CN113743011A - 一种基于pso-bp神经网络的设备寿命预测方法和系统 - Google Patents

一种基于pso-bp神经网络的设备寿命预测方法和系统 Download PDF

Info

Publication number
CN113743011A
CN113743011A CN202111017563.8A CN202111017563A CN113743011A CN 113743011 A CN113743011 A CN 113743011A CN 202111017563 A CN202111017563 A CN 202111017563A CN 113743011 A CN113743011 A CN 113743011A
Authority
CN
China
Prior art keywords
neural network
optimal
particles
equipment
network
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
Application number
CN202111017563.8A
Other languages
English (en)
Inventor
李国徽
张坤
袁凌
魏明
余晗
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.)
Huazhong University of Science and Technology
Wuhan Fiberhome Technical Services Co Ltd
Original Assignee
Huazhong University of Science and Technology
Wuhan Fiberhome Technical Services 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 Huazhong University of Science and Technology, Wuhan Fiberhome Technical Services Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202111017563.8A priority Critical patent/CN113743011A/zh
Publication of CN113743011A publication Critical patent/CN113743011A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

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

Abstract

本发明公开了一种基于PSO‑BP神经网络的设备寿命预测方法和系统，属于设备寿命预测。包括：1)通过获取设备的寿命周期数据，构建数据集，并进行归一化处理；2)构建BP神经网络；3)将BP神经网络的权值和阈值作为粒子的维度分量，并对粒子群算法的参数进行初始化，确定个体最优位置、最优适应度、全局最优位置和适应度；4)采用BP神经网络对数据集进行训练，所得结果由粒子群算法筛选出最优粒子，即网络的最优权值和阈值；5)将粒子群算法的结果作为网络的初始权值和阈值进行训练，直到满足最小误差条件或最大训练次数；6)用训练好的网络对设备数据进行预测，输出设备的预测寿命。与其它技术相比，本方法的优势在于可以迅速精确的完成对设备寿命的预测。

