CN113505875A - 一种故障预测方法、装置及存储介质 - Google Patents
一种故障预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113505875A CN113505875A CN202110820577.7A CN202110820577A CN113505875A CN 113505875 A CN113505875 A CN 113505875A CN 202110820577 A CN202110820577 A CN 202110820577A CN 113505875 A CN113505875 A CN 113505875A
- Authority
- CN
- China
- Prior art keywords
- optimal solution
- training
- parameters
- training parameters
- algorithm
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 187
- 241000254158 Lampyridae Species 0.000 claims abstract description 129
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 58
- 230000006403 short-term memory Effects 0.000 claims abstract description 20
- 230000007787 long-term memory Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 77
- 241000269350 Anura Species 0.000 claims description 54
- 230000015654 memory Effects 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network 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
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 230000003760 hair shine Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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]
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种故障预测方法、装置及存储介质，所述方法包括：采用蛙跳算法对预测目标设备的训练参数进行优化，得到所述训练参数的局部最优解；采用萤火虫算法对所述训练参数进行全局最优解的求解，得到所述训练参数的全局最优解；将得到的所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。本发明提供的方案能够有效地预测可能出现的故障。
Description
技术领域
本发明涉及控制领域，尤其涉及一种故障预测方法、装置及存储介质。
背景技术
随着逆变器在电力系统和控制系统中的应用，其发生的故障影响越发重要，大多数电机在控制系统中多与逆变器进行连接，逆变器的严重故障不仅造成逆变器的损坏，并且将会导致电机发生损坏，这会使维修难度和成本增高，于是对于提高逆变器的安全性和可靠性，有效预测逆变器可能出现的故障，提前采取预防测试，节约经济成本，提升可靠性具有重要的意义。
发明内容
本发明的主要目的在于克服上述现有技术的缺陷，提供一种故障预测方法、装置及存储介质，以解决现有技术中预测设备可能出现的故障的问题。
本发明一方面提供了一种故障预测方法，包括：采用蛙跳算法对预测目标设备的训练参数进行优化，得到所述训练参数的局部最优解；采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，得到所述训练参数的全局最优解；将得到的所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。
可选地，采用蛙跳算法对训练参数进行优化，得到所述训练参数的局部最优解，包括：步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数；步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度；步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新；步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则；步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新；步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群；重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。
可选地，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，包括：步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的局部最优解作为第二目标函数；步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新；步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动；步骤S24，判断是否达到第二预设迭代次数或第二预设搜索精度，若未达到，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。
可选地，所述更新步长根据萤火虫之间的距离进行自适应更新。
可选地，将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值，包括：设置时间窗大小，设置故障预测模型训练过程中批量处理数据的个数和时间序列步长；将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入；计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化；达到设定的遍历次数值时，结束模型训练，输出设定运行参数的预测值。
