CN117009861A - 一种基于深度学习的液压泵马达寿命预测方法和系统 - Google Patents
一种基于深度学习的液压泵马达寿命预测方法和系统 Download PDFInfo
- Publication number
- CN117009861A CN117009861A CN202311287017.5A CN202311287017A CN117009861A CN 117009861 A CN117009861 A CN 117009861A CN 202311287017 A CN202311287017 A CN 202311287017A CN 117009861 A CN117009861 A CN 117009861A
- Authority
- CN
- China
- Prior art keywords
- hydraulic pump
- pump motor
- life prediction
- data
- 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 52
- 238000013135 deep learning Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000011478 gradient descent method Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的液压泵马达寿命预测方法和系统,包括:S1:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值;S2:对异常值检测后的工作数据进行缺失值填充;S3:基于缺失值填充后的液压泵马达的工作数据提取数据特征;S4:利用深度学习方法构建液压泵马达寿命预测网络,并设定液压泵马达寿命预测网络优化目标函数;S5:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数。本发明能够通过深度学习和改进的数据处理技术,提供一种更先进、更精确和更适应性强的液压泵马达寿命预测方法,以满足工业设备维护和生产效率提升的需求。
Description
技术领域
本发明涉及液压泵马达寿命预测的技术领域,尤其涉及一种基于深度学习的液压泵马达寿命预测方法和系统。
背景技术
液压泵马达是工业领域中常见的关键设备之一,用于产生液压动力,驱动液压系统执行各种任务。预测液压泵马达的寿命对于维护、安全性和生产效率至关重要。寿命预测可以帮助企业避免突发故障和生产中断,降低维护成本,并优化设备的使用。为了进行寿命预测,通常需要收集和监测液压泵马达的工作数据。然而,这些数据往往存在质量不佳、缺失值、异常值等问题。传统方法通常使用统计技术来检测异常值,但这些方法对于复杂的工作数据可能不够灵活,容易漏掉一些异常情况,导致数据的不准确性。缺失值的处理是一个关键问题,传统插值方法可能无法处理复杂的工作数据。传统方法在寿命预测方面的准确性有限,难以应对液压泵马达工作条件的多样性和复杂性。
发明内容
有鉴于此,本发明提供一种基于深度学习的液压泵马达寿命预测方法,目的在于通过深度学习和改进的数据处理技术,提供一种更先进、更精确和更适应性强的液压泵马达寿命预测方法,以满足工业设备维护和生产效率提升的需求。
实现上述目的,本发明提供的一种基于深度学习的液压泵马达寿命预测方法,包括以下步骤:
S1:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值;
S2:对异常值检测后的工作数据进行缺失值填充;
S3:基于缺失值填充后的液压泵马达的工作数据提取数据特征;
S4:利用深度学习方法构建液压泵马达寿命预测网络,并设定液压泵马达寿命预测网络优化目标函数;
S5:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数;
作为本发明的进一步改进方法:
可选地,所述S1步骤中收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值,包括:
收集液压泵马达的工作数据,所述工作数据包括液压泵马达运行时的温度、压力、流量、噪音、扭矩转速,在时刻收集到的第/>类液压泵马达工作数据/>表示为:
;
其中,,/>,/>,/>和/>分别表示第/>类液压泵马达在/>时刻运行时的温度、压力、流量、噪音、扭矩转速;/>,/>表示工作数据收集时总时刻数目;/>,/>表示液压泵马达类别的数目,液压泵马达的类别根据液压泵马达预估剩余寿命进行划分;
对工作数据进行异常值检测,所述异常值检测的计算公式为:
;
其中,为数据点/>的异常因子;/>函数获得数据点/>的/>邻近集合;/>为使用/>获得的数据点/>的/>邻近集合中的元素;/>和/>分别为/>和/>根据其邻近数据点的可达距离,计算方式为:
;
其中,函数获得数据点/>的/>邻近集合;/>为使用获得的数据点/>的/>邻近集合中的元素;/>返回输入值中的最大值;
若,则数据点/>为异常数据,直接删去,否则对数据点/>进行保留,获得异常值检测后的工作数据;