Description

一种基于PSO-BP神经网络的设备寿命预测方法和系统
技术领域
本发明属于设备寿命预测领域，更具体地，涉及一种基于PSO-BP神经网络的设备寿命预测方法和系统。
背景技术
随着科学技术和社会各方面的不断发展，我国的工业化生产化水平已经有了显著提高。如今，设备智能化、大型化、高速化的发展趋势变得更加明显，设备的日常维护也会变得更加困难。设备智能化、大型化的结果，就是设备操作环环相扣，各个流程紧密配合，导致设备在正常运行过程中因磨损或老化进而直接引起的故障更加难以维修，而一旦设备在运行当中出现问题，轻则停止生产给国家和企业造成财产损失，重则威胁从业人员的生命安全。近年来，在我国战略方针的指导下，工业信息化发展的势头更加迅猛，已经进入了工业高速发展的道路当中，设备智能化和研究水平也会再上一个台阶，在设备更加先进，维护越发困难的当下，如何在提高设备智能化的同时，兼顾安全、稳定和可靠的特性是设备研究的重点任务，而如何做好设备日益复杂的日常维护工作，解决好设备全寿命周期的管理工作则是设备预测和维护领域的重中之重，两者相辅相成才是新时代降低设备运行成本，提高生产效率的正确手段。
传统寿命预测方法的预测流程如下：在寿命预测的开始，假设设备的退化模型是已知的，将监视的状态或环境数据直接用于数据分析，并逐一估算退化模型的参数(以离线或在线方式)。但是，这忽略了一个非常重要的问题，在大多数情况下，由于无法预先预测实际项目中使用的设备的退化模型，因此设备寿命的预测变得困难。不注意退化模型的选择会导致错误选择退化模型的问题，无疑会影响设备寿命预测的准确性。
发明内容
针对相关技术的缺陷，本发明的目的在于提供一种基于PSO-BP神经网络的设备寿命预测方法和系统，旨在解决现有预测方法由于设备的退化模型未知从而无法迅速精确的完成对设备寿命的预测的问题。
为实现上述目的，本发明的一个方面提供了一种基于PSO-BP神经网络的设备寿命预测方法，包括以下步骤：
S1.获取设备的寿命周期数据，构建数据集并进行归一化处理；
S2.构建BP神经网络；
S3.将BP神经网络的权值和阈值作为粒子的维度分量，对粒子群算法的参数进行初始化，并确定个体最优位置、最优适应度、全局最优位置和全局最优适应度；
S4.采用数据集对BP神经网络进行训练，所得结果由粒子群算法筛选出最优粒子，获取所述BP神经网络的最优权值和阈值；
S5.将所述最优权值和阈值作为BP神经网络的初始权值和初始阈值，再对BP神经网络进行训练，直到满足最小误差条件或最大训练次数；
S6.用训练好的BP神经网络网络对设备数据进行预测，输出设备的预测寿命。
进一步地，所述步骤S3包括：
S301.将BP神经网络权值和阈值的总和设置为粒子的维数；
S302.利用粒子群算法计算粒子的速度和位置，更新个体极值和群体极值。
进一步地，所述步骤S302中，利用粒子群算法计算粒子的速度和位置包括：
分别通过函数
Figure BDA0003239408240000021
和函数
Figure BDA0003239408240000031
更新粒子的速度和位置；
其中，v是速度，x是位置，k是迭代次数，ω为惯性因子；c1和c2为加速度系数；ξ和γ是在[0，1]中均匀分布的伪随机数；
Figure BDA0003239408240000032
表示第k次迭代中第i个变量的各个极值的第d维；
Figure BDA0003239408240000033
表示第k次迭代的全局最优解的第d维。
进一步地，所述步骤S302中，当计算粒子的速度和位置，更新个体极值和群体极值时，选择适应度函数
Figure BDA0003239408240000034
其中，N为神经网络样本个数；n为输出节点数；ykj是真实输出值，
Figure BDA0003239408240000035
是预测输出值。
本发明的另一方面提供了一种基于PSO-BP神经网络的设备寿命预测系统，包括：
获取模块，用于获取设备的寿命周期数据，构建数据集并进行归一化处理；
网络构建模块，用于构建BP神经网络；
网络优化模块，用于将BP神经网络的权值和阈值作为粒子的维度分量，对粒子群算法的参数进行初始化，并确定个体最优位置、最优适应度、全局最优位置和全局最优适应度；
采用数据集对BP神经网络进行训练，所得结果由粒子群算法筛选出最优粒子，获取所述BP神经网络的最优权值和阈值；
网络训练模块，用于将所述最优权值和阈值作为BP神经网络的初始权值和初始阈值，再对BP神经网络进行训练，直到满足最小误差条件或最大训练次数；
预测模块，用训练好的BP神经网络网络对设备数据进行预测，输出设备的预测寿命。
进一步地，所述网络优化模块将BP神经网络权值和阈值的总和设置为粒子的维数；
利用粒子群算法计算粒子的速度和位置，更新个体极值和群体极值。
进一步地，所述网络优化模块利用粒子群算法计算粒子的速度和位置包括：
分别通过函数
Figure BDA0003239408240000041
和函数
Figure BDA0003239408240000042