可选地，预测目标设备，包括：逆变器；所述训练参数，包括：逆变器的电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。
本发明另一方面提供了一种故障预测装置，包括：第一优化单元，用于采用蛙跳算法对预测目标设备的训练参数进行优化得到所述训练参数的局部最优解；第二优化单元，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，得到所述训练参数的全局最优解；模型训练单元，用于将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。
可选地，所述第一优化单元，采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解，包括：步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数；步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度；步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新；步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则；步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新；步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群；重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。
可选地，所述第二优化单元，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，包括：步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的局部最优解作为第二目标函数；步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新；步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动；步骤S24，判断是否达到第二预设迭代次数或第二预设搜索精度，若未达到，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。
可选地，包括：所述更新步长根据萤火虫之间的距离进行自适应更新。
可选地，所述模型训练单元，将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值，包括：设置时间窗大小，设置故障预测模型训练过程中批量处理数据的个数和时间序列步长；将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入；计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化；达到设定的遍历次数时，结束模型训练，输出设定运行参数的预测值。
可选地，预测目标设备，包括：逆变器；所述训练参数，包括：逆变器的电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。
本发明又一方面提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。
根据本发明的技术方案，采用改进的蛙跳算法，可以有效地缩短搜索时间，提高搜索精度和速度。
根据本发明的技术方案，采用改进的蛙跳算法结合自适应萤火虫算法优化双向LSTM的训练参数，可以减少双向LSTM训练步数，避免陷入局部最优，提高模型预测精度。
根据本发明的技术方案，通过改进蛙跳算法，根据更新后的适应度是否满足需要进行更新规则的选择，当更新后的适应度不在设定值时，使用新的更新规则：使在适应度没有更新或更新速度缓慢时改变适应度的更新方式，精准有效地进行适应度更新，加快了搜索速度，比原有的随机更新方式精度更高，搜索速度更快(缩短了步长搜索，能够加快搜索速度，原来的步长是随机更新的，本发明中自适应更新，因此能够提高精度)。
根据本发明的技术方案，自适应萤火虫算法位置更新方式使用自适应步长因子，避免搜索失败和搜索时间过长，能够加快搜索速度。
根据本发明的技术方案，通过将改进的蛙跳算法结合自适应萤火虫算法(AFA-MLA)用于优化双向LSTM，并将全连接层的拟合权重和偏置量也放入AFA-MLA算法进行优化，计算损失函数使其达到最小，使训练参数的选择上更加具有依据性和准确性，使最终的预测结果更加接近于真实值，加快训练速度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明提供的故障预测方法的一实施例的方法示意图；
图2示出了采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解的步骤的一具体实施方式的流程示意图；
图3示出了改进的蛙跳算法的流程图；
图4示出了采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解的步骤的一具体实施方式的流程示意图；
图5示出了自适应萤火虫算法的流程图；
图6是长短期记忆网络(LSTM)单元结构示意图；
图7示出了将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练的步骤的一具体实施方式的流程示意图；
图8示出了双向长短期记忆网络(LSTM)的结构示意图；
图9示出了改进的蛙跳算法结合自适应萤火虫算法优化双向长短期记忆网络的流程示意图；
图10本发明提供的故障预测装置的一实施例的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
蛙跳算法(FLA)是一种模拟青蛙寻找食物的过程的一种启发式优化方法，种群中的青蛙所处位置有好有坏，在所处不好位置的青蛙会逐步跳跃到相对好的位置，直到找到最优位置，但容易陷入局部最优解，本发明先将蛙跳算法的更新速度和准确度进行改进，然后使用自适应萤火虫算法避免陷入局部最优解，达到全局最优。
本发明提供一种故障预测方法。所述方法例如可以用于逆变器的故障预测。图1是本发明提供的故障预测方法的一实施例的方法示意图。
如图1所示，根据本发明的一个实施例，所述逆变器故障预测方法至少包括步骤S110、步骤S120和步骤S130。
步骤S110，采用蛙跳算法对预测目标设备的训练参数进行优化得到所述训练参数的局部最优解。