可选地,所述S2步骤中对异常值检测后的工作数据进行缺失值填充,包括:
使用填充算法计算填充值,用于替换异常值检测后的工作数据中存在的缺失值,所述填充算法的计算流程为:
S21:计算缺失值邻近未缺失工作数据的径向基函数值:
缺失值邻近未缺失工作数据的径向基函数值的计算方式为:
;
其中,表示缺失值所在的时刻;/>表示缺失值邻近未缺失工作数据的时刻;/>为径向基函数参数;/>表示自然常数;
S22:构建线性模型:
;
其中,表示在/>时刻收集到的第/>类液压泵马达工作数据;/>为线性模型权重;/>表示缺失值邻近未缺失工作数据时刻集合;
求解线性模型获得线性模型权重值;
S23:缺失值填充:
对于每个缺失值的时刻,计算它与邻近未缺失工作数据时刻/>的距离,并获得缺失值,计算公式如下:
;
其中,表示在/>时刻填充得到的第/>类液压泵马达工作数据;
对所有缺失值进行填充,获得缺失值填充后的液压泵马达的工作数据;
可选地,所述S3步骤中基于缺失值填充后的液压泵马达的工作数据提取数据特征,包括:
基于缺失值填充后的第类液压泵马达的工作数据提取数据特征,所述特征包括均值/>,峰值/>,整流平均值/>,标准差/>,波形因子/>和峭度/>,计算方式分别为:
;
;
;
;
;
;
其中,,/>表示从缺失值填充后的液压泵马达的工作数据中随机提取出的片段长度;/>表示在/>时刻缺失值填充后的第/>类液压泵马达工作数据;
可选地,所述S4步骤中利用深度学习方法构建液压泵马达寿命预测网络,并设定液压泵马达寿命预测网络优化目标函数,包括:
利用深度学习方法中的循环神经网络,构建液压泵马达寿命预测网络,输入缺失值填充后的液压泵马达的工作数据和相应的数据特征,对液压泵马达寿命进行预测,所述液压泵马达寿命预测网络的计算流程为:
S41:初始化隐层状态:
在液压泵马达寿命预测网络的时间步时,初始化隐层状态/>为零向量;
S42:计算隐层状态:
;
其中,表示液压泵马达寿命预测网络;/>和/>分别是时间步/>和的隐层状态;/>是时间步/>输入至液压泵马达寿命预测网络的数据;
的表达式为/>;,/>表示输入至液压泵马达寿命预测网络的数据的长度,且/>;表示在/>时刻缺失值填充后的第/>类液压泵马达工作数据;/>和/>表示液压泵马达寿命预测网络隐层的参数;
S43:计算液压泵马达寿命预测结果:
计算液压泵马达寿命预测网络的输出:
;
其中,和/>为液压泵马达寿命预测网络输出层的参数;/>为时间步/>的隐层状态;
将液压泵马达寿命预测网络的输出转化为寿命预测结果属于不同类别液压泵马达的概率,所述转化的计算公式为:
;
其中,表示液压泵马达寿命预测网络根据输入的数据预测该液压泵马达属于第/>类液压泵马达的概率;/>;/>和/>分别表示液压泵马达寿命预测网络的输出的第/>个和第/>个元素;
S44:设定液压泵马达寿命预测网络需要优化的目标函数:
;
;
其中,表示液压泵马达寿命预测网络第/>次迭代后的参数,/>表示迭代次数,/>;/>表示使用/>作为液压泵马达寿命预测网络的参数时的目标函数值;
可选地,所述S5步骤中基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数,包括:
基于改进的梯度下降方法优化构建的液压泵马达寿命预测网络的参数,所述改进的梯度下降方法的计算方式为:
;
其中,表示液压泵马达寿命预测网络第/>次迭代后的参数;/>为液压泵马达寿命预测网络的学习率;/>表示目标函数关于/>的偏导;/>为每次参数更新时生成的0到1之间的随机数;/>为更新概率,计算方式为:
;
其中,为控制权重;/>表示使用/>作为液压泵马达寿命预测网络的参数时的目标函数值;
本发明还公开了一种基于深度学习的液压泵马达寿命预测系统,包括:
异常值删除模块:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值;
缺失值填充模块:对异常值检测后的工作数据进行缺失值填充;
特征提取模块:基于缺失值填充后的液压泵马达的工作数据提取数据特征;
网络构建模块:利用深度学习方法构建液压泵马达寿命预测网络;
网络参数优化模块:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数;
有益效果
异常值检测和缺失值填充的改进方法有助于提高工作数据的质量。通过更精确地检测异常值和填充缺失值,减少了数据中的噪声,使得模型更可靠。
通过采用深度学习方法,本发明可以更准确地预测液压泵马达的寿命。深度学习模型可以自动捕捉数据中的复杂关系和模式,提高了寿命预测的准确性。
本发明采用深度学习方法,可以更准确地预测液压泵马达的寿命。深度学习模型能够处理复杂的时序数据,捕捉数据中的隐含规律,因此寿命预测的准确性得到显著提高。
预测液压泵马达的寿命可以帮助企业进行定期维护,减少了突发故障的风险,从而降低了维护成本和生产中断的损失。
通过提前预测设备的寿命,企业可以更有效地安排维护计划,最大程度地减少停机时间,提高了生产效率。
附图说明
图1为本发明一实施例的一种基于深度学习的液压泵马达寿命预测方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