更新粒子的速度和位置；
其中，v是速度，x是位置，k是迭代次数，ω为惯性因子；c1和c2为加速度系数；ξ和γ是在[0，1]中均匀分布的伪随机数；
Figure BDA0003239408240000043
表示第k次迭代中第i个变量的各个极值的第d维；
Figure BDA0003239408240000044
表示第k次迭代的全局最优解的第d维。
进一步地，所述网络优化模块中，当计算粒子的速度和位置，更新个体极值和群体极值时，选择适应度函数
Figure BDA0003239408240000045
其中，N为神经网络样本个数；n为输出节点数；ykj是真实输出值，
Figure BDA0003239408240000046
是预测输出值。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
(1)本发明通过将粒子群算法和BP神经网络结合起来进行寿命预测，不仅可以利用BP算法具有的精确优化特点，而且也可以利用粒子群算法强大的宏搜索功能和出色的全局优化性能，达到快速高效的全局优化的目的。BP神经网络本身拥有强大的非线性映射能力，但也存在很多缺点：隐藏层中神经元的数量很难确定，太多会增加计算能力并影响收敛速度，而太少则会导致难以准确预测。而且该算法收敛缓慢，容易陷入局部最优解。而粒子群算法与之互补，通过全局寻优的特点，克服了单一BP神经网络的缺点，提高了预测寿命的精度。
(2)本发明充分利用了粒子群算法的优势，借助粒子拥有着记忆，所有粒子都保留其先前经过的位置信息的特点，减少最优解的搜索时间，并且粒子是通过最佳搜索来共享信息，整个搜索和更新过程目前都遵循最佳解决方案。在大多数情况下，粒子群算法中所有粒子的收集速度比单个BP神经网络更快地收敛到最优解，这可以大大减少模型的训练时间，提高寿命预测的效率。
总体而言，与传统的寿命预测技术相比，本发明可以通过安装在设备上的传感器获得的数据可以快速准确的对设备寿命进行预测，为设备的维护提供指导和建议，将设备事后检修过程转化为可预测性维护过程，提高设备维护的效率。
附图说明
图1是本发明实施例提供的一种基于PSO-BP设备寿命预测方法的整体框架示意图；
图2是本发明实施例提供的一种基于PSO-BP设备寿命预测方法的细节流程示意图；
图3是本发明实施例提供的一种基于PSO-BP设备寿命预测方法的网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于PSO-BP神经网络的设备寿命预测方法，如图1-2所示，主要包括以下步骤：
S1：通过获取设备的寿命周期数据，构建数据集，并进行归一化处理；
S2：设置输入层、隐藏层和输出层等网络参数，构建BP神经网络；
S3：将BP神经网络的权值和阈值作为粒子的维度分量，粒子的维数是BP神经网络权值和阈值的总和，并对粒子群算法的参数进行初始化，确定个体最优位置、最优适应度、全局最优位置和适应度；
S4：采用BP神经网络对数据集进行训练，所得结果由粒子群算法筛选出最优粒子，即网络的最优权值和阈值；
S5：将粒子群算法的结果作为网络的初始权值和阈值进行训练，直到满足最小误差条件或最大训练次数；
S6：用训练好的网络对设备数据进行预测，输出设备的预测寿命，完成设备寿命的预测。
本发明通过使用粒子群算法优化BP神经网络的权值和阈值，克服单一BP神经网络容易陷入局部最优的缺点，同时粒子群算法依靠粒子具有记忆性以及最佳搜索，所有粒子的收集速度可能比单个BP神经网络更快地收敛到最优解，这可以大大减少模型的训练时间，提高寿命预测的效率。
下面具体介绍关键步骤的具体实现方法。
1、BP神经网络的构建
本发明能适用于具有完整寿命周期记录的设备的寿命预测，重点关注设备寿命的一些关键因素，并确定与拟合的相应功能关系。计算结果表明，如果直接使用神经网络进行计算，获得的结果与实际的情况仍然会有一定的差别。除此之外，直接使用神经网络还会导致可变权重不均匀的计算，从而产生更大的误差。因此，需要对遥测监控收集的原始数据进行必要的处理来计算模型，减少非线性原始数据。在BP神经网络的设计中，要充分考虑初始权值、每层神经元个数、隐层个数和输入输出节点个数。
(1)确定输入和输出节点的数量。需要考虑使用要求。在实际应用中，训练样本向量的维数和输入节点的数量通常是相同的，因此可以根据该原理确定输入节点的数量。
(2)确定隐藏层的数量：本文中较早的分析表明，增加隐藏层和网格层的大小可以提高识别精度，减少错误，但是若增加了网格层大小，训练时间可能会更长，增加训练时间成本以及网络的复杂程度，因此，研究一般都会选择增加神经元大小。根据综合逼近定理，如果隐藏节点规模足够大，则三层BP神经网络可以提供关键区域中所有连续操作的逼近。通常，如果样本量较大，则可以考虑增加隐藏层的大小并减小整个网络的大小。
(3)节点隐层数的选择：节点隐层数的选择没有通用公式。事实上，选择通常是基于实验数据或个人经验。BP神经系统的隐层数可参照以下公式确定：
Figure BDA0003239408240000071
