可行解为：
Figure FDA0002882251280000031
根据所述目标函数，判断
Figure FDA0002882251280000032
是否为当前最优解，或者步数已达到所设定的最大迭代次数，如果满足条件，则得到最优的w1和w2系数，确定最终关系函数。
6.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，在所述基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值的步骤之后，还包括：
根据预设误差函数检验所述最终预测值与实际值的误差，其中，所述误差函数如下：
Figure FDA0002882251280000033
X为误差值，
Figure FDA0002882251280000034
为最终预测值，yi为实际值。
7.一种基于集成混合模型的故障预测装置，其特征在于，包括：
分解模块，用于获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
归一化模块，用于获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
第一预测模块，用于基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
第二预测模块，用于基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二预历史测值；
关系构建模块，用于建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
参数优化模块，用于根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
计算模块，用于基于所述第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
8.根据权利要求7所述的基于集成混合模型的故障预测装置，其特征在于，所述第二预测模块包括：
图像化单元，用于将所述标准特征数据进行图像化处理，得到灰度图；
特征提取单元，用于根据预置的CNN模型的卷积层对所述灰度图进行空间特征提取，得到所述标准特征数据的空间特征向量；
降维单元，用于将所述空间特征向量输入所述CNN模型中的压平层进行一维化处理，得到所述标准特征数据的时序特征向量；
预测单元，用于基于所述时序特征向量，根据预置的LSTM2模型进行故障预测，得到第二历史预测值。
9.一种计算机设备，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计算机程序时实现如权利要求1至6中任一项所述的基于集成混合模型的故障预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的基于集成混合模型的故障预测方法。
CN202110002819.1A 2021-01-04 2021-01-04 基于集成混合模型的故障预测方法、装置及相关设备 Active CN112733692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110002819.1A CN112733692B (zh) 2021-01-04 2021-01-04 基于集成混合模型的故障预测方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110002819.1A CN112733692B (zh) 2021-01-04 2021-01-04 基于集成混合模型的故障预测方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN112733692A true CN112733692A (zh) 2021-04-30
CN112733692B CN112733692B (zh) 2021-11-30