将预测目标设备的设定运行参数的时间序列数据作为双向长短期记忆网络的输入，在输入双向长短期记忆网络之前对训练参数进行处理，得到预测目标设备的训练参数的全局最优解。首先，采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解。预测目标设备具体可以包括：逆变器；所述训练参数即进行故障预测的参数，具体可以为预测目标设备的运行参数的时间序列数据，所述运行参数例如可以选取电流、电压和/或转矩，即电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。
图2示出了采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解的步骤的一具体实施方式的流程示意图。如图2所示，在一种具体实施方式中，步骤S110包括步骤S11、步骤S12、步骤S13、步骤S14、步骤S15和步骤S16。
步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数。
根据设计需求，假如选用电流进行故障预测，考虑到训练参数过多将导致加大训练时间，每一层LSTM均使用同一训练参数，每一层8个训练参数，再加上全连接层的3个参数，则双向LSTM需要19个训练参数，故搜索空间为D＝19维。所述蛙跳算法的计算参数包括：青蛙的总个数m、青蛙的种群数n、每个种群中青蛙的个数λ和第i只青蛙的位置。假设一共有m只青蛙组成初始种群，第i只青蛙的位置为Xi，其中i＝1,2......m；将m只青蛙划分为n个种群，每个种群中有λ只青蛙，则有m＝λn。初始化参数m、n、Xi。
步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度。
初始化第一目标函数中的适应参数α、Xmin、Xmax，计算第一目标函数的值，α为自适应步长因子。这里的第一目标函数对应于青蛙所在位置的适应度，这里选用的目标函数为要达到设计的精度和最短收敛时间的拟合函数，其中精度用acc表示，η为适应常数，Xi+1表示青蛙更新位置后的位置，Xb为适应度
最高的青蛙所在位置，搜索范围[Xmin,Xmax]。
其中，g(x)表示青蛙的适应度；s.t是对参数范围的要求。
步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新。
在每个种群中，在该种群所在位置区域内适应度较差的青蛙要跳向该位置区域内适应度最好的青蛙，根据不同的适应度排序青蛙。适应度最差的青蛙的位置为Xv，适应度最好的青蛙额位置为Xb，在整个种群中适应度最好的青蛙的位置用Xq表示。
第一位置更新规则如下：
式中，
为第k(k<n)个种群适应度最好的青蛙的位置，
分别表示第k个种群中适应度最差的青蛙的位置的未更新值和更新后的值；Xk表示迭代的位移量。
步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则。
步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新。
若
则意味着新位置的适应度并没有得到明显的优化，此时为了加快搜索速度，使用改进的位置更新规则，即第二位置更新规则，如下式所示：
其中，a1和a2为收敛常数，a1＜a2，范围均为[0,1]，改进的位置更新规则不仅可以避免位置未出现更新，并且可以加快更新速度，使搜索速度大大提高，加快了全局搜索能力和收敛速度。
步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群。
将每个种群中更新后的青蛙与所有种群混合在一起，重新按照适应度进行排序，并且重新划分所有种群，之后重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。例如，直到达到最大迭代次数M＝500时或者达到搜索精度acc时结束，输出目标函数和青蛙的位置信息，即19个训练参数的局部最优解。
以上步骤还可以参考图3所示的改进的蛙跳算法的流程图。
步骤S120，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，得到所述训练参数的全局最优解；
输出输出青蛙的位置，即19个训练参数的局部最优解后，进入自适应萤火虫算法(AFA)进行全局最优解求解。
FA主要是利用萤火虫发光的特点，萤火虫总向比它更亮的萤火虫移动，其假设为：1)萤火虫不分性别,都将会被吸引到所有其他比它更亮的萤火虫那儿去；2)萤火虫的吸引力和亮度成正比,对于任何两只萤火虫,其中一只会向着比它更亮的另一只移动，亮度随着距离的增加而减少；3)如果没有找到一个比给定的萤火虫更亮,它会随机移动。
如上所述，萤火虫算法包含两个要素，即亮度和吸引度。亮度体现了萤火虫所处位置的优劣并决定其移动方向，吸引度决定了萤火虫移动的距离，通过亮度和吸引度的不断更新，从而实现目标优化。目标函数值表示萤火虫的亮度，较亮的萤火虫会吸引其他个体向这个方向进行位置移动，他们之间的吸引力与距离成反比，如果某个萤火虫周围没有更亮的个体，它选择不移动或者随机变换位置。
图4示出了采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解的步骤的一具体实施方式的流程示意图。如图4所示，在一种具体实施方式中，步骤S120包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的全局最优解作为第二目标函数。
输入第二目标函数g(y)，即萤火虫的发光亮度。同改进的蛙跳算法，目标函数也设置为达到最快的收敛速度和精度。萤火虫算法的计算参数包括：萤火虫的总个数、每个种群中萤火虫的个数，第i只萤火虫的位置、最大吸引度、光吸收系数。初始化萤火虫的总个数num，最大迭代次数max，第i只萤火虫的位置Yi，其中i＝1,2......num；萤火虫的种群数与双向长短期记忆网络所需的训练参数个数对应，即为19，更新步长α，最大吸引度β0，光强吸收系数γ，计算第二目标函数值。
步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新。
计算每只萤火虫的发光亮度(即第二目标函数的值)、不同萤火虫之间的距离y以及相对吸引度β，
根据萤火虫会飞向更亮的萤火虫位置处，其位置更新公式为：
yi(t+1)＝yi(t)+β(yj(t)-yi(t))+α(rand-0.5)
其中，α为更新步长。例如，
χ为[0,1]的随机数，α为自适应步长因子，rand是服从均匀分布的随机因子。
更新步长α是根据萤火虫之间的距离进行自适应更新的，当萤火虫之间的距离过大时，为了避免搜索失败和搜索时间过长，使用自适应的步长，能够加快搜索速度。
步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动。