(4)初始权值选取：在BP神经网络系统中，斜率算法是主要的算法，由于误差面上存在大量的局部极小点，训练结果会影响网络的初始权值。一般情况下，在确定网络初始权值时，应尽可能增加神经元的输入值，以保证寿命预测的准确性。因此，在网络设计过程中，通常将初始权重限制在[-1，1]，以防止多次研究后权重异常增加。
(5)学习率的选择：通常，每次训练的权重变化主要取决于学习速度。另外，神经网络的学习速度通常会随着学习速度的提高而提高，两者呈显著正相关。但是需要注意的是，虽然学习率的提高可以促进收敛，节省训练时间，但学习率过高会导致系统不稳定。事实上，总体学习率由[0，1]这两者之间来控制。
2、粒子群算法优化BP神经网络
具体的优化步骤如下：
(1)初始化PSO算法和BP神经网络。神经网络的网络结构可以选择三层网络，粒子的维度为网络中所需权值和阈值的总和。第i个粒子的位置如下：
Figure BDA0003239408240000081
其中，ω11，...，ωnl是输入层和隐藏层之间的权重；ω1m，...，ωlm是隐藏层和输出层之间的权重；
Figure BDA0003239408240000082
是输入层和隐藏层之间的阈值；
Figure BDA0003239408240000083
是阈值矩阵，其位于隐藏层节点和输出层节点之间。对粒子的位置
Figure BDA0003239408240000084
和速度
Figure BDA0003239408240000085
进行初始化，并设置一系列参数，比如：粒子数N、迭代次数的最大值Tmax、惯性权重系数ω、学习因子c1和c2；
(2)计算此时粒子的适应度，记录其在这一点上的位置，并找到当前粒子的个体和全局最优值；
(3)粒子适应度比较。如果粒子的适应度小于单个最佳值，则将当前值视为单个最佳值。如果粒子群的单个粒子的最优值小于全体粒子的最优值，那么粒子的全体最优值就是当前单个粒子的最优值；
(4)网络训练为最大迭代次数或者均方误差低于预期误差时，则完成训练，输出结果。否则，继续进行(2)并继续进行迭代，直到算法收敛为止。
(5)进行网络测试，并对结果进行比较和分析。
3、模型的训练过程
训练BP神经网络实际上是在调整网络的两个参数：权重和偏差。一般来说，BP神经网络可以将其训练的过程分为两个部分：正向传输，输出值以波形形式传输到每一层；反向传播，权重和偏差的反调节。
A、正向传输
在训练网络之前，需要随机初始化权重和偏移量。每个权重取一个随机实数[-1，1]，每个偏移取一个随机实数[0，1]，然后开始正向传输。神经网络训练要重复几次，每次迭代都使用训练集中的所有记录，而每个训练网络仅使用一个记录。首先，设置输入层的输出值。假设属性的数量为20，则需要将输入层中的神经单元的数量设置为20，并且输入层中的节点为属性值。输入层的操作非常简单，因此每个后续层都更加复杂。输入层以外的层的输入值是根据权重和偏移量以及每个节点的输出值和其他节点的输入值对上一层的输入值进行累加的结果。前向传输输出层的计算过程如下：
Ij＝∑i＝1wijoi+θj (1)
Figure BDA0003239408240000091
B、反向传播
反向传播从最后一层即输出层开始。训练神经网络进行寿命预测的目的往往是希望最后一层的输出可以作为设备的寿命。在预测设备寿命时，将一个神经单位用作输出层，输出层的值是BP神经网络预测的寿命值，在第一个前馈中，整个网络的权重和偏差是随机选择的，因此网络的输出无法准确预测设备的寿命，必须调整网络权重和偏差的参数，权重和偏差的调整是基于预期和实际输出之间的误差，可以通过调整参数来减少错误，即神经网络提供了模型的优化目标。对于输出层有：
Ej＝Oj(1-Oj)(Tj-Oj) (3)
其中，Ej表示第j个结点的误差值，Oj表示第j个结点的输出值，Tj记录输出值，中间的隐藏层不会直接输出设备的预期寿命，而是会根据权重在下一层累积所有节点误差。计算公式如下：
Ej＝Oj(1-Oj)∑kEkWjk (4)
式中，Wjk用来表示当前层结点j和下一层结点k之间的权重值，Ek则表示是下一层结点k的误差率。误差率的计算完成后，就可以对权重和偏差进行更新，权重和偏差的调整，都是依靠误差率来实现的，首先看权重的更新：
ΔWij＝αEjOj (5)
Wij＝Wij+ΔWij (6)
上面的公式α表示学习率，其值范围从0到1。设置较大的学习速率可以加快学习收敛速度，但是很容易陷入局部最优解决方案中。如果将学习速率设置为相对较小，则收敛速度会很慢，但是离全局最优解更近一步。更新权重后，偏差也应更新，更新的方式如下：
Δθj＝αEj (7)
θj＝θj+Δθj (8)
上面的过程是一个网络训练过程，该过程连续使用所有数据记录进行训练以获得设备寿命的预测模型，然后一遍又一遍地重复进行直至满足训练条件的结束，但有两个终止条件：一是设置最大训练次数；二是设置可接受的误差精度。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于PSO-BP神经网络的设备寿命预测方法，其特征在于，包括以下步骤：