实施例1:一种基于深度学习的液压泵马达寿命预测方法,如图1所示,包括以下步骤:
S1:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值:
收集液压泵马达的工作数据,所述工作数据包括液压泵马达运行时的温度、压力、流量、噪音、扭矩转速,在时刻收集到的第/>类液压泵马达工作数据/>表示为:
;
其中,,/>,/>,/>和/>分别表示第/>类液压泵马达在/>时刻运行时的温度、压力、流量、噪音、扭矩转速;/>,/>表示工作数据收集时总时刻数目,本实施例中,/>;/>,/>表示液压泵马达类别的数目,液压泵马达的类别根据液压泵马达预估剩余寿命进行划分,预估剩余寿命为额定使用时限减去已使用时间,本实施例中,/>,/>分别表示液压泵马达预估剩余寿命<1年,1~2年,2~3年,3~4年,4~5年和>5年;
对工作数据进行异常值检测,所述异常值检测的计算公式为:
;
其中,为数据点/>的异常因子;/>函数获得数据点/>的/>邻近集合;/>为使用/>获得的数据点/>的/>邻近集合中的元素;/>和/>分别为/>和/>根据其邻近数据点的可达距离,计算方式为:
;
其中,函数获得数据点/>的/>邻近集合;/>为使用获得的数据点/>的/>邻近集合中的元素,本实施例中/>;返回输入值中的最大值;
若,则数据点/>为异常数据,直接删去,否则对数据点/>进行保留,获得异常值检测后的工作数据;
异常值是不符合正常工作模式的数据点,可能是由于传感器故障、设备问题或其他异常原因导致的。通过删除这些异常值,可以提高工作数据的质量,确保数据集更加干净和可靠。异常值可能对分析和建模产生不利影响,导致不准确的结果。通过排除这些异常值,可以确保数据分析和模型构建过程更加准确和可信。 异常值可能导致深度学习模型的不稳定性,使模型对异常数据点过于敏感。通过剔除异常值,模型的稳定性得到改善,可以更好地应对正常工作数据的变化。
S2:对异常值检测后的工作数据进行缺失值填充:
使用填充算法计算填充值,用于替换异常值检测后的工作数据中存在的缺失值,所述填充算法的计算流程为:
S21:计算缺失值邻近未缺失工作数据的径向基函数值:
缺失值邻近未缺失工作数据的径向基函数值的计算方式为:
;
其中,表示缺失值所在的时刻;/>表示缺失值邻近未缺失工作数据的时刻;/>为径向基函数参数,本实施例中/>;/>表示自然常数;
S22:构建线性模型:
;
其中,表示在/>时刻收集到的第/>类液压泵马达工作数据;/>为线性模型权重;/>表示缺失值邻近未缺失工作数据时刻集合;
求解线性模型获得线性模型权重值;
S23:缺失值填充:
对于每个缺失值的时刻,计算它与邻近未缺失工作数据时刻/>的距离,并获得缺失值,计算公式如下:
;
其中,表示在/>时刻填充得到的第/>类液压泵马达工作数据;
对所有缺失值进行填充,获得缺失值填充后的液压泵马达的工作数据;
异常值检测步骤通常会剔除异常值,但这可能会导致数据的缺失。通过进行缺失值填充,可以恢复数据的完整性,确保数据集包含足够的样本以进行后续的分析和建模。缺失值通常包含有用的信息,删除缺失值可能导致信息丢失。通过填充缺失值,可以最大限度地利用现有数据,提高数据的可用性。
S3:基于缺失值填充后的液压泵马达的工作数据提取数据特征:
基于缺失值填充后的第类液压泵马达的工作数据提取数据特征,所述特征包括均值/>,峰值/>,整流平均值/>,标准差/>,波形因子/>和峭度/>,计算方式分别为:
;
;
;
;
;
;
其中,,/>表示从缺失值填充后的液压泵马达的工作数据中随机提取出的片段长度;本实施例中,/>;/>表示在/>时刻缺失值填充后的第/>类液压泵马达工作数据;
数据统计特征可以从填充后的完整数据中提取各种有关工作数据的信息,包括中心趋势、分布、变异性等。这些特征丰富了数据的表达能力,可以更好地反映液压泵马达的工作状态。数据统计特征可以有助于降低模型的过拟合风险,因为它们对原始数据进行了抽象和汇总,减少了噪声的影响,从而提高了模型的泛化能力。
S4:利用深度学习方法构建液压泵马达寿命预测网络,并设定液压泵马达寿命预测网络优化目标函数:
利用深度学习方法中的循环神经网络,构建液压泵马达寿命预测网络,输入缺失值填充后的液压泵马达的工作数据和相应的数据特征,对液压泵马达寿命进行预测,所述液压泵马达寿命预测网络的计算流程为:
S41:初始化隐层状态:
在液压泵马达寿命预测网络的时间步时,初始化隐层状态/>为零向量;
S42:计算隐层状态:
;
其中,表示液压泵马达寿命预测网络;/>和/>分别是时间步/>和的隐层状态;/>是时间步/>输入至液压泵马达寿命预测网络的数据;
的表达式为/>;,/>表示输入至液压泵马达寿命预测网络的数据的长度,且/>;表示在/>时刻缺失值填充后的第/>类液压泵马达工作数据;/>和/>表示液压泵马达寿命预测网络隐层的参数;
S43:计算液压泵马达寿命预测结果:
计算液压泵马达寿命预测网络的输出:
;
其中,和/>为液压泵马达寿命预测网络输出层的参数;/>为时间步/>的隐层状态;
将液压泵马达寿命预测网络的输出转化为寿命预测结果属于不同类别液压泵马达的概率,所述转化的计算公式为:
;
其中,表示液压泵马达寿命预测网络根据输入的数据预测该液压泵马达属于第/>类液压泵马达的概率;/>;/>和/>分别表示液压泵马达寿命预测网络的输出的第/>个和第/>个元素;
S44:设定液压泵马达寿命预测网络需要优化的目标函数:
;
;
其中,表示液压泵马达寿命预测网络第/>次迭代后的参数,/>表示迭代次数,/>;/>表示使用/>作为液压泵马达寿命预测网络的参数时的目标函数值;
深度学习模型能够自动捕捉数据中的非线性关系和复杂模式。构建深度学习模型可以更好地拟合工作数据中的各种复杂特征,使模型能够更准确地预测液压泵马达的寿命。 深度学习模型可以构建多层次的数据表示,从低级特征到高级抽象特征,逐步提高对数据的理解。这有助于更好地理解液压泵马达的工作数据,从而提高预测的准确性。
本发明将寿命预测的回归问题转化为分类问题,使得问题更容易理解和解决。在分类问题中,目标是将数据分为不同的类别,而不需要预测连续数值。这可以减小问题的复杂性,使问题更容易处理。分类问题通常使用分类器来进行预测,而回归问题可能需要更复杂的回归模型。分类器通常更容易训练和理解,不需要处理连续数值的输出。
S5:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数:
基于改进的梯度下降方法优化构建的液压泵马达寿命预测网络的参数,所述改进的梯度下降方法的计算方式为:
;
其中,表示液压泵马达寿命预测网络第/>次迭代后的参数;/>为液压泵马达寿命预测网络的学习率,本实施例中/>;/>表示目标函数关于/>的偏导;/>为每次参数更新时生成的0到1之间的随机数;/>为更新概率,计算方式为:
;
其中,为控制权重,本实施例中/>;/>表示使用/>作为液压泵马达寿命预测网络的参数时的目标函数值;
实施例2:本发明还公开了一种基于深度学习的液压泵马达寿命预测系统,包括以下五个模块:
异常值删除模块:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值;
缺失值填充模块:对异常值检测后的工作数据进行缺失值填充;
特征提取模块:基于缺失值填充后的液压泵马达的工作数据提取数据特征;
网络构建模块:利用深度学习方法构建液压泵马达寿命预测网络;
网络参数优化模块:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数;
需要说明的是,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。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于深度学习的液压泵马达寿命预测方法,其特征在于,包括以下步骤:
S1:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值;
S2:对异常值检测后的工作数据进行缺失值填充;
S3:基于缺失值填充后的液压泵马达的工作数据提取数据特征;
S4:利用深度学习方法构建液压泵马达寿命预测网络,并设定液压泵马达寿命预测网络优化目标函数;
S5:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数。
2.根据权利要求1所述的基于深度学习的液压泵马达寿命预测方法,其特征在于,所述步骤S1中,包括以下步骤:
收集液压泵马达的工作数据,所述工作数据包括液压泵马达运行时的温度、压力、流量、噪音、扭矩转速,在时刻收集到的第/>类液压泵马达工作数据/>表示为:
;
其中,,/>,/>,/>和/>分别表示第/>类液压泵马达在/>时刻运行时的温度、压力、流量、噪音、扭矩转速;/>,/>表示工作数据收集时总时刻数目;/>,/>表示液压泵马达类别的数目,液压泵马达的类别根据液压泵马达预估剩余寿命进行划分;
对工作数据进行异常值检测,所述异常值检测的计算公式为:
;
其中,为数据点/>的异常因子;/>函数获得数据点的/>邻近集合;/>为使用/>获得的数据点/>的/>邻近集合中的元素;/>和/>分别为/>和/>根据其/>邻近数据点的可达距离,计算方式为:
;
其中,函数获得数据点/>的/>邻近集合;/>为使用获得的数据点/>的/>邻近集合中的元素;/>返回输入值中的最大值;
若,则数据点/>为异常数据,直接删去,否则对数据点/>进行保留,获得异常值检测后的工作数据。
3.根据权利要求2所述的基于深度学习的液压泵马达寿命预测方法,其特征在于,所述步骤S2中,包括以下步骤:
使用填充算法计算填充值,用于替换异常值检测后的工作数据中存在的缺失值,所述填充算法的计算流程为:
S21:计算缺失值邻近未缺失工作数据的径向基函数值:
缺失值邻近未缺失工作数据的径向基函数值的计算方式为:
;
其中,表示缺失值所在的时刻;/>表示缺失值邻近未缺失工作数据的时刻;/>为径向基函数参数;/>表示自然常数;
S22:构建线性模型:
;
其中,表示在/>时刻收集到的第/>类液压泵马达工作数据;/>为线性模型权重;/>表示缺失值邻近未缺失工作数据时刻集合;
求解线性模型获得线性模型权重值;
S23:缺失值填充:
对于每个缺失值的时刻,计算它与邻近未缺失工作数据时刻/>的距离,并获得缺失值,计算公式如下:
;
其中,表示在/>时刻填充得到的第/>类液压泵马达工作数据;
对所有缺失值进行填充,获得缺失值填充后的液压泵马达的工作数据。
4.根据权利要求3所述的基于深度学习的液压泵马达寿命预测方法,其特征在于,所述步骤S3中,包括以下步骤:
基于缺失值填充后的第类液压泵马达的工作数据提取数据特征,所述特征包括均值,峰值/>,整流平均值/>,标准差/>,波形因子/>和峭度/>,计算方式分别为:
;
;
;
;
;
;
其中,,/>表示从缺失值填充后的液压泵马达的工作数据中随机提取出的片段长度;/>表示在/>时刻缺失值填充后的第/>类液压泵马达工作数据。
5.根据权利要求4所述的基于深度学习的液压泵马达寿命预测方法,其特征在于,所述步骤S4中,包括以下步骤:
利用深度学习方法中的循环神经网络,构建液压泵马达寿命预测网络,输入缺失值填充后的液压泵马达的工作数据和相应的数据特征,对液压泵马达寿命进行预测,所述液压泵马达寿命预测网络的计算流程为:
S41:初始化隐层状态:
在液压泵马达寿命预测网络的时间步时,初始化隐层状态/>为零向量;
S42:计算隐层状态:
;
其中,表示液压泵马达寿命预测网络;/>和/>分别是时间步/>和/>的隐层状态;/>是时间步/>输入至液压泵马达寿命预测网络的数据;
的表达式为/>;/>,/>表示输入至液压泵马达寿命预测网络的数据的长度,且/>;/>表示在/>时刻缺失值填充后的第/>类液压泵马达工作数据;/>和/>表示液压泵马达寿命预测网络隐层的参数;
S43:计算液压泵马达寿命预测结果:
计算液压泵马达寿命预测网络的输出:
;
其中,和/>为液压泵马达寿命预测网络输出层的参数;/>为时间步/>的隐层状态;
将液压泵马达寿命预测网络的输出转化为寿命预测结果属于不同类别液压泵马达的概率,所述转化的计算公式为:
;
其中,表示液压泵马达寿命预测网络根据输入的数据预测该液压泵马达属于第类液压泵马达的概率;/>;/>和/>分别表示液压泵马达寿命预测网络的输出的第/>个和第/>个元素;
S44:设定液压泵马达寿命预测网络需要优化的目标函数:
;
;
其中,表示液压泵马达寿命预测网络第/>次迭代后的参数,/>表示迭代次数,;/>表示使用/>作为液压泵马达寿命预测网络的参数时的目标函数值。
6.根据权利要求5所述的基于深度学习的液压泵马达寿命预测方法,其特征在于,所述步骤S5中,包括以下步骤:
基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数,所述改进的梯度下降方法的计算方式为:
;
其中,表示液压泵马达寿命预测网络第/>次迭代后的参数;/>为液压泵马达寿命预测网络的学习率;/>表示目标函数关于/>的偏导;/>为每次参数更新时生成的0到1之间的随机数;/>为更新概率,计算方式为:
;
其中,为控制权重;/>表示使用/>作为液压泵马达寿命预测网络的参数时的目标函数值。
7.一种基于深度学习的液压泵马达寿命预测系统,其特征在于,包括:
异常值删除模块:收集液压泵马达的工作数据,并使用异常值检测方法删去工作数据中的异常值;
缺失值填充模块:对异常值检测后的工作数据进行缺失值填充;
特征提取模块:基于缺失值填充后的液压泵马达的工作数据提取数据特征;
网络构建模块:利用深度学习方法构建液压泵马达寿命预测网络;
网络参数优化模块:基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数;
以实现如权利要求1-6任意一项所述的一种基于深度学习的液压泵马达寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287017.5A CN117009861B (zh) | 2023-10-08 | 2023-10-08 | 一种基于深度学习的液压泵马达寿命预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287017.5A CN117009861B (zh) | 2023-10-08 | 2023-10-08 | 一种基于深度学习的液压泵马达寿命预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009861A true CN117009861A (zh) | 2023-11-07 |
CN117009861B CN117009861B (zh) | 2023-12-15 |
Family