步骤S24，判断是否达到第二预设迭代次数max或第二预设搜索精度，若未达到第二预设迭代次数max，也未达到第二预设搜索精度，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。
每个种群对应的输出位置参数均为从改进的蛙跳算法中优化后的19个训练参数，否则返回步骤S22。
以上步骤还可以参考图5所示的自适应萤火虫算法的流程图。
步骤S130，将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，得到故障预测模型。
图6是长短期记忆网络(LSTM)单元结构示意图。如图6所示，长短期记忆网络(LSTM)单元结构主要由遗忘门、输入门和输出门组成：
1.遗忘门
遗忘门决定了前一状态的信息的去留，留下多少；输入为前一隐层状态ht-1和xt。σ为sigmoid函数，σ＝[0,1]；0代表直接舍弃到前一细胞状态的值，即Ct-1；1代表完全保留Ct-1；0-1代表保留一部分Ct-1的值。
ft＝σ[Wf(ht-1+xt)+bf]
式中，ft为遗忘门；Wf为遗忘门的训练参数，也是权重；bf为遗忘门的另一个训练参数，也是偏置量。
2.输入门
输入门输入的信息保留在Ct中，输入为前一隐层状态ht-1和xt，经过激活函数tanh输出为一个候选状态ct’。it为ht-1和xt经过σ函数后的输出值，范围也为[0，1]。
此时更新细胞状态，需要计入遗忘门和输入门的输出，更新后的细胞状态为：Ct
Ct＝ft·Ct-1+it·ct'
3.输出门
输出门输出的是隐藏层的输出状态ht，该部分的输入由ht-1和xt经过sigmoid函数输出得到ot，然后将更新后的细胞状态Ct经过tanh处理，得到输出状态ht。
ot＝σ[Wo(ht-1+xt)+bo]
ht＝ot·tanh·(ct')
图7示出了将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练的步骤的一具体实施方式的流程示意图。如图7所示，在一种具体实施方式中，步骤S130包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31，设置时间窗大小，设置模型训练过程中批量处理数据的个数和时间序列步长；
设置时间窗大小，设置模型训练过程中批量处理数据的个数batch size和时间序列步长。
步骤S32，将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入。
基于设置的时间窗大小、模型训练过程中批量处理数据的个数和时间序列步长，进行双向长短期记忆网络模型的训练，搭建神经网络结构，双向LSTM结构如图8所示，预测时间序列为i(t)＝p1h1t+p2h2t+p；
其中，i(t)为设定运行参数(例如为电流)的预测值，p1、p2分别为正向LSTM和反向LSTM的隐藏层输出的权重值，p为偏置量。
步骤S33，计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化。
使用sigmoid激活函数，所以损失函数选用交叉熵损失函数，将故障预测输出值的权重和偏置量p1、p2和p进行调整，得到最小化的损失函数值，则进行Dropout正则化，否则，将全连接层权重和偏置量进行微调。为了防止过拟合，在双向LSTM和全连接层中加入Dropout层，设置Dropout＝0.5，使隐藏层输出的数据的丢弃和保留的概率相同，不会增加很高的权重使模型过拟合。
步骤S34，达到设定的遍历次数值时，结束模型训练，输出设定运行参数的预测值。
直至达到设定的遍历次数epoch值，即所有样本遍历算法的次数，结束模型训练，训练后输出设定运行参数(例如为电流)的预测值i(t)，否则，重复步骤S33。
改进的蛙跳算法结合自适应萤火虫算法优化双向长短期记忆网络AFA-MFLA-BLSTM的步骤如下：流程图如图9所示。
步骤S1，初始化双向LSTM的输入层、输出层数据维数、隐藏单元数，将萤火虫位置参数一一对应双向LSTM的训练参数。
每个种群对应的输出位置参数均为从改进的蛙跳算法中优化后的训练参数；采用19个种群的萤火虫，一共有19个设定训练参数，分别为第一层的LSTM训练参数Wf1、bf1、Wi1、bi1、Wc1、bc1、Wo1、bo1；第二层的LSTM训练参数Wf2、bf2、Wi2、bi2、Wc2、bc2、Wo2、bo2。全连接层的输出拟合权重和偏置量p1、p2和p；选用逆变器运行状态的时间序列数据，如电流的运行时间序列数据。
步骤S2，进入MFLA算法，将19个训练参数与19个种群的青蛙对应，初始化，随机生成青蛙的总个数m，第i只青蛙的位置为Xi，其中i＝1,2......m；将m只青蛙划分为n个种群，每个种群中有λ只青蛙，初始化搜索范围[Xmin,Xmax]。达到精度或最大迭代次数时输出19个训练参数局部最优解。
步骤S3，计算目标函数，进入FA-MLA算法步骤，输出最后达到精度或最大迭代次数的萤火虫的位置，即全局最优解的19个位置参数，代表达到搜索精度和速度时的最优解，即得到训练参数的解。
步骤S4，进入双向LSTM，确定双向LSTM单元个数,若个数太少将导致模型拟合程度较低，若个数太多将出现过拟合。这里一共有两层LSTM，每一层使用3个LSTM单元，输入层的数据维数n_input＝S，每一个LSTM隐层单元数
的整数值，输出层的数据维数output_dim＝C。初始化Q、S、C的值。
步骤S5，将逆变器运行状态的时间序列数据，如电流的运行时间序列数据作为网络的输入，将该数据进行预处理。
步骤S6，设置时间窗大小，设置模型训练过程中批量处理数据的个数batch size和时间序列步长time step。
步骤S7，训练双向LSTM模型，搭建循环神经网络结构，双向LSTM结构图如图2所示，故障电路的预测时间序列为i(t)＝p1h1t+p2h2t+p；
其中，i(t)为电流的预测值，p1、p2分别为正向LSTM和反向LSTM的隐藏层输出的权重值，p为偏置量。进行参数训练。
步骤S8，计算损失函数、Dropout正则化。这里由于使用的是sigmoid激活函数，所以损失函数选用交叉熵损失函数，将故障预测输出值的权重和偏置量p1、p2和p进行调整，得到最小化的损失函数值。为了防止过拟合，在双向LSTM和全连接层中加入Dropout层，设置Dropout＝0.5，使隐藏层输出的数据的丢弃和保留的概率相同，不会增加很高的权重使模型过拟合；
直至达到epoch值，即所有样本遍历算法的次数，结束模型训练，训练后输出得到电流的预测值i(t)，否则重复步骤S8。
本发明还提供一种故障预测装置。所述装置例如可以用于逆变器的故障预测。
图10是本发明提供的故障预测装置的一实施例的结构框图。如图9所示，所述故障预测装置100包括第一优化单元110、第二优化单元120和模型训练单元130。