S1.获取设备的寿命周期数据，构建数据集并进行归一化处理；
S2.构建BP神经网络；
S3.将BP神经网络的权值和阈值作为粒子的维度分量，对粒子群算法的参数进行初始化，并确定个体最优位置、最优适应度、全局最优位置和全局最优适应度；
S4.采用数据集对BP神经网络进行训练，所得结果由粒子群算法筛选出最优粒子，获取所述BP神经网络的最优权值和阈值；
S5.将所述最优权值和阈值作为BP神经网络的初始权值和初始阈值，再对BP神经网络进行训练，直到满足最小误差条件或最大训练次数；
S6.用训练好的BP神经网络网络对设备数据进行预测，输出设备的预测寿命。
2.如权利要求1所述的设备寿命预测方法，其特征在于，所述步骤S3包括：
S301.将BP神经网络权值和阈值的总和设置为粒子的维数；
S302.利用粒子群算法计算粒子的速度和位置，更新个体极值和群体极值。
3.如权利要求2所述的设备寿命预测方法，其特征在于，所述步骤S302中，利用粒子群算法计算粒子的速度和位置包括：
分别通过函数
Figure FDA0003239408230000011
和函数
Figure FDA0003239408230000012
更新粒子的速度和位置；
其中，v是速度，x是位置，k是迭代次数，ω为惯性因子；c1和c2为加速度系数；ξ和γ是在[0，1]中均匀分布的伪随机数；
Figure FDA0003239408230000013
表示第k次迭代中第i个变量的各个极值的第d维；
Figure FDA0003239408230000021
表示第k次迭代的全局最优解的第d维。
4.如权利要求2或3所述的设备寿命预测方法，其特征在于，所述步骤S302中，当计算粒子的速度和位置，更新个体极值和群体极值时，选择适应度函数
Figure FDA0003239408230000022
其中，N为神经网络样本个数；n为输出节点数；ykj是真实输出值，
Figure FDA0003239408230000023
是预测输出值。
5.一种基于PSO-BP神经网络的设备寿命预测系统，其特征在于，包括：
获取模块，用于获取设备的寿命周期数据，构建数据集并进行归一化处理；
网络构建模块，用于构建BP神经网络；
网络优化模块，用于将BP神经网络的权值和阈值作为粒子的维度分量，对粒子群算法的参数进行初始化，并确定个体最优位置、最优适应度、全局最优位置和全局最优适应度；
采用数据集对BP神经网络进行训练，所得结果由粒子群算法筛选出最优粒子，获取所述BP神经网络的最优权值和阈值；
网络训练模块，用于将所述最优权值和阈值作为BP神经网络的初始权值和初始阈值，再对BP神经网络进行训练，直到满足最小误差条件或最大训练次数；
预测模块，用训练好的BP神经网络网络对设备数据进行预测，输出设备的预测寿命。
6.如权利要求5所述的设备寿命预测系统，其特征在于，所述网络优化模块将BP神经网络权值和阈值的总和设置为粒子的维数；
利用粒子群算法计算粒子的速度和位置，更新个体极值和群体极值。
7.如权利要求6所述的设备寿命预测系统，其特征在于，所述网络优化模块利用粒子群算法计算粒子的速度和位置包括：
分别通过函数
Figure FDA0003239408230000031
和函数
Figure FDA0003239408230000032
更新粒子的速度和位置；
其中，v是速度，x是位置，k是迭代次数，ω为惯性因子；c1和c2为加速度系数；ξ和γ是在[0，1]中均匀分布的伪随机数；
Figure FDA0003239408230000033
表示第k次迭代中第i个变量的各个极值的第d维；
Figure FDA0003239408230000034
表示第k次迭代的全局最优解的第d维。
8.如权利要求6或7所述的设备寿命预测系统，其特征在于，所述网络优化模块中，当计算粒子的速度和位置，更新个体极值和群体极值时，选择适应度函数
Figure FDA0003239408230000035
其中，N为神经网络样本个数；n为输出节点数；ykj是真实输出值，
Figure FDA0003239408230000036
是预测输出值。
CN202111017563.8A 2021-08-31 2021-08-31 一种基于pso-bp神经网络的设备寿命预测方法和系统 Pending CN113743011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111017563.8A CN113743011A (zh) 2021-08-31 2021-08-31 一种基于pso-bp神经网络的设备寿命预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111017563.8A CN113743011A (zh) 2021-08-31 2021-08-31 一种基于pso-bp神经网络的设备寿命预测方法和系统

