CN115423221A - 一种设施运行趋势预测方法 - Google Patents
一种设施运行趋势预测方法 Download PDFInfo
- Publication number
- CN115423221A CN115423221A CN202211366351.5A CN202211366351A CN115423221A CN 115423221 A CN115423221 A CN 115423221A CN 202211366351 A CN202211366351 A CN 202211366351A CN 115423221 A CN115423221 A CN 115423221A
- Authority
- CN
- China
- Prior art keywords
- prediction method
- facility operation
- data
- difference value
- imf
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006403 short-term memory Effects 0.000 claims abstract description 8
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000003284 homeostatic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设施运行趋势预测方法,基于希尔伯特黄变换算法并结合了长短期记忆网络来对设施运行趋势进行预测,涉及了机器学习、神经网络等领域,通过对数据预处理、数据清洗和划分、参数的更新和设定、模型的训练与验证等步骤来证明模型具有较高的精确度和有效性。通过利用经验模态分解,对数据进行分解,将分解后的IMF进行希尔伯特黄变换,得到信号的时频特征,将其作为长短期记忆网络的输入,进行模型的训练和验证,对设施未来的运行趋势做出预测。本发明提出了一种全新的预测模型,能够为设施运行趋势提供一种有效的预测方法,适合广泛应用。可对设备的运行趋势预测,及时捕捉到异常点,最大限度降低安全隐患。
Description
技术领域
本发明属于定量预测领域,具体涉及一种基于希尔伯特黄变换和长短期记忆网络的临时设施运行趋势预测方法。
背景技术
诸如冬奥会等运动会场会搭建大量的临时看台等临时设施,临时设施搭建起来后,为保障安全使用,需要临时设施除了要适应极端天气外,还要考虑大客流诱发的看台震动等情况,确保在使用期间设施的结构安全。因此,提供一种能够有效预测临时设施的运行趋势预测方法,是本领域技术人员亟待解决的关键问题。
现有技术中,缺少对搭建看台等设施的运行趋势预测的有效方法,其他领域如专利文献CN113988357A提出一种基于深度学习的高层建筑风致响应预测方法,采用了EMD分解,通过EMD-CNN-BiLSTM模型计算出待测高层建筑顶部位移的预测数据和变化趋势。然而,由于其直接将分解得到的IMF分量输入到CNN网络进行了特征提取等手段,导致后续的预测和最终结果的精确度的损失。
发明内容
针对现有技术的缺陷或改进需求,为了可以有效预测临时设施的运行趋势,构建了以希尔伯特黄变换+长短期记忆网络的模型,将信号处理算法和深度神经网络相结合,提出了一种全新的模型。
本发明提供了一种设施运行趋势预测方法,其目的是针对受严寒天气和大客流诱发的看台震动等一系列外因测得的时序数据进行预测,该方法解决了数据中一些无关特征因素的干扰导致预测准确度低的问题。
本发明提出一种设施运行趋势预测方法,包括如下步骤:
步骤1:获取运动会场现场传感器数据,分别收集到两类传感器数据:倾角传感器和振动传感器。
步骤2:将数据采取经验模态分解(EMD)。
步骤3:求解信号中所有局部极大值和局部极小值并构成上下包络线。
步骤4:求解上下包络线的平均值,并求原始信号与包络均值的差值。
步骤5:判断是否满足IMF分量的条件,如果不满足返回到极值计算,从新对信号继续进行极值和包络运算;如果满足条件,则得到IMF分量和差值。
步骤6:判断一个差值信号是不是IMF分量,需要有一个筛选过程终止的原则,通过利用两说明书
个连续的处理结果之间的标准差SD作为判断依据:
步骤7:对每个IMF(ci(t))分量进行希尔伯特黄变换:
上式中再得到相应IMF的瞬时频率和瞬时幅值:
步骤8:进一步的,基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数,定义为l(x,y),公式如下:
步骤9:将处理好的数据进行数据划分,划分为训练集,验证集和测试集比例为3:1:1。
步骤10:将数据进行数据清洗,并提供数据一致性。将数据集进行划分,并将其送入长短期记忆网络中,通过输入层,进入两个隐藏层,对于时间序列预测任务中,会在输出层后加上一层全连接层,最后得到预测结果。
步骤11:用样本的训练集对模型进行训练。通过每次的迭代获得最好的模型参数,并将其保存下来。
步骤12:将保存下来的模型,用于模型的最终测试。
本发明提供了一种设施运行趋势预测方法,对输入的信号先进行分解,分解出高频、中频和低频三个部分的信号。这样的做法便于可以分别从高、中、低三部分的频段来提取特征,也可以将低频部分的无关特征剔除,将高、中频部分的特征相结合,可以有效提高模型的预测准确度,减少无关特征对模型准确度的影响。特别的,本发明在得到IMF分量后,并对每个IMF信号进行Hilbert变换(EMD+Hilbert结合称为希尔伯特黄变换),就可以获得有意义的瞬时功率,从而给出频率变化的精确表达。
附图说明
为了更清楚地说明发明实施例的技术方案,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,下面描述中的附图仅仅是发明的一些实施例,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为本发明方法框架图;
图2是本发明HHT+LSTM算法流程图;
图3是本发明长短期记忆网络(LSTM)网络结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明,
本发明提供了一种设施运行趋势预测方法,具体步骤如下:
步骤一:获取设施现场传感器数据。
分别收集到两类传感器数据:倾角传感器和振动传感器。