第一优化单元110，用于采用蛙跳算法对预测目标设备的训练参数进行优化得到所述训练参数的局部最优解。
将预测目标设备的设定运行参数的时间序列数据作为双向长短期记忆网络的输入，在输入双向长短期记忆网络之前对训练参数进行处理，得到预测目标设备的训练参数的全局最优解。首先，采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解。预测目标设备具体可以包括：逆变器；所述训练参数即进行故障预测的参数，具体可以为预测目标设备的运行参数的时间序列数据，所述运行参数例如可以选取电流、电压和/或转矩，即电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。
图2示出了采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解的步骤的一具体实施方式的流程示意图。如图2所示，在一种具体实施方式中，第一优化单元110采用蛙跳算法对预测目标设备的训练参数进行优化得到所述训练参数的局部最优解包括步骤S11、步骤S12、步骤S13、步骤S14、步骤S15和步骤S16。
步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数。
根据设计需求，假如选用电流进行故障预测，考虑到训练参数过多将导致加大训练时间，每一层LSTM均使用同一训练参数，每一层8个训练参数，再加上全连接层的3个参数，则双向LSTM需要19个训练参数，故搜索空间为D＝19维。所述蛙跳算法的计算参数包括：青蛙的总个数m、青蛙的种群数n、每个种群中青蛙的个数λ和第i只青蛙的位置。假设一共有m只青蛙组成初始种群，第i只青蛙的位置为Xi，其中i＝1,2......m；将m只青蛙划分为n个种群，每个种群中有λ只青蛙，则有m＝λn。初始化参数m、n、Xi。
步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度。
初始化第一目标函数中的适应参数α、Xmin、Xmax，计算第一目标函数的值，α为自适应步长因子。这里的第一目标函数对应于青蛙所在位置的适应度，这里选用的目标函数为要达到设计的精度和最短收敛时间的拟合函数，其中精度用acc表示，η为适应常数，Xi+1表示青蛙更新位置后的位置，Xb为适应度最高的青蛙所在位置，搜索范围[Xmin,Xmax]。
其中，g(x)表示青蛙的适应度；s.t是对参数范围的要求。
步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新。
在每个种群中，在该种群所在位置区域内适应度较差的青蛙要跳向该位置区域内适应度最好的青蛙，根据不同的适应度排序青蛙。适应度最差的青蛙的位置为Xv，适应度最好的青蛙额位置为Xb，在整个种群中适应度最好的青蛙的位置用Xq表示。
第一位置更新规则如下：
式中，
为第k(k<n)个种群适应度最好的青蛙的位置，
分别表示第k个种群中适应度最差的青蛙的位置的未更新值和更新后的值；Xk表示迭代的位移量。
步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则。
步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新。
若
则意味着新位置的适应度并没有得到明显的优化，此时为了加快搜索速度，使用改进的位置更新规则，即第二位置规则，如下式所示：
其中，a1和a2为收敛常数，a1＜a2，范围均为[0,1]，改进的位置更新规则不仅可以避免位置未出现更新，并且可以加快更新速度，使搜索速度大大提高，加快了全局搜索能力和收敛速度。
步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群。
将每个种群中更新后的青蛙与所有种群混合在一起，重新按照适应度进行排序，并且重新划分所有种群，之后重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。例如，直到达到最大迭代次数M＝500时或者达到搜索精度acc时结束，输出目标函数和青蛙的位置信息，即19个训练参数的局部最优解。
以上步骤还可以参考图3所示的改进的蛙跳算法的流程图
第二优化单元120，采用萤火虫算法对所述训练参数进行全局最优解的求解，得到所述训练参数的全局最优解。
输出输出青蛙的位置，即19个训练参数的局部最优解后，进入自适应萤火虫算法(AFA)进行全局最优解求解。
FA主要是利用萤火虫发光的特点，萤火虫总向比它更亮的萤火虫移动，其假设为：1)萤火虫不分性别,都将会被吸引到所有其他比它更亮的萤火虫那儿去；2)萤火虫的吸引力和亮度成正比,对于任何两只萤火虫,其中一只会向着比它更亮的另一只移动，亮度随着距离的增加而减少；3)如果没有找到一个比给定的萤火虫更亮,它会随机移动。
如上所述，萤火虫算法包含两个要素，即亮度和吸引度。亮度体现了萤火虫所处位置的优劣并决定其移动方向，吸引度决定了萤火虫移动的距离，通过亮度和吸引度的不断更新，从而实现目标优化。目标函数值表示萤火虫的亮度，较亮的萤火虫会吸引其他个体向这个方向进行位置移动，他们之间的吸引力与距离成反比，如果某个萤火虫周围没有更亮的个体，它选择不移动或者随机变换位置。
图4示出了采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解的步骤的一具体实施方式的流程示意图。如图4所示，在一种具体实施方式中，第二优化单元120，采用萤火虫算法对所述训练参数进行全局最优解的求解，得到所述训练参数的全局最优解包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的全局最优解作为第二目标函数。
输入目标函数g(y)，即萤火虫的发光亮度。同改进的蛙跳算法，目标函数也设置为达到最快的收敛速度和精度。萤火虫算法的计算参数包括：萤火虫的总个数、每个种群中萤火虫的个数，第i只萤火虫的位置、最大吸引度、光吸收系数。初始化萤火虫的总个数num，最大迭代次数max，第i只萤火虫的位置Yi，其中i＝1,2......num；萤火虫的种群数为与双向长短期记忆网络所需的训练参数个数对应，即为19，更新步长α，最大吸引度β0，光强吸收系数γ，计算第二目标函数值。
步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新。
计算每只萤火虫的发光亮度(即第二目标函数的值)、不同萤火虫之间的距离y以及相对吸引度β，
根据萤火虫会飞向更亮的萤火虫位置处，其位置更新公式为：
yi(t+1)＝yi(t)+β(yj(t)-yi(t))+α(rand-0.5)
其中，α为更新步长。例如，
χ为[0,1]的随机数，α为自适应步长因子，rand是服从均匀分布的随机因子。