Publications (1)

Publication Number Publication Date
CN113743011A true CN113743011A (zh) 2021-12-03

Family

ID=78734513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111017563.8A Pending CN113743011A (zh) 2021-08-31 2021-08-31 一种基于pso-bp神经网络的设备寿命预测方法和系统

Country Status (1)

Country Link
CN (1) CN113743011A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114727463A (zh) * 2022-04-20 2022-07-08 北京金石视觉数字科技有限公司 一种基于智慧城市物联系统的灯光控制方法及系统
CN115759437A (zh) * 2022-11-24 2023-03-07 天津市水利工程有限公司 基于hgs的bp神经网络污水指标预测方法
CN116046018A (zh) * 2023-01-31 2023-05-02 无锡凌思科技有限公司 一种应用于mems陀螺仪的温度补偿方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法
CN113051683A (zh) * 2021-03-26 2021-06-29 长安大学 一种数控机床刀具寿命预测方法、系统、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461457A (zh) * 2020-04-17 2020-07-28 福州大学 一种基于粒子群优化bp神经网络的基坑位移预测方法
CN113051683A (zh) * 2021-03-26 2021-06-29 长安大学 一种数控机床刀具寿命预测方法、系统、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
汪庆年;饶利强;龚文军;蔡建峰;杨玉文;: "基于PSO优化的BP神经网络在电动机绝缘剩余寿命预测中的应用", 水电能源科学, no. 12, 25 December 2015 (2015-12-25), pages 161 - 164 *
裴洪;胡昌华;司小胜;张建勋;庞哲楠;张鹏;: "基于机器学习的设备剩余寿命预测方法综述", 机械工程学报, no. 08, 1 April 2019 (2019-04-01) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114727463A (zh) * 2022-04-20 2022-07-08 北京金石视觉数字科技有限公司 一种基于智慧城市物联系统的灯光控制方法及系统
CN115759437A (zh) * 2022-11-24 2023-03-07 天津市水利工程有限公司 基于hgs的bp神经网络污水指标预测方法
CN115759437B (zh) * 2022-11-24 2024-03-01 天津市水利工程集团有限公司 基于hgs的bp神经网络污水指标预测方法
CN116046018A (zh) * 2023-01-31 2023-05-02 无锡凌思科技有限公司 一种应用于mems陀螺仪的温度补偿方法
CN116046018B (zh) * 2023-01-31 2023-11-14 无锡凌思科技有限公司 一种应用于mems陀螺仪的温度补偿方法

Similar Documents

Publication Publication Date Title
CN113743011A (zh) 一种基于pso-bp神经网络的设备寿命预测方法和系统
CN111899510A (zh) 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN108764539B (zh) 一种梯级电站的上下游水位预测方法
CN110580496A (zh) 一种基于熵最小化的深度迁移学习系统及方法
CN111815033A (zh) 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN111612243A (zh) 交通速度预测方法、系统及存储介质
CN111340282B (zh) 基于da-tcn的设备剩余使用寿命的估计方法及系统
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
CN115618296A (zh) 一种基于图注意力网络的大坝监测时序数据异常检测方法
CN112363896B (zh) 日志异常检测系统
CN112734002B (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN111858565B (zh) 一种基于线段聚类的多维度高精度航迹智能预测方法
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
Bai et al. A deep neural network based on classification of traffic volume for short-term forecasting
CN117556310B (zh) 一种航天器剩余寿命预测方法
Song et al. An improvement growing neural gas method for online anomaly detection of aerospace payloads
CN111984514B (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN115936062A (zh) 基于场景生成与深度学习的光伏功率日前区间预测方法
CN114943328A (zh) 基于bp神经网络非线性组合的sarima-gru时序预测模型
Wang et al. Time series prediction with incomplete dataset based on deep bidirectional echo state network
CN116259172A (zh) 考虑交通网络时空特征的城市道路速度预测方法
Li et al. Hydropower generation forecasting via deep neural network
Liu et al. Ultra-short-term wind power forecasting based on stacking model
CN113705932B (zh) 一种短期负荷预测方法及装置
Qian et al. Optimal Prediction Model for PM2. 5 Using Lasso Regression

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