步骤二:将数据采取经验模态分解(EMD)。
具体步骤如下:
步骤三:求解信号中所有局部极大值和局部极小值并构成上下包络线。
步骤四:求解上下包络线的平均值,并求原始信号与包络均值的差值。
步骤五:判断是否满足IMF分量的条件,如果不满足返回到极值计算,重新对信号继续进行极值和包络运算;如果满足条件,则得到IMF分量和差值。
步骤六:判断差值信号是否为IMF分量。
通过利用两个连续的处理结果之间的标准差SD作为判断依据,以判断差值信号是否为IMF分量:
步骤七:对每个IMF(ci(t))分量进行希尔伯特黄变换:
上式中再得到相应IMF的瞬时频率和瞬时幅值:
步骤八:其中,基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数,定义为l(x,y),公式如下:
步骤九:将处理好的数据进行数据划分,划分为训练集,验证集和测试集。划分比例可为3:1:1。
步骤十:将数据进行数据清洗,并提供数据一致性。
将数据集进行划分,并将其送入长短期记忆网络中,通过输入层,进入两个隐藏层,对于时间序列预测任务中,会在输出层后加上一层全连接层,最后得到预测结果。
步骤十一:样本的训练集对模型进行训练,进行结果评价。
通过每次的迭代获得最好的模型参数,并将其保存下来,并使用测试集对模型进行测试。
采用四个误差评价标准来分析模型的可行性和有效性,分别是平均绝对误差eMAE、平均绝对百分比误差eMAPE、均方根误差eRMSE以及运行时间T。
其公式为:
本发明在得到IMF分量后,并对每个IMF信号进行Hilbert变换,就可以获得有意义的瞬时功率,从而给出频率变化的精确表达。EMD+Hilbert结合称为希尔伯特黄变换(hht)算法自适应的利用了信号的局部信息,从而获得信号某一时刻的顺势状态。
本发明通过将接收的高频的实信号,结合已知的载频信息,还原出基带的复信号,以简化信号处理流程。通过将一个实信号做希尔伯特黄变换再与原来的信号相加,便可以得到一个复信号,即将这个信号从双边带(实信号)变成了单边带(复信号只有正频率)。进行希尔伯特黄变换后对于后续的预测和最终结果的精确度起到了非常重要的作用。
此外,本发明的通过希尔伯特黄变换以达到频分复用的效果,即各个原信号在时域上共用,但在频域上相互独立的一个方式。此方法能将各个原信号调制至不同的频率段,使得它们互不干扰,并且通过之前类似的方法总能将调制信号中的各个原信号解调出来。EMD分解出来的信号处于高频、中频和低频三种不同频率的信号,希尔伯特黄变换也能很好的处理不同频率段的信号并且不会互相影响,避免了对后续预测的结果精度产生影响和偏差。
本发明还提供一种设施运行趋势预测模型,包括数据采集模块、参数选取模块、数据预测模块和性能评价模块,其中:所述数据采集模块,用于设施现场实时勘测数据,并对数据进行处理;所述数据采集模块包括经验模态分解、数据清洗的处理。
所述参数确定模块,通过长短期记忆网络训练数据,保存最优参数模型;所述参数确定模块包括经验模态分解的IMF向量数量;LSTM隐藏层的个数和全连接层的参数设定,初始权值和阈值;所述算法参数子模块确定模型的迭代次数。
所述数据预测模块,用于处理后的新样本上,并未预先进行训练和验证的数据,采用基于希尔伯特黄变换和长短期记忆网络的预测方法,对临时设施未来趋势进行预测。
所述性能评价模块,采用平均绝对误差MAE,均方根误差RMSE,平均绝对百分比误差MAPE对模型预测结果进行评价。
为了说明的目的,前述描述使用具体命名以提供对所述实施方案的透彻理解。然而,对于本领域的技术人员而言将显而易见的是,不需要具体细节即可实践所述实施方案。因此,出于例示和描述的目的,呈现了对本文所述的具体实施方案的前述描述。这些描述并非旨在是穷举性的或将实施方案限制到所公开的精确形式。
本领域的技术人员可以理解,本发明是可通过计算机程序指令来实现的。这些程序指令可在计算机、专用编程的处理器或硬件中实行,因此在其中执行的指令可有利于上述的功能的执行。在不脱离发明技术的原理的前提下,可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (11)
1.一种设施运行趋势预测方法,其特征在于,包括以下步骤:
S10获取所述设施的传感器数据,
S20求解所述传感器数据信号中所有局部极大值和局部极小值并构成上下包络线,
S30求解所述上下包络线的平均值,并求所述传感器数据信号与所述包络线的平均值的差值,
S40判断所述差值是否满足IMF分量的条件,直至得到所有的IMF分量,
S50对所述IMF分量进行希尔伯特黄变换,得到特征数据,
S60将所述特征数据进行数据清洗并划分训练集、验证集和测试集,
S70将划分后的数据送入长短期记忆网络中训练和验证,并保存下最优参数模型,对数据进行测试,以得到预测结果。
2.根据权利要求1所述的设施运行趋势预测方法,其特征在于:所述传感器数据包括倾角传感器X和Y轴上的二维数据,振动传感器的X,Y和Z轴上的三维数据。
3.根据权利要求1所述的设施运行趋势预测方法,其特征在于:
S20实施为:找出所述传感器数据信号中所有局部极大值并用三次样条函数连接成上包络,以及用三次样条插值函数连接所有局部极小值构成下包络。
5.根据权利要求1所述的设施运行趋势预测方法,其特征在于:判断所述差值是否为IMF分量的应满足条件包括:
S41所述差值关于时间轴局部对称;
S42在所述差值的离散信号序列中,极值点的个数与过零点的个数相等或最多相差1。
8.根据权利要求1所述的设施运行趋势预测方法,其特征在于:
S50包括:
S51对每个IMF(ci(t))分量进行希尔伯特黄变换,
S52再得到相应IMF的瞬时频率和瞬时幅值。
9.根据权利要求1所述的设施运行趋势预测方法,其特征在于:定义损失函数为基于希尔伯特黄变换和长短期记忆网络模型使用的回归损失函数和均方损失函数双重损失函数。
10.根据权利要求1所述的设施运行趋势预测方法,其特征在于:所述训练集、验证集和测试集的划分比例为3:1:1。