更新步长α是根据萤火虫之间的距离进行自适应更新的，当萤火虫之间的距离过大时，为了避免搜索失败和搜索时间过长，使用自适应的步长，能够加快搜索速度。
步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动。
步骤S24，判断是否达到第二预设迭代次数max，若未达到第二预设迭代次数max，也未达到第二预设搜索精度，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。
每个种群对应的输出位置参数均为从改进的蛙跳算法中优化后的19个训练参数，否则返回步骤S22。
以上步骤还可以参考图5所示的自适应萤火虫算法的流程图。
模型训练单元130，用于将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。
图6是长短期记忆网络(LSTM)单元结构示意图。如图6所示，长短期记忆网络(LSTM)单元结构主要由遗忘门、输入门和输出门组成：
1.遗忘门
遗忘门决定了前一状态的信息的去留，留下多少；输入为前一隐层状态ht-1和xt。σ为sigmoid函数，σ＝[0,1]；0代表直接舍弃到前一细胞状态的值，即Ct-1；1代表完全保留Ct-1；0-1代表保留一部分Ct-1的值。
ft＝σ[Wf(ht-1+xt)+bf]
式中，ft为遗忘门；Wf为遗忘门的训练参数，也是权重；bf为遗忘门的另一个训练参数，也是偏置量。
2.输入门
输入门输入的信息保留在Ct中，输入为前一隐层状态ht-1和xt，经过激活函数tanh输出为一个候选状态ct'。it为ht-1和xt经过σ函数后的输出值，范围也为[0,1]。
此时更新细胞状态，需要计入遗忘门和输入门的输出，更新后的细胞状态为：Ct
Ct＝ft·Ct-1+it·ct'
3.输出门
输出门输出的是隐藏层的输出状态ht，该部分的输入由ht-1和xt经过sigmoid函数输出得到ot，然后将更新后的细胞状态Ct经过tanh处理，得到输出状态ht。
ot＝σ[Wo(ht-1+xt)+bo]
ht＝ot·tanh·(ct')
图7示出了将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练的步骤的一具体实施方式的流程示意图。如图7所示，在一种具体实施方式中，模型训练单元130将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31：设置时间窗大小，设置模型训练过程中批量处理数据的个数和时间序列步长；
设置时间窗大小，设置模型训练过程中批量处理数据的个数batch size和时间序列步长。
步骤S32，将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入，
基于设置的时间窗大小、模型训练过程中批量处理数据的个数和时间序列步长，进行双向长短期记忆网络模型的训练，搭建神经网络结构，双向LSTM结构如图8所示，预测时间序列为i(t)＝p1h1t+p2h2t+p；
其中，i(t)为设定运行参数(例如为电流)的预测值，p1、p2分别为正向LSTM和反向LSTM的隐藏层输出的权重值，p为偏置量。
步骤S33，计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化。
使用sigmoid激活函数，所以损失函数选用交叉熵损失函数，将故障预测输出值的权重和偏置量p1、p2和p进行调整，得到最小化的损失函数值，则进行Dropout正则化，否则，将全连接层权重和偏置量进行微调。为了防止过拟合，在双向LSTM和全连接层中加入Dropout层，设置Dropout＝0.5，使隐藏层输出的数据的丢弃和保留的概率相同，不会增加很高的权重使模型过拟合。
步骤S34，达到设定的遍历次数值时，结束模型训练，输出设定运行参数的预测值。
直至达到设定的遍历次数epoch值，即所有样本遍历算法的次数，结束模型训练，训练后输出设定运行参数(例如为电流)的预测值i(t)，否则，重复步骤S33。
本发明还提供对应于所述故障预测方法的一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。
据此，本发明提供的方案，根据本发明的技术方案，采用改进的蛙跳算法，可以有效地缩短搜索时间，提高搜索精度和速度；提高换热速度，可降低换热时间。
根据本发明的技术方案，采用改进的蛙跳算法结合自适应萤火虫算法优化双向LSTM的训练参数，可以减少双向LSTM训练步数，避免陷入局部最优，提高模型预测精度。
根据本发明的技术方案，通过改进蛙跳算法，根据更新后的适应度是否满足需要进行更新规则的选择，当更新后的适应度不在设定值时，使用新的更新规则：使在适应度没有更新或更新速度缓慢时改变适应度的更新方式，精准有效地进行适应度更新，加快了搜索速度，比原有的随机更新方式精度更高，搜索速度更快(缩短了步长搜索，能够加快搜索速度，原来的步长是随机更新的，本发明中自适应更新，因此能够提高精度)。
根据本发明的技术方案，自适应萤火虫算法位置更新方式使用自适应步长因子，避免搜索失败和搜索时间过长，能够加快搜索速度。
根据本发明的技术方案，通过将改进的蛙跳算法结合自适应萤火虫算法(AFA-MLA)用于优化双向LSTM，并将全连接层的拟合权重和偏置量也放入AFA-MLA算法进行优化，计算损失函数使其达到最小，使训练参数的选择上更加具有依据性和准确性，使最终的预测结果更加接近于真实值，加快训练速度。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，作为控制装置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。
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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、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实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (13)
1.一种故障预测方法，其特征在于，包括：
采用蛙跳算法对预测目标设备的训练参数进行优化，得到所述训练参数的局部最优解；
采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，得到所述训练参数的全局最优解；
将得到的所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。
2.根据权利要求1所述的方法，其特征在于，采用蛙跳算法对训练参数进行优化，得到所述训练参数的局部最优解，包括：