Family

ID=75589577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110002819.1A Active CN112733692B (zh) 2021-01-04 2021-01-04 基于集成混合模型的故障预测方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN112733692B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469263A (zh) * 2021-07-13 2021-10-01 润联软件系统(深圳)有限公司 适于小样本的预测模型训练方法、装置及相关设备
CN114167837A (zh) * 2021-12-02 2022-03-11 中国路桥工程有限责任公司 一种铁路信号系统的智能故障诊断方法及系统
CN114490303A (zh) * 2022-04-07 2022-05-13 阿里巴巴达摩院(杭州)科技有限公司 故障根因确定方法、装置和云设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799367A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种机电设备神经网络故障趋势预测方法
CN104330257A (zh) * 2014-11-26 2015-02-04 天津工业大学 一种行星齿轮传动系统故障诊断方法
CN105372087A (zh) * 2015-11-30 2016-03-02 南通大学 基于多传感器信号分析的故障诊断方法
CN106092698A (zh) * 2016-08-10 2016-11-09 中国人民解放军第五七九工厂 一种航空装备油液污染防控中油样预处理装置及其使用方法
CN106153179A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 中速磨煤机振动故障诊断方法
CN106596149A (zh) * 2016-12-27 2017-04-26 广州地铁集团有限公司 基于vmd的轨道车辆平轮状态的监测与诊断方法
CN106949056A (zh) * 2017-05-02 2017-07-14 辽宁工程技术大学 一种压风机运行状态感知及故障预测系统及方法
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
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
CN111472971A (zh) * 2020-05-27 2020-07-31 上海三一重机股份有限公司 柱塞泵的故障诊断装置及方法
CN111697621A (zh) * 2020-06-23 2020-09-22 石家庄铁道大学 基于ewt-pdbn组合的短期风电功率预测方法
CN211586498U (zh) * 2019-12-09 2020-09-29 中国石油天然气集团有限公司 一种适应于聚碳酸酯生产的高稳定性高真空系统
CN112146861A (zh) * 2020-09-15 2020-12-29 湖北工业大学 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799367A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种机电设备神经网络故障趋势预测方法
CN104330257A (zh) * 2014-11-26 2015-02-04 天津工业大学 一种行星齿轮传动系统故障诊断方法
CN106153179A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 中速磨煤机振动故障诊断方法
CN105372087A (zh) * 2015-11-30 2016-03-02 南通大学 基于多传感器信号分析的故障诊断方法
CN106092698A (zh) * 2016-08-10 2016-11-09 中国人民解放军第五七九工厂 一种航空装备油液污染防控中油样预处理装置及其使用方法
CN106596149A (zh) * 2016-12-27 2017-04-26 广州地铁集团有限公司 基于vmd的轨道车辆平轮状态的监测与诊断方法
CN106949056A (zh) * 2017-05-02 2017-07-14 辽宁工程技术大学 一种压风机运行状态感知及故障预测系统及方法
CN108332970A (zh) * 2017-11-17 2018-07-27 中国铁路总公司 一种基于ls-svm和d-s证据理论的轴承故障诊断方法
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
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
CN211586498U (zh) * 2019-12-09 2020-09-29 中国石油天然气集团有限公司 一种适应于聚碳酸酯生产的高稳定性高真空系统
CN111472971A (zh) * 2020-05-27 2020-07-31 上海三一重机股份有限公司 柱塞泵的故障诊断装置及方法
CN111697621A (zh) * 2020-06-23 2020-09-22 石家庄铁道大学 基于ewt-pdbn组合的短期风电功率预测方法
CN112146861A (zh) * 2020-09-15 2020-12-29 湖北工业大学 一种基于SDAE-RCmvMSE的机械故障监测诊断系统建立方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DENGYU XIAO等: "Fault Diagnosis of Asynchronous Motors Based on LSTM Neural Network", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHONGQING)》 *
YING TAO等: "Multilayer Gated Recurrent Unit for Spur Gear Fault Diagnosis", 《2019 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-PARIS)》 *
张涛: "基于 VMD 的航空发动机中介轴承故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
王奉涛等: "基于K值优化VMD的滚动轴承故障诊断方法", 《振动、测试与诊断》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469263A (zh) * 2021-07-13 2021-10-01 润联软件系统(深圳)有限公司 适于小样本的预测模型训练方法、装置及相关设备
CN114167837A (zh) * 2021-12-02 2022-03-11 中国路桥工程有限责任公司 一种铁路信号系统的智能故障诊断方法及系统
CN114167837B (zh) * 2021-12-02 2023-09-15 中国路桥工程有限责任公司 一种铁路信号系统的智能故障诊断方法及系统
CN114490303A (zh) * 2022-04-07 2022-05-13 阿里巴巴达摩院(杭州)科技有限公司 故障根因确定方法、装置和云设备
CN114490303B (zh) * 2022-04-07 2022-07-12 阿里巴巴达摩院(杭州)科技有限公司 故障根因确定方法、装置和云设备

Also Published As

Publication number Publication date
CN112733692B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN112733692B (zh) 基于集成混合模型的故障预测方法、装置及相关设备
Wen et al. Recent advances and trends of predictive maintenance from data-driven machine prognostics perspective
Khan et al. A review on the application of deep learning in system health management
Don et al. Dynamic process fault detection and diagnosis based on a combined approach of hidden Markov and Bayesian network model
Kan et al. A review on prognostic techniques for non-stationary and non-linear rotating systems
Jahnke Machine learning approaches for failure type detection and predictive maintenance
CN115060497B (zh) 基于ceemd能量熵和优化pnn的轴承故障诊断方法
Liu et al. Wind turbine fault detection based on deep residual networks
CN112966770B (zh) 基于集成混合模型的故障预测方法、装置及相关设备
CN113255780B (zh) 一种减速箱故障预测方法、装置、计算机设备及存储介质
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN111881954A (zh) 基于渐进式簇净化网络的转导推理小样本分类方法
EP4273754A1 (en) Neural network training method and related device
CN116502175A (zh) 一种图神经网络故障诊断方法、装置和存储介质
Kang Machine learning: Diagnostics and prognostics
CN114239949A (zh) 一种基于双阶段注意力机制的网站访问量预测方法及系统
Khaleghi et al. Towards machine-learning driven prognostics and health management of Li-ion batteries. A comprehensive review
Zhang et al. Transformer Aided Adaptive Extended Kalman Filter for Autonomous Vehicle Mass Estimation
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
Wu Fault diagnosis model based on Gaussian support vector classifier machine
CN116681945A (zh) 一种基于强化学习的小样本类增量识别方法
Min et al. Machine learning for predicting fatigue properties of additively manufactured materials
CN116310542A (zh) 一种基于改进交叉熵损失函数的图像分类方法
CN113469263A (zh) 适于小样本的预测模型训练方法、装置及相关设备
Hu et al. Time-dependent reliability analysis in operation: prognostics and health management

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