ID=88573086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287017.5A Active CN117009861B (zh) | 2023-10-08 | 2023-10-08 | 一种基于深度学习的液压泵马达寿命预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009861B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117738969A (zh) * | 2023-12-06 | 2024-03-22 | 中国北方车辆研究所 | 一种斜轴式轴向柱塞液压马达加速试验方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3407267A1 (en) * | 2017-05-25 | 2018-11-28 | Hitachi, Ltd. | Deep learning network architecture optimization for uncertainty estimation in regression |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN112257333A (zh) * | 2020-09-24 | 2021-01-22 | 浙江工业大学 | 一种基于深度学习的机械设备内部组件寿命预测方法 |
KR102229638B1 (ko) * | 2019-10-31 | 2021-03-18 | 한국철도기술연구원 | 고장 예측 장치 및 방법 |
CN112560327A (zh) * | 2020-11-13 | 2021-03-26 | 盐城工学院 | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 |
CN112610564A (zh) * | 2020-11-09 | 2021-04-06 | 上海中联重科桩工机械有限公司 | 液压马达的监测系统和维护系统、及车辆 |
CN112784501A (zh) * | 2021-03-23 | 2021-05-11 | 中国核电工程有限公司 | 一种设备的剩余寿命预测模型建模系统及方法、预测系统 |
CN113570138A (zh) * | 2021-07-28 | 2021-10-29 | 朗坤智慧科技股份有限公司 | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 |
CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
US20220128988A1 (en) * | 2019-02-18 | 2022-04-28 | Nec Corporation | Learning apparatus and method, prediction apparatus and method, and computer readable medium |
CN115018153A (zh) * | 2022-06-02 | 2022-09-06 | 上海中联重科桩工机械有限公司 | 卷扬故障预警及寿命预测方法、终端及计算机存储介质 |
US20230153608A1 (en) * | 2021-11-15 | 2023-05-18 | East China Jiaotong University | Method for predicting remaining useful life of railway train bearing based on can-lstm |
CN116359773A (zh) * | 2023-02-27 | 2023-06-30 | 国网河南省电力公司濮阳供电公司 | 一种锂离子电池剩余寿命预测方法及系统 |
-
2023
- 2023-10-08 CN CN202311287017.5A patent/CN117009861B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3407267A1 (en) * | 2017-05-25 | 2018-11-28 | Hitachi, Ltd. | Deep learning network architecture optimization for uncertainty estimation in regression |
US20220128988A1 (en) * | 2019-02-18 | 2022-04-28 | Nec Corporation | Learning apparatus and method, prediction apparatus and method, and computer readable medium |
KR102229638B1 (ko) * | 2019-10-31 | 2021-03-18 | 한국철도기술연구원 | 고장 예측 장치 및 방법 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN112257333A (zh) * | 2020-09-24 | 2021-01-22 | 浙江工业大学 | 一种基于深度学习的机械设备内部组件寿命预测方法 |
CN112610564A (zh) * | 2020-11-09 | 2021-04-06 | 上海中联重科桩工机械有限公司 | 液压马达的监测系统和维护系统、及车辆 |
CN112560327A (zh) * | 2020-11-13 | 2021-03-26 | 盐城工学院 | 一种基于深度梯度下降森林的轴承剩余寿命预测方法 |
CN112784501A (zh) * | 2021-03-23 | 2021-05-11 | 中国核电工程有限公司 | 一种设备的剩余寿命预测模型建模系统及方法、预测系统 |
CN113570138A (zh) * | 2021-07-28 | 2021-10-29 | 朗坤智慧科技股份有限公司 | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 |
CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
US20230153608A1 (en) * | 2021-11-15 | 2023-05-18 | East China Jiaotong University | Method for predicting remaining useful life of railway train bearing based on can-lstm |
CN115018153A (zh) * | 2022-06-02 | 2022-09-06 | 上海中联重科桩工机械有限公司 | 卷扬故障预警及寿命预测方法、终端及计算机存储介质 |
CN116359773A (zh) * | 2023-02-27 | 2023-06-30 | 国网河南省电力公司濮阳供电公司 | 一种锂离子电池剩余寿命预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117738969A (zh) * | 2023-12-06 | 2024-03-22 | 中国北方车辆研究所 | 一种斜轴式轴向柱塞液压马达加速试验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117009861B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
Rezamand et al. | Critical wind turbine components prognostics: A comprehensive review | |
AU2024201565B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
CN108875784B (zh) | 用于工业中的性能指标的基于数据的优化的方法和系统 | |
CN117009861B (zh) | 一种基于深度学习的液压泵马达寿命预测方法和系统 | |
CN111160687B (zh) | 主动资产监控 | |
CN112052979A (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
JP2013025367A (ja) | 設備状態監視方法およびその装置 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
US12038738B2 (en) | Method and system for monitoring and optimizing the operation of an alumina rotary kiln | |
CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
CN117930815A (zh) | 一种基于云平台的风电机组远程故障诊断方法及系统 | |
Huang et al. | Reliable machine prognostic health management in the presence of missing data | |
CN117952439A (zh) | 道路施工环境影响智能预测方法及系统 | |
Huang et al. | An adversarial learning approach for machine prognostic health management | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
JP2018013914A (ja) | 設備監視装置及び設備監視方法 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
Fernandez-Anakabe et al. | An attribute oriented induction based methodology for data driven predictive maintenance | |
Bellini et al. | A deep learning approach for short term prediction of industrial plant working status |
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 |