11.根据权利要求1所述的设施运行趋势预测方法,其特征在于:将划分后的特征数据集送入长短期记忆网络中,通过输入层,进入两个隐藏层,对于时间序列预测任务中,在输出层后加上一层全连接层,最后得到预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366351.5A CN115423221B (zh) | 2022-11-03 | 2022-11-03 | 一种设施运行趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211366351.5A CN115423221B (zh) | 2022-11-03 | 2022-11-03 | 一种设施运行趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423221A true CN115423221A (zh) | 2022-12-02 |
CN115423221B CN115423221B (zh) | 2023-02-07 |
Family
ID=84208129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211366351.5A Active CN115423221B (zh) | 2022-11-03 | 2022-11-03 | 一种设施运行趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423221B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056087A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT |
CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
CN113988357A (zh) * | 2021-09-03 | 2022-01-28 | 重庆大学 | 基于深度学习的高层建筑风致响应预测方法及装置 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
-
2022
- 2022-11-03 CN CN202211366351.5A patent/CN115423221B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056087A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | SYSTEM AND METHOD FOR AUTOMATED MALFUNCTION DIAGNOSIS AND PROGNOSIS FOR ROTARY EQUIPMENT |
CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
CN111461450A (zh) * | 2020-04-10 | 2020-07-28 | 河海大学 | 基于eemd和lstm的水电机组劣化度预测方法 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
CN113988357A (zh) * | 2021-09-03 | 2022-01-28 | 重庆大学 | 基于深度学习的高层建筑风致响应预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
李善等: "基于EEMD-GRNN网络的滚动轴承故障诊断试验研究", 《制造技术与机床》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115423221B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110839016B (zh) | 异常流量监测方法、装置、设备及存储介质 | |
CN107153874B (zh) | 水质预测方法及系统 | |
CN111913803B (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN111541255B (zh) | 基于动力学系统的低频振荡模态识别方法及系统 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN111426905A (zh) | 一种配电网同母线变关系异常诊断方法、装置及系统 | |
CN112506752A (zh) | 基于时序数据趋势预测的运维方法、装置及设备 | |
CN110907770A (zh) | 局部放电脉冲特征提取方法、装置、计算机设备和介质 | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN115423221B (zh) | 一种设施运行趋势预测方法 | |
CN116611552B (zh) | 一种基于目标监测数据的船舶交通流量预测方法及系统 | |
Pawlak et al. | Nonparametric sequential signal change detection under dependent noise | |
CN117110775A (zh) | 一种基于卷积特征和时序特征融合的电缆单缺陷定位方法 | |
CN110988673A (zh) | 电机转子故障检测方法、装置及终端设备 | |
CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
CN113255137B (zh) | 目标对象应变数据的处理方法、装置及存储介质 | |
CN114689991A (zh) | 一种高压电缆故障时间的确定方法、系统及相关组件 | |
CN109670593B (zh) | 一种评估、以及预测深度学习模型中层计算时间的方法 | |
CN112904294A (zh) | 基于直觉梯形模糊多属性决策的雷达干扰效果评估方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN113823317B (zh) | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 | |
CN113878613B (zh) | 一种基于wlctd与oma-vmd的工业机器人谐波减速器早期故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |