CN116502544A - 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 - Google Patents
一种基于数据融合的电动螺旋压力机寿命预测方法及系统 Download PDFInfo
- Publication number
- CN116502544A CN116502544A CN202310753499.2A CN202310753499A CN116502544A CN 116502544 A CN116502544 A CN 116502544A CN 202310753499 A CN202310753499 A CN 202310753499A CN 116502544 A CN116502544 A CN 116502544A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- operation data
- historical operation
- missing
- 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 62
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000007787 long-term memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000010561 standard procedure Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 abstract description 6
- 238000003860 storage Methods 0.000 description 26
- 238000012423 maintenance Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于数据融合的电动螺旋压力机寿命预测方法及系统，该方法包括：步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；步骤S2：对所述历史运行数据进行预处理，生成样本数据集；步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，构建长短期记忆模型，并根据所述样本数据集对所述预测模型进行训练；步骤S4：获取实时运行数据，将所述实时数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
Description
技术领域
本发明属于寿命预测技术领域，更具体地，涉及一种基于数据融合的电动螺旋压力机寿命预测方法及系统。
背景技术
螺旋压力机是一种广泛应用于工业生产中的重要机械设备，可应用于生产锻造产品，加工金属材料等。其基本结构包括机身、传动系统、控制系统、润滑系统等部分。而在传动系统中，电动螺旋压力机通常采用电机驱动，通过螺旋副等装置实现对滑块的往复运动，进而完成对金属材料的锻造加工。在长期使用过程中，螺旋压力机的关键部件会因为受到压力、摩擦、磨损等多种因素的影响而产生劣化和故障，这对设备的安全运行和经济效益都会产生重要影响。因此，对螺旋压力机关键部件的寿命进行预测和管理，对于提高设备运行的可靠性和降低维修成本具有重要意义。
传统的螺旋压力机寿命预测方法主要是基于经验和试验的方式，对关键部件进行定期检测和维护，但这种方法存在着周期长、人工干预大、准确度低等缺点。随着智能制造和物联网技术的发展，越来越多的厂商开始将传感器和数据采集设备应用到螺旋压力机上，以实现对设备的实时监控和健康状态预测。
目前，常用的电动螺旋压力机寿命预测方法主要基于物理模型或数据挖掘方法但是物理模型方法需要对系统进行详细建模，涉及到多种物理参数的测量和计算，不仅需要大量的时间和精力，而且不可避免的存在模型误差；而数据挖掘方法主要是基于机器学习的方法，通常需要大量的数据进行，训练和模型优化，但是由于电动螺旋压力机是一个高度非线性和动态的系统，单一的数据源很难反映其真实的工作状态。因此，开发一种基于数据融合的电动螺旋压力机关键部件寿命预测方法显得尤为重要。此外，一些新型传感器的研发，如应变传感器、振动传感器、温度传感器等，也为电动螺旋压力机寿命预测提供了更加全面的数据支持。
发明内容
为解决以上技术问题，本发明提出一种基于数据融合的电动螺旋压力机寿命预测方法，包括：
步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；
步骤S2：对所述历史运行数据进行预处理，生成样本数据集；
步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；
步骤S4：获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
进一步的，所述步骤S2对所述历史运行数据进行预处理包括：
步骤S201：识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；
步骤S202：对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；
步骤S203：将所述历史运行数据进行归一化处理；
步骤S204：通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；
步骤S205：将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
进一步的，所述步骤S204具体包括：
S2041：对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
S2042：对于所述补充完整的历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
S2043：检查所述降维后的历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
进一步的，所述步骤S3中所述预测模型具体包括：
S301：构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；
S302：构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；
S303：将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule-of-Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
进一步的，所述步骤S301构建所述时间序列模型的具体步骤包括：
S3011：使用训练集对所述时间序列模型进行训练，并不断调整所述时间序列模型参数以提高性能；