步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数；
步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度；
步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新；
步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则；
步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新；
步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群；
重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。
3.根据权利要求1或2所述的方法，其特征在于，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，包括：
步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的局部最优解作为第二目标函数；
步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新；
步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动；
步骤S24，判断是否达到第二预设迭代次数或第二预设搜索精度，若未达到，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。
4.根据权利要求3所述的方法，其特征在于，包括：所述更新步长根据萤火虫之间的距离进行自适应更新。
5.根据权利要求1-4任一项所述的方法，其特征在于，将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值，包括：
设置时间窗大小，设置故障预测模型训练过程中批量处理数据的个数和时间序列步长；
将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入；
计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化；
达到设定的遍历次数时，结束模型训练，输出设定运行参数的预测值。
6.根据权利要求1-5任一项所述的方法，其特征在于，
预测目标设备，包括：逆变器；所述训练参数，包括：逆变器的电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。
7.一种故障预测装置，其特征在于，包括：
第一优化单元，用于采用蛙跳算法对预测目标设备的训练参数进行优化得到所述训练参数的局部最优解；
第二优化单元，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，得到所述训练参数的全局最优解；
模型训练单元，用于将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值。
8.根据权利要求7所述的装置，其特征在于，所述第一优化单元，采用蛙跳算法对训练参数进行优化得到所述训练参数的局部最优解，包括：
步骤S11，根据所述双向长短期记忆网络所需的训练参数个数设定搜索空间的维度，并初始化蛙跳算法的计算参数；
步骤S12，初始化目标函数的适应参数和搜索范围，计算第一目标函数的值作为青蛙的适应度；
步骤S13，根据计算得到的青蛙的适应度对青蛙进行排序，并在每个种群中，按照第一位置更新规则进行位置更新；
步骤S14，根据位置更新前和位置更新后的适应度的差值大小确定是否改变位置更新规则；
步骤S15，若确定改变位置更新规则，则按照第二位置更新规则进行位置更新；
步骤S16，将每个种群中更新后的青蛙与所有种群混合在一起重新根据适应度进行排序，并重新划分种群；
重复执行步骤S12～步骤S16，直到达到第一预设迭代次数或者第一预设搜索精度后，输出训练参数的局部最优解。
9.根据权利要求7或8所述的装置，其特征在于，所述第二优化单元，采用萤火虫算法对优化得到的所述训练参数的局部最优解进行全局最优解的求解，包括：
步骤S21，初始化萤火虫算法的计算参数，输入所述训练参数的局部最优解作为第二目标函数；
步骤S22，计算每只萤火虫的发光亮度、不同萤火虫之间的距离以及相对吸引度，并计算更新步长，进行位置更新；
步骤S23，更新所有萤火虫的位置，发光亮度最强的萤火虫进行随机移动；
步骤S24，判断是否达到第二预设迭代次数或第二预设搜索精度，若未达到，则返回步骤S22，当达到第二预设迭代次数或第二预设搜索精度时输出萤火虫的位置。
10.根据权利要求9所述的装置，其特征在于，包括：所述更新步长根据萤火虫之间的距离进行自适应更新。
11.根据权利要求8-10任一项所述的装置，其特征在于，所述模型训练单元，将得到所述训练参数的全局最优解输入双向长短期记忆网络进行故障预测模型的训练，并输出所述预测目标设备的设定运行参数的预测值，包括：
设置时间窗大小，设置故障预测模型训练过程中批量处理数据的个数和时间序列步长；
将得到的所述训练参数的全局最优解作为所述双向长短期记忆网络的输入；
计算交叉熵损失函数，当计算得到最小化的损失函数时，进行Dropout正则化；
达到设定的遍历次数时，结束模型训练，输出设定运行参数的预测值。
12.根据权利要求7-11任一项所述的装置，其特征在于，
预测目标设备，包括：逆变器；所述训练参数，包括：逆变器的电流的运行时间序列数据、电压的运行时间序列数据和/或转矩的运行时间序列数据。
13.一种存储介质，其特征在于，其上存储有计算机程序，所述程序被处理器执行时实现权利要求1-6任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820577.7A CN113505875A (zh) | 2021-07-20 | 2021-07-20 | 一种故障预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820577.7A CN113505875A (zh) | 2021-07-20 | 2021-07-20 | 一种故障预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113505875A true CN113505875A (zh) | 2021-10-15 |
Family