S3012：使用验证集对所述时间序列模型进行评估，包括计算损失函数、计算预测误差；
S3013：使用测试集对所述时间序列模型进行测试，评估所述时间序列模型的泛化能力和实际效果；
S3014：根据所述时间序列模型的评估和测试结果进行优化，选择Adam优化器并采用交叉验证与贝叶斯技术调整超参数，通过迭代对所述时间序列模型进行调整进而提高所述时间序列模型的性能和泛化能力。
进一步的，所述步骤S302构建长短期记忆模型的具体步骤包括：
S3021： LSTM模型包括输入层、多个LSTM层和输出层，其中，LSTM层用于捕捉序列中的长期依赖关系；
S3022：定义损失函数、优化器和评估指标参数，并进行LSTM模型编译；
S3023：使用训练集对LSTM模型训进行训练，并根据验证集的表现对所述LSTM模型进行调整；
S3024：使用训练好的LSTM模型进行测试集的预测；
S3025：使用评估指标对预测结果进行评估，并根据评估结果对训练好的LSTM模型进行优化，通过Adam优化器调整LSTM模型的超参数，测试调整LSTM模型层数与每层单元数量，选择最佳的LSTM模型的结构配置。
本发明还提出一种基于数据融合的电动螺旋压力机寿命预测系统，包括：
采集模块，用于采集电动螺旋压力机关键部件在运行过程中的历史运行数据；
预处理模块，用于对所述历史运行数据进行预处理，生成样本数据集；
训练模块，用于通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；
预测模块，用于获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
进一步的，所述预处理模块中对所述历史运行数据进行预处理包括：
识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；
对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；
将所述历史运行数据进行归一化处理；
通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；
将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
进一步的，所述通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值具体包括：
对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
进一步的，所述训练模块中所述预测模型具体包括：
构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；
构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；
将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule-of-Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明根据历史运行数据，并将时间序列模型输出的结果和LSTM模型进行融合的方式，能够准确的对电动螺旋压力机寿命进行预测。
附图说明
图1是本发明实施例1的方法的流程图；
图2是本发明实施例2的系统的结构图；
图3是本发明实施例3的方法的流程图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种基于数据融合的电动螺旋压力机寿命预测方法，包括：
步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；
步骤S2：对所述历史运行数据进行预处理，生成样本数据集；
具体的，所述步骤S2对所述历史运行数据进行预处理包括：
步骤S201：识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；
步骤S202：对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；
步骤S203：将所述历史运行数据进行归一化处理；
步骤S204：通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；
具体的，所述步骤S204具体包括：
S2041：对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
S2042：对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
S2043：检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
步骤S205：将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；
具体的，所述步骤S3中所述预测模型具体包括：
S301：构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；
S302：构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；
S303：将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule-of-Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
具体的，所述步骤S301构建所述时间序列模型的具体步骤包括：
S3011：使用训练集对所述时间序列模型进行训练，并不断调整所述时间序列模型参数以提高性能；
S3012：使用验证集对所述时间序列模型进行评估，包括计算损失函数、计算预测误差；
S3013：使用测试集对所述时间序列模型进行测试，评估所述时间序列模型的泛化能力和实际效果；
S3014：根据所述时间序列模型的评估和测试结果进行优化，选择Adam优化器并采用交叉验证与贝叶斯技术调整超参数如隐藏层大小、学习率、时间步长等，通过迭代调整单元个数等对模型结构进行调整进而提高所述时间序列模型的性能和泛化能力。
具体的，所述步骤S302构建长短期记忆模型的具体步骤包括：
S3021： LSTM模型包括输入层、多个LSTM层和输出层，其中，LSTM层用于捕捉序列中的长期依赖关系；
S3022：定义损失函数、优化器和评估指标参数，并进行LSTM模型编译；
S3023：使用训练集对LSTM模型训进行训练，并根据验证集的表现对所述LSTM模型进行调整；
S3024：使用训练好的LSTM模型进行测试集的预测；
S3025：使用评估指标对预测结果进行评估，并根据评估结果对训练好的LSTM模型进行优化，通过Adam优化器调整LSTM模型的超参数，测试调整LSTM模型层数与每层单元数量，选择最佳的LSTM模型的结构配置。