ID=78013989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110820577.7A Pending CN113505875A (zh) | 2021-07-20 | 2021-07-20 | 一种故障预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505875A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114166509A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 一种电机轴承故障预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362900A (zh) * | 2019-07-02 | 2019-10-22 | 岭南师范学院 | 一种led寿命的预测方法 |
| CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
| CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
| CN112729826A (zh) * | 2020-12-21 | 2021-04-30 | 湘潭大学 | 一种人工鱼群-蛙跳优化极限学习机的轴承故障诊断方法 |
-
2021
- 2021-07-20 CN CN202110820577.7A patent/CN113505875A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362900A (zh) * | 2019-07-02 | 2019-10-22 | 岭南师范学院 | 一种led寿命的预测方法 |
| CN110829417A (zh) * | 2019-11-14 | 2020-02-21 | 电子科技大学 | 基于lstm双结构模型的电力系统暂态稳定预测方法 |
| CN112653142A (zh) * | 2020-12-18 | 2021-04-13 | 武汉大学 | 优化深度Transformer网络的风电功率预测方法及系统 |
| CN112729826A (zh) * | 2020-12-21 | 2021-04-30 | 湘潭大学 | 一种人工鱼群-蛙跳优化极限学习机的轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李洋: "蛙跳萤火虫算法及其在含风电场的电力系统调度中的应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2013, 15 June 2013 (2013-06-15), pages 042 - 332 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114166509A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 一种电机轴承故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200279165A1 (en) | Mixture of generators model | |
| Gao et al. | Power prediction in mobile communication systems using an optimal neural-network structure | |
| JP2001236337A (ja) | ニューラルネットワークによる予測装置 | |
| CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
| CN109886343B (zh) | 图像分类方法及装置、设备、存储介质 | |
| US11074502B2 (en) | Efficiently building deep neural networks | |
| CN106971238A (zh) | 基于T‑S模糊Elman神经网络的短期电力负荷预测方法 | |
| CN110276437A (zh) | 基于Fuch映射的混合改进灰狼优化算法 | |
| CN113204417A (zh) | 一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法 | |
| WO2022068934A1 (en) | Method of neural architecture search using continuous action reinforcement learning | |
| CN113438315B (zh) | 基于双网络深度强化学习的物联网信息新鲜度优化方法 | |
| CN113505875A (zh) | 一种故障预测方法、装置及存储介质 | |
| Geisslinger et al. | Watch-and-learn-net: Self-supervised online learning for probabilistic vehicle trajectory prediction | |
| CN109657800A (zh) | 基于参数噪声的强化学习模型优化方法及装置 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN109300140A (zh) | 基于遗传算法和蚁群算法的图像边缘检测方法 | |
| CN116614394A (zh) | 一种基于多目标深度强化学习的服务功能链放置方法 | |
| CN114830137A (zh) | 用于生成预测模型的方法和系统 | |
| CN112068088A (zh) | 一种基于优化bp神经网络的雷达辐射源威胁评估方法 | |
| CN114397817A (zh) | 网络训练、机器人控制方法及装置、设备及存储介质 | |
| KR102442891B1 (ko) | 인공 신경망의 웨이트 갱신 시스템 및 방법 | |
| CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
| Morales | Deep Reinforcement Learning | |
| US20220067528A1 (en) | Agent joining device, method, and program | |
| CN111539989A (zh) | 基于优化方差下降的计算机视觉单目标跟踪方法 |
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 |