步骤S4：获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
实施例2
如图2所示，本发明实施例还提供一种基于数据融合的电动螺旋压力机寿命预测系统，包括：
采集模块，用于采集电动螺旋压力机关键部件在运行过程中的历史运行数据；
预处理模块，用于对所述历史运行数据进行预处理，生成样本数据集；
具体的，所述预处理模块中对所述历史运行数据进行预处理包括：
识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；
对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；
将所述历史运行数据进行归一化处理；
通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；
具体的，所述通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值具体包括：
对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
训练模块，用于通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；
具体的，所述训练模块中所述预测模型具体包括：
构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；
构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；
将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule-of-Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
具体的，所述构建所述时间序列模型的具体步骤包括：
使用训练集对所述时间序列模型进行训练，并不断调整所述时间序列模型参数以提高性能；
使用验证集对所述时间序列模型进行评估，包括计算损失函数、计算预测误差；
使用测试集对所述时间序列模型进行测试，评估所述时间序列模型的泛化能力和实际效果；
根据所述时间序列模型的评估和测试结果进行优化，选择Adam优化器并采用交叉验证与贝叶斯技术调整超参数如隐藏层大小、学习率、时间步长等，通过迭代调整单元个数等对模型结构进行调整进而提高所述时间序列模型的性能和泛化能力。
具体的，所述构建长短期记忆模型的具体步骤包括：
LSTM模型包括输入层、多个LSTM层和输出层，其中，LSTM层用于捕捉序列中的长期依赖关系；
定义损失函数、优化器和评估指标参数，并进行LSTM模型编译；
使用训练集对LSTM模型训进行训练，并根据验证集的表现对所述LSTM模型进行调整；
使用训练好的LSTM模型进行测试集的预测；
使用评估指标对预测结果进行评估，并根据评估结果对训练好的LSTM模型进行优化，通过Adam优化器调整LSTM模型的超参数，测试调整LSTM模型层数与每层单元数量，选择最佳的LSTM模型的结构配置。
预测模块，用于获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于数据融合的电动螺旋压力机寿命预测方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行一种基于数据融合的电动螺旋压力机寿命预测方法的程序代码。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于数据融合的电动螺旋压力机寿命预测方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种基于数据融合的电动螺旋压力机寿命预测方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于数据融合的电动螺旋压力机寿命预测方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行一种基于数据融合的电动螺旋压力机寿命预测方法。
实施例5
如图3所示，本发明提出一种基于数据融合的电动螺旋压力机寿命预测方法，该方法充分考虑了某关键部件的工作状态、环境因素、负载情况等多维因素，通过软硬件结合的方式对某关键部件的寿命进行预测，提高了预测的准确性和全面性。具体包括：
S101：采集螺旋压力机的某关键部件在生产过程中的运行数据及环境数据；
S102：数据预处理，主要包括：数据清洗、数据平稳化、数据重构、提取数据的特征和数据集的划分；
S103：预测模型构建，采用长短期记忆模型与时间序列模型并行融合建模，并将处理好的样本数据对模型进行训练；
S104：预测模型应用，对训练好的模型部署，用实时数据输入得到剩余寿命等预测结果，根据设定阈值预警。将寿命预测结果输入到一种基于Weibull分布模型风险优化算法的维保算法中，制定动态的某关键部件维护与保养计划；
具体的，所述S101具体包括：
S101：选择电动螺旋压力机的传动系统为研究对象，传动系统包括：电机、飞轮、螺杆、螺母、滑块等；
S102：采集数据的传感器包括：加速度传感器、温度传感器、振动传感器、电流传感器、电压传感器等；
S103：采集器通过OPCUA协议在设备端与PLC进行数据采集，并将数据通过HTTP协议或MQTT协议通讯上传至服务器；
具体的，所述S102中数据预处理的内容具体包括：
S201：数据清洗，去除数据集中的噪声、错误、缺失值和不一致性等问题。这包括识别和处理重复值、缺失值和异常值，以及将不一致的数据进行统一；
S202：数据平稳化，对于非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据，以便于建立时间序列模型；
S203：数据归一化：将数据进行归一化处理，使得不同特征之间的数值范围相同，防止模型训练过程中受到某个特征的影响过大；
S204：数据重构，构建主成分分析与多重填补算法融合算法，填补数据集中的缺失值，以便保证寿命预测模型的输入数据具有相似的特征分布。
S205：数据集划分，将数据集分成训练集、验证集和测试集，用于训练和评估模型的性能。采用的比例为60%的数据作为训练集，20%的数据作为验证集，20%的数据作为测试集；
具体的，所述S204中数据重构的内容具体包括：
S2041：对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
S2042：对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
S2043：检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
具体的，所述S103中寿命预测模型的内容具体包括：
S301：构建时间序列模型，将处理好的数据输入到时间序列模型中，得到对时间序列的结果；
S302：构建长短期记忆模型，同样经过预处理的数据输入到LSTM模型中，得到对时序数据的预测结果；
S303：模型融合，将时间序列模型和长短期记忆模型进行融合。采用Multiply融合方法设计融合层模型，将时间序列模型与LSTM模型的输出在特征维度上相乘，且二者维度相同，在Keras的Functional API中设置multiply()函数将两个模型的输出相乘，采用加权平均法调整模型的贡献度，设定隐藏层大小、时间步长、学习率与损失函数和优化器，使用训练数据对模型进行训练，并根据验证数据集的表现调整参数，避免过拟合，在融合层后面添加输出层，用于输出预测寿命值等目标变量。举例来说，通过时间序列模型对压力机的寿命进行预测，得到一组（t，r）寿命预测数据，其中t是时刻，r是通过时间序列模型得到的寿命预测值，然后再通过LSTM模型对压力机的寿命进行预测，得到一组（t，r’）寿命预测数据，r’是通过LSTM模型得到的寿命预测值，将两个预测值加权平均，能够减少每个模型单独预测时产生的误差，使最终的预测结果更准确。
S304：模型测试，使用测试集对训练好的模型进行测试，评估模型的泛化能力和实际效果；
S305：评估模型，对融合模型进行评估，计算模型的性能指标，如均方误差、平均绝对误差等，以检验模型的准确性；
S306：模型优化：根据评估结果，对模型进行优化，如调整模型的超参数、改进数据预处理方法等；
具体的，所述S301构建时间序列模型的步骤具体包括：
S3011：使用训练集对时间序列模型进行训练，并不断调整模型参数以提高性能；
S3012：模型评估，使用验证集对训练好的模型进行评估，包括计算损失函数、计算预测误差等指标；
S3013：模型测试，使用测试集对训练好的模型进行测试，评估模型的泛化能力和实际效果；
S3014：模型优化，根据模型评估和测试结果不断优化模型，提高模型性能和泛化能力；
具体的，所述S302构建长短期记忆模型的步骤具体包括：
S3021：构建长短期记忆网络模型，LSTM包括输入层、多个LSTM层和输出层。其中LSTM层主要用于捕捉序列中的长期依赖关系；
S3022：模型编译，定义损失函数、优化器和评估指标参数，并进行LSTM模型编译；
S3023：模型训练，使用训练数据进行模型训练，并根据验证集的表现进行模型调整。
S3024：模型预测，使用训练好的LSTM模型进行测试数据的预测。
S3025：使用评估指标对模型预测结果进行评估，并根据评估结果对模型进行优化；
本发明还包括一种基于Weibull分布模型（韦伯分布（Weibull distribution））风险优化算法的维保算法，结合相关维修成本、停机成本、安全性与维保记录等，以寿命预测结果与实时监测数据为输入，建立Weibull分布模型，绘制Weibull分布的生存曲线图，生存曲线反映关键部件在不同寿命下的存活概率。利用最大似然估计法拟合Weibull分布的形状参数和尺度参数，得到Weibull分布的概率密度函数和累积分布函数。进而预测关键部件的风险值与故障率，根据关键部件的风险值、故障率、预测剩余寿命和维修成本、维修时间等因素，采用专家打分法加权得到综合得分，从而制定某关键部件的维保计划，并以Web与App等可视化形式展示给用户，以供用户查看与管理。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅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所述技术方案的全部或部分可以以软件产品的形式体现出来，所述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、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(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。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，包括：
步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；
步骤S2：对所述历史运行数据进行预处理，生成样本数据集；
步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；
其中，S301：构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；
S302：构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；
步骤S4：获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
2.如权利要求1所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S2对所述历史运行数据进行预处理包括：
步骤S201：识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；
步骤S202：对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；
步骤S203：将所述历史运行数据进行归一化处理；
步骤S204：通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；
步骤S205：将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
3.如权利要求2所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S204具体包括：
S2041：对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
S2042：对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
S2043：检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
4.如权利要求1所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S3中所述预测模型具体包括：
S303：将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule-of-Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
5.如权利要求3所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S301构建所述时间序列模型的具体步骤包括：
S3011：使用训练集对所述时间序列模型进行训练，并不断调整所述时间序列模型参数以提高性能；
S3012：使用验证集对所述时间序列模型进行评估，包括计算损失函数、计算预测误差；
S3013：使用测试集对所述时间序列模型进行测试，评估所述时间序列模型的泛化能力和实际效果；
S3014：根据所述时间序列模型的评估和测试结果进行优化，选择Adam优化器并采用交叉验证与贝叶斯技术调整超参数，通过迭代对所述时间序列模型进行调整进而提高所述时间序列模型的性能和泛化能力。
6.如权利要求3所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S302构建长短期记忆模型的具体步骤包括：
S3021： LSTM模型包括输入层、多个LSTM层和输出层，其中，LSTM层用于捕捉序列中的长期依赖关系；
S3022：定义损失函数、优化器和评估指标参数，并进行LSTM模型编译；
S3023：使用训练集对LSTM模型训进行训练，并根据验证集的表现对所述LSTM模型进行调整；
S3024：使用训练好的LSTM模型进行测试集的预测；
S3025：使用评估指标对预测结果进行评估，并根据评估结果对训练好的LSTM模型进行优化，通过Adam优化器调整LSTM模型的超参数，测试调整LSTM模型层数与每层单元数量，选择最佳的LSTM模型的结构配置。
7.一种基于数据融合的电动螺旋压力机寿命预测系统，其特征在于，包括：
采集模块，用于采集电动螺旋压力机关键部件在运行过程中的历史运行数据；
预处理模块，用于对所述历史运行数据进行预处理，生成样本数据集；
训练模块，用于通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；
其中，构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；
构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；
预测模块，用于获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
8.如权利要求7所述的一种基于数据融合的电动螺旋压力机寿命预测系统，其特征在于，所述预处理模块中对所述历史运行数据进行预处理包括：
识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；
对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；
将所述历史运行数据进行归一化处理；
通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；
将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
9.如权利要求7所述的一种基于数据融合的电动螺旋压力机寿命预测系统，其特征在于，所述通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值具体包括：
对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；
对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z-score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；
检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
10.如权利要求7所述的一种基于数据融合的电动螺旋压力机寿命预测系统，其特征在于，所述训练模块中所述预测模型具体包括：
将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule-of-Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753499.2A CN116502544B (zh) | 2023-06-26 | 2023-06-26 | 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310753499.2A CN116502544B (zh) | 2023-06-26 | 2023-06-26 | 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502544A true CN116502544A (zh) | 2023-07-28 |
| CN116502544B CN116502544B (zh) | 2023-09-12 |
Family
ID=87325120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310753499.2A Active CN116502544B (zh) | 2023-06-26 | 2023-06-26 | 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502544B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171590A (zh) * | 2023-11-02 | 2023-12-05 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005048530A1 (de) * | 2005-10-11 | 2007-04-12 | Daimlerchrysler Ag | Verfahren und Anordnung zum Überwachen einer mechanischen Komponente, insbesondere eines Turboladers eines Fahrzeugs |
| CN103324834A (zh) * | 2013-04-07 | 2013-09-25 | 北京航空航天大学 | 一种完全截断数据条件下的机电系统及其关键部件寿命预测方法 |
| CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| CN108090558A (zh) * | 2018-01-03 | 2018-05-29 | 华南理工大学 | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 |
| CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
| CN110413227A (zh) * | 2019-06-22 | 2019-11-05 | 华中科技大学 | 一种硬盘设备的剩余使用寿命在线预测方法和系统 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| WO2020142542A1 (en) * | 2018-12-31 | 2020-07-09 | Sentient Science Corporation | Methods and systems for predicting risk of observable damage in wind turbine gearbox components |
| CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
| WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CN114091347A (zh) * | 2021-11-30 | 2022-02-25 | 贵州航天计量测试技术研究所 | 一种电子元器件寿命预测方法 |
| CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
| CN114707234A (zh) * | 2022-03-03 | 2022-07-05 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
| CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
| CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
| CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
| CN115204362A (zh) * | 2022-06-27 | 2022-10-18 | 中国人民解放军海军工程大学 | 一种机械设备剩余寿命区间预测方法 |
| CN115204038A (zh) * | 2022-06-22 | 2022-10-18 | 湘潭大学 | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 |
| US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
| CN115577637A (zh) * | 2022-10-25 | 2023-01-06 | 北京航空航天大学 | 一种知识和数据融合的电源系统剩余寿命预计方法 |
| CN115587543A (zh) * | 2022-11-04 | 2023-01-10 | 元始智能科技(南通)有限公司 | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 |
| WO2023000985A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 燃料电池的剩余寿命预测方法及装置 |
| CN116204578A (zh) * | 2023-05-06 | 2023-06-02 | 武汉新威奇科技有限公司 | 一种电动螺旋压力机控制数据管理方法、系统及存储介质 |
-
2023
- 2023-06-26 CN CN202310753499.2A patent/CN116502544B/zh active Active
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102005048530A1 (de) * | 2005-10-11 | 2007-04-12 | Daimlerchrysler Ag | Verfahren und Anordnung zum Überwachen einer mechanischen Komponente, insbesondere eines Turboladers eines Fahrzeugs |
| CN103324834A (zh) * | 2013-04-07 | 2013-09-25 | 北京航空航天大学 | 一种完全截断数据条件下的机电系统及其关键部件寿命预测方法 |
| CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
| US20170140278A1 (en) * | 2015-11-18 | 2017-05-18 | Ca, Inc. | Using machine learning to predict big data environment performance |
| CN108090558A (zh) * | 2018-01-03 | 2018-05-29 | 华南理工大学 | 一种基于长短期记忆网络的时间序列缺失值自动填补方法 |
| CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
| US20200210826A1 (en) * | 2018-12-29 | 2020-07-02 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
| WO2020142542A1 (en) * | 2018-12-31 | 2020-07-09 | Sentient Science Corporation | Methods and systems for predicting risk of observable damage in wind turbine gearbox components |
| CN110413227A (zh) * | 2019-06-22 | 2019-11-05 | 华中科技大学 | 一种硬盘设备的剩余使用寿命在线预测方法和系统 |
| WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
| CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
| WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
| CN112765772A (zh) * | 2020-12-25 | 2021-05-07 | 武汉理工大学 | 一种基于数据驱动的动力电池剩余寿命预测方法 |
| CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
| US20230123322A1 (en) * | 2021-04-16 | 2023-04-20 | Strong Force Vcn Portfolio 2019, Llc | Predictive Model Data Stream Prioritization |
| US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
| WO2023000985A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 燃料电池的剩余寿命预测方法及装置 |
| CN114091347A (zh) * | 2021-11-30 | 2022-02-25 | 贵州航天计量测试技术研究所 | 一种电子元器件寿命预测方法 |
| CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| CN114707234A (zh) * | 2022-03-03 | 2022-07-05 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
| CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
| CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
| CN115204038A (zh) * | 2022-06-22 | 2022-10-18 | 湘潭大学 | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 |
| CN115204362A (zh) * | 2022-06-27 | 2022-10-18 | 中国人民解放军海军工程大学 | 一种机械设备剩余寿命区间预测方法 |
| CN115577637A (zh) * | 2022-10-25 | 2023-01-06 | 北京航空航天大学 | 一种知识和数据融合的电源系统剩余寿命预计方法 |
| CN115587543A (zh) * | 2022-11-04 | 2023-01-10 | 元始智能科技(南通)有限公司 | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 |
| CN116204578A (zh) * | 2023-05-06 | 2023-06-02 | 武汉新威奇科技有限公司 | 一种电动螺旋压力机控制数据管理方法、系统及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| TIANFU LI, ZHIBIN ZHAO, CHUANG SUN: "Hierarchical attention graph convolutional network to fuse multi-sensor signals for remaining useful life prediction", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》, vol. 215 * |
| 乔大雷;戴立坤;邹玉娟;: "水面机器人机舱设备预测维护系统研究与设计", 机械设计与制造, no. 06 * |
| 李瑞霞;熊晓红;冯仪;: "电动螺旋压力机自动锻造生产线的研究与应用", 锻压装备与制造技术, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171590A (zh) * | 2023-11-02 | 2023-12-05 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
| CN117171590B (zh) * | 2023-11-02 | 2024-01-26 | 默拓(江苏)电气驱动技术有限公司 | 一种电机智能驱动优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502544B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kundu et al. | Weibull accelerated failure time regression model for remaining useful life prediction of bearing working under multiple operating conditions | |
| Hu et al. | A prediction method for the real-time remaining useful life of wind turbine bearings based on the Wiener process | |
| Medjaher et al. | Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data | |
| EP3361450B1 (en) | Vehicle component failure prevention | |
| CN116502544B (zh) | 一种基于数据融合的电动螺旋压力机寿命预测方法及系统 | |
| CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
| Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
| CN116894539A (zh) | 一种服装生产监测方法、系统及介质 | |
| CN115901263A (zh) | 基于数字孪生的滚动轴承剩余寿命在线预测方法及系统 | |
| CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
| CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
| CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| KR102539448B1 (ko) | 딥러닝 기반 IIoT 설비 이상탐지 방법 | |
| CN111611117B (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
| CN114547969A (zh) | 一种基于emd-mrvr的多应力下电池寿命预测方法 | |
| CN115062674A (zh) | 基于深度学习的刀具排布及换刀方法、设备及存储介质 | |
| CN113051700A (zh) | 设备可靠性监测方法及装置 | |
| CN117708508B (zh) | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 | |
| CN111444581B (zh) | 一种设备运行效率表达式生成方法及相关设备 | |
| CN111445040B (zh) | 设备检修计划择优方法以及相关装置 | |
| CN115879041A (zh) | 一种生产线设备健康状态的评估方法、系统和计算机设备 | |
| CN117869288A (zh) | 轴向柱塞泵健康状态评估预测方法及智能化终端 | |
| CN117664558A (zh) | 发电机齿轮箱异常检测方法、装置、设备及存储介质 |
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 |