CN117272118B - 一种t/r组件健康状态预测方法、系统、设备和介质 - Google Patents
一种t/r组件健康状态预测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN117272118B CN117272118B CN202311537133.8A CN202311537133A CN117272118B CN 117272118 B CN117272118 B CN 117272118B CN 202311537133 A CN202311537133 A CN 202311537133A CN 117272118 B CN117272118 B CN 117272118B
- Authority
- CN
- China
- Prior art keywords
- health
- evaluation parameter
- data
- parameter set
- score value
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000003862 health status Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 57
- 230000015654 memory Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 6
- 230000010363 phase shift Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract 1
- 239000000306 component Substances 0.000 description 90
- 230000007246 mechanism Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了T/R组件健康状态预测方法、系统、设备和介质,旨在解决相关技术对T/R组件进行健康状态预测效率较低的问题。所述方法包括:获取并基于T/R组件的目标评价参数集,获得定量化参数集;构建获得集成学习模型和神经网络模型;使用训练数据集对上述两种模型进行训练,再将待预测的T/R组件时间序列数据集输入至训练完成的集成学习模型和神经网络模型中,获得第一健康分数值和第二健康分数值;基于第一健康分数值和第二健康分数值,获得健康状态目标预测值。通过本申请所述方法对T/R组件状态健康状态进行预测,能够实现设备异常状态的快速检测、健康状态变化的准确预测。
Description
技术领域
本申请涉及健康状态监测技术领域,尤其涉及一种T/R组件健康状态预测方法、系统、设备和介质。
背景技术
T/R组件作为相控阵测控系统的核心部件,其数量规模达到上千个,在运行过程中,有时候T/R组件会出现故障。当T/R组件逐渐退化或者出现故障时,会影响整个系统的探测性能。因此,对T/R组件进行及时准确地检测和评估,有助于综合了解设备的健康状态,为系统保持良好地工作提供监测作用。
但现有的设备健康评估与预测技术主要采用基于传统机理的评估和预测算法,对于机械类装备应用效果较好,针对T/R组件这种具备阶跃、突变特性的电子设备效果却不是很理想;同时影响T/R组件健康状态的因素多、机理复杂,目前还没有一套完善、精准的组件健康状态变化预测模型。目前,基于传统机理的健康评估和预测方法主要基于设备单项状态量的阈值监测,针对不同的设备缺乏统一的计算标准,分析结果存在针对不同设备的缺乏普适性和具有一定的片面性。
因此,亟需一种高预测效率的T/R组件健康状态预测方法。
发明内容
本申请提供了一种T/R组件健康状态预测方法、系统、设备和介质,至少解决了相关技术对T/R组件进行健康状态预测的效率较低的问题。
为解决上述技术问题,本申请实施例提供了:一种T/R组件健康状态预测方法,包括以下步骤:
获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据;所述历史运行数据包括健康状态的历史运行数据、亚健康状态的历史运行数据和损坏状态的历史运行数据;所述目标评价参数集包括发射通道评价参数集、接收通道评价参数集和收/发公用部分评价参数集;
基于所述目标评价参数集,获得定量化参数集;
基于XgBoost算法构建获得初始第一Boosting集成学习预测模型,并基于训练数据集训练后获得第一Boosting集成学习预测模型;基于CatBoost算法构建获得初始第二Boosting集成学习预测模型,并基于训练数据集训练后获得第二Boosting集成学习预测模型;将所述第一Boosting集成学习预测模型和所述第二Boosting集成学习预测模型进行模型融合,获得Xg-Cat-Boost-RG集成学习模型;基于长短期记忆神经网络算法构建获得初始LSTM-RG神经网络模型,并基于训练数据集训练后获得LSTM-RG神经网络模型;
获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值;将所述时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值;
基于所述第一健康分数值和所述第二健康分数值,获得健康状态目标预测值。
作为本申请一些可选实施方式,所述将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值,包括:
将所述数据集输入至所述第一Boosting集成学习预测模型,以获得第一分数值;
将所述数据集输入至所述第二Boosting集成学习预测模型,以获得第二分数值;
将所述第一分数值和所述第二分数值进行加权求和,获得第一健康分数值。
作为本申请一些可选实施方式,所述基于所述目标评价参数集,获得定量化参数集,包括:
对所述目标评价参数集中的各目标评价参数进行赋权值处理,获得各目标评价参数的权重值;基于所述目标评价参数集和各所述目标评价参数的权重值,获得定量化参数集。
作为本申请一些可选实施方式,所述训练数据集包括T/R组件的历史运行样本数据集;所述历史运行样本数据集包括T/R样本组件的样本评价参数集以及所述样本评价参数集的历史运行样本数据;所述历史运行样本数据包括健康状态的历史运行样本数据、亚健康状态的历史运行样本数据和损坏状态的历史运行样本数据。
作为本申请一些可选实施方式,所述训练数据集还包括所述样本评价参数集中各样本评价参数的健康分数值;所述健康分数值为基于所述样本评价参数集中各样本评价参数的历史运行样本数据计算获得的。
作为本申请一些可选实施方式,所述发射通道评价参数集包括:发射通道输出功率、输出功率带内平坦度、发射通道增益、发射通道驻波比、发射通道杂散和发射通道谐波;所述接收通道评价参数集包括:接收通道增益、接收通道端口驻波比、接收通道噪声系数和1dB 压缩点;所述收/发公用部分评价参数集包括:环流器隔离度、收发转换时间和移相置位时间。
作为本申请一些可选实施方式,所述基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值,包括:
求得所述第一健康分数值与所述第二健康分数值的平均值,并将所述平均值作为健康状态目标预测值。
再一方面,本申请实施例提供了一种T/R组件健康状态预测系统,包括:
数据获取模块,用于获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据;所述历史运行数据包括健康状态的历史运行数据、亚健康状态的历史运行数据和损坏状态的历史运行数据;所述目标评价参数集包括发射通道评价参数集、接收通道评价参数集和收/发公用部分评价参数集;
定量模块,用于基于所述目标评价参数集,获得定量化参数集;
模型构建和模型训练模块,用于基于XgBoost算法构建获得初始第一Boosting集成学习预测模型,并基于训练数据集训练后获得第一Boosting集成学习预测模型;基于CatBoost算法构建获得初始第二Boosting集成学习预测模型,并基于训练数据集训练后获得第二Boosting集成学习预测模型;将所述第一Boosting集成学习预测模型和所述第二Boosting集成学习预测模型进行模型融合,获得Xg-Cat-Boost-RG集成学习模型;基于长短期记忆神经网络算法构建获得初始LSTM-RG神经网络模型,并基于训练数据集训练后获得LSTM-RG神经网络模型;
模型预测模块,用于获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值;将所述时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值;
输出模块,用于基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值。
再一方面,本申请实施例提供了一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现上述方法。
再一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现上述方法。
与现有技术相比,本申请提供的T/R组件健康状态预测方法在获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据之后;基于所述目标评价参数集,获得定量化参数集;并基于XgBoost算法和CatBoost算法构建并融合获得Xg-Cat-Boost-RG集成学习模型;再基于长短期记忆神经网络算法构建获得LSTM-RG神经网络模型;并分别基于训练数据集对上述模型进行训练后;获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值;将所述时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值;基于所述第一健康分数值和所述第二健康分数值,获得健康状态目标预测值。可以看出,本申请实施例为解决现有技术中使用单一的基于传统机理算法对设备健康状态预测不够精准的问题,同时针对T/R组件监测参数多、状态特征难以提取、设备机理复杂的问题,通过机器学习和深度学习技术分析大量设备实际的运行数据,筛选得到影响T/R组件性能的关键参数,建立组件健康状态指标体系,基于设备历史数据、集成学习和深度学习技术训练了高效的T/R组件健康状态预测算法模型,通过该方法对T/R组件状态健康状态进行预测,能够实现设备异常状态的快速检测、健康状态变化的准确预测,从而全面、及时、准确地掌握T/R组件的健康状态。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单的介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本申请中涉及的硬件运行环境的计算机设备结构示意图;
图2为本申请中T/R组件健康状态预测方法的流程示意图;
图3为本申请中涉及的一种健康状态变化预测任务表示意图;
图4为本申请中涉及的一种场景中健康状态预测算法结果示意图;
图5为本申请中涉及的T/R组件健康状态预测系统的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
在本申请中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
参照图1,图1为本实施例方案涉及的硬件运行环境的计算机设备结构示意图,如图1所示,该计算机设备可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电子程序,还可以包括数据存储模块。
在图1所示的计算机设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本实施例计算机设备中的处理器1001、存储器1005可以设置在计算机设备中,计算机设备通过处理器1001调用存储器1005中存储的T/R组件健康状态预测系统,并执行本实施例提供的T/R组件健康状态预测方法。
需要说明的是,上述计算机设备可为外接的可独立运行的硬件设备,也可为基于上述系统内部本身自带的硬件设备。
本申请针对基于传统机理的健康状态预测算法面临的设备底层机理复杂、效率较低、不具有普适性等问题,采用一种融合集成学习和深度学习的算法,构建了一套T/R组件健康状态预测算法,基于机器学习技术解决了T/R组件健康状态影响机理复杂、影响特征不易提取,设备未来健康状态变化预测难度大的问题,以提高预测效率。
参照图2,基于前述硬件环境,本实施例还提供一种T/R组件健康状态预测方法,包括以下步骤:
步骤S10、获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据;所述历史运行数据包括健康状态的历史运行数据、亚健康状态的历史运行数据和损坏状态的历史运行数据;所述目标评价参数集包括发射通道评价参数集、接收通道评价参数集和收/发公用部分评价参数集。
在实际应用场景中,上述目标评价参数集是基于对大量T/R设备实际运行数据的分析后确定的作为评估T/R组件健康状态的核心参数。具体来说,所述发射通道评价参数集包括:发射通道输出功率、输出功率带内平坦度、发射通道增益、发射通道驻波比、发射通道杂散和发射通道谐波;所述接收通道评价参数集包括:接收通道增益、接收通道端口驻波比、接收通道噪声系数和1dB 压缩点;所述收/发公用部分评价参数集包括:环流器隔离度、收发转换时间和移相置位时间。
需要说明的是,上述各参数对应的单位分别为:发射通道输出功率/dBm、输出功率带内平坦度/dB、发射通道增益/dB、发射通道驻波比、发射通道杂散/dB、发射通道谐波/dB;接收通道增益/dB、接收通道端口驻波比、接收通道噪声系数/dB、1dB 压缩点/dB、环流器隔离度/dB、收发转换时间/ns和移相置位时间/ns。
步骤S20、基于所述目标评价参数集,获得定量化参数集。
具体来说,所述基于所述目标评价参数集,获得定量化参数集,包括:对所述目标评价参数集中的各目标评价参数进行赋权值处理,获得各目标评价参数的权重值;基于所述目标评价参数集和各所述目标评价参数的权重值,获得定量化参数集。
在实际应用场景中,各所述目标评价参数的权重值可以根据实际应用场景而设置,这里不做特殊限定。所述赋权值处理时,是基于设备历史运行数据,将采集的表征T/R组件健康状态的数据进行分析挖掘和权重计算,以获得各目标评价参数的权重值,进而形成反映组件健康程度的定量化参数。
在进一步技术方案中,由于部件级健康分数基本上都是直接分析采集的原始数据样本,不同参数量纲不同,因此在进行权重值计算前,需对各目标评价参数的历史初始运行数据进行数据归一化处理,以获得有效历史运行数据;不同参数对组件健康的影响程度也不一样,根据历史数据情况计算出各个参数对于健康状态的常权重系数,便于后续正确计算T/R组件在不同工作情况下的健康分数,作为表征设备健康状态的定量化参数集。
步骤S30、基于XgBoost算法构建获得初始第一Boosting集成学习预测模型,并基于训练数据集训练后获得第一Boosting集成学习预测模型;基于CatBoost算法构建获得初始第二Boosting集成学习预测模型,并基于训练数据集训练后获得第二Boosting集成学习预测模型;将所述第一Boosting集成学习预测模型和所述第二Boosting集成学习预测模型进行模型融合,获得Xg-Cat-Boost-RG集成学习模型;基于长短期记忆神经网络算法构建获得初始LSTM-RG神经网络模型,并基于训练数据集训练后获得LSTM-RG神经网络模型。
所述训练数据集包括T/R组件的历史运行样本数据集;所述历史运行样本数据集包括T/R样本组件的样本评价参数集以及所述样本评价参数集的历史运行样本数据;所述历史运行样本数据包括健康状态的历史运行样本数据、亚健康状态的历史运行样本数据和损坏状态的历史运行样本数据。需要说明的是,所述训练数据集还包括所述样本评价参数集中各样本评价参数的健康分数值;所述健康分数值为基于所述样本评价参数集中各样本评价参数的历史运行样本数据计算获得的。
更具体地,所述训练数据集包括连续时间序列的T/R组件历史运行数据及其对应的健康分数(标签)。即本申请实施例当采集完连续时间序列的T/R组件运行数据后,根据不同健康状态下T/R组件单项状态量的取值范围及其常权重系数,对每一组设备运行数据进行健康分数的计算,得到每一组T/R组件运行数据的健康值(0-100分,为量化值)。并将所获得的连续时间序列的T/R组件历史运行数据及其对应的健康分数(标签)作为训练数据集,以进行模型的训练。
需要说明的是,XGBoost算法模型属于Boosting系列,是基于Boosting的集合方式进行集成学习的。XGBoost比传统的GBDT算法的优势在于:传统的GBDT的目标函数只利用了一阶的导数信息,而XGBoost对目标函数项进行了二阶的泰勒展开,充分利用一阶和二阶梯度统计量,使得求解模型最优解的效率更高。XGBoost还在目标函数中加入正则项,控制模型的复杂度,防止过拟合。此外,XGBoost支持并行和分布式计算确保了更快的学习。
需要说明的是,CatBoost算法模型属于Boosting系列,是基于Boosting的集合方式进行集成学习的。CatBoost都是对GBDT算法框架的优化,创新点在于解决了梯度偏差、预测偏移的问题,并且有效防止过拟合现象的发生。
需要说明的是,采用基于LSTM的基础模型可以改善RNN中存在的长期依赖问题,LSTM的表现通常比时间递归神经网络和隐马尔科夫模型(HMM)更好,作为非线性模型,LSTM算法可作为复杂的非线性单元用于构造更大型深度神经网络,同时,LSTM算法通过各种门函数来将重要特征保留下来,能够有效减缓长序列问题中可能出现的梯度消失或爆炸。
在上述实施例中,本申请实施例采用融合XGBoost和CatBoost算法模型的方法,根据模型预测效果的情况赋予两个模型不同的权重后进行计算并融合,可以理解为同一组设备运行数据传入算法模型,分别由这两个模型进行健康分数的预测,然后进行加权求和得到健康分数,这里记为集成学习模型Xg-Cat-Boost-RG。需要说明的是,所述加权求和的权重值可以人工基于实际应用场景进行设置获得的,也可以是通过模型训练获得的。
步骤S40、获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值;将各所述定量化参数的时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值。
在进一步方案中,所述将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值,包括:将所述数据集输入至所述第一Boosting集成学习预测模型,以获得第一分数值;将所述数据集输入至所述第二Boosting集成学习预测模型,以获得第二分数值;将所述第一分数值和所述第二分数值进行加权求和,获得第一健康分数值。
所述第一分数值和所述第二分数值的权重可根据实际情况进行人工设置或基于模型训练结果获得,这里不做特殊限定,如可将所述第一分数值和所述第二分数值的权重分别设置为各占50%。
在实际应用场景中,本申请实施针对T/R组件健康状态预测场景,使用融合集成学习和深度学习技术的方法来对设备的健康分数变化进行预测。由于基于机器学习和深度学习技术建立的健康分数回归模型需要大量的历史数据进行分析挖掘、模型训练和模型优化,例如设备从健康状态逐渐变到亚健康状态,随着组件的继续老化,最终相关组件会失效,导致T/R组件损坏无法正常工作,在这个过程中需要采集设备从健康到亚健康再到损坏的时间序列数据集(以天为单位)。
如上所述,本申请实施例为解决现有技术中使用单一的基于传统机理算法对设备健康状态预测不够精准的问题,同时针对T/R组件监测参数多、状态特征难以提取、设备机理复杂的问题,通过机器学习和深度学习技术分析大量设备实际的运行数据,筛选得到影响T/R组件性能的关键参数,建立组件健康状态指标体系,基于设备历史数据、集成学习和深度学习技术训练了高效的T/R组件健康状态预测算法模型,通过该方法对T/R组件状态健康状态进行预测,能够实现设备异常状态的快速检测、健康状态变化的准确预测,从而全面、及时、准确地掌握T/R组件的健康状态,为相关设备智能运维提供辅助决策依据。
在通过上述集成学习模型Xg-Cat-Boost预测后,本申请为了提高预测准确率,将同一组设备运行数据输入至长短期记忆模型中进行预测;即采用融合XGBoost、CatBoost、LSTM三个训练好的模型的方式,对于一组传入的设备运行数据,首先使用训练好的集成学习模型Xg-Cat-Boost-RG进行健康分数预测,然后再使用训练好的LSTM-RG模型进行健康分数预测,最终的健康分数值取两者的平均值,作为T/R组件未来的健康分数预测。即:
步骤S50、基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值。
如上所述,所述基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值,包括:求得所述第一健康分数值与所述第二健康分数值的平均值,并将所述平均值作为健康状态目标预测值。
下面,为了便于本领域技术人员理解本申请所述技术方案,以某一个场景为例进行说明,详细示例如下:
实施例1
场景描述:T/R组件接收通道同时缓慢失效直至损坏。其中训练数据共有6000条,其中1-4000条数据为健康状态数据,4001-5000条数据为亚健康状态数据,5001-6000条数据为损坏状态数据。对应的测试集数据有1200条,均为时间序列类数据,时间单位为天,通过前18天的设备运行数据和健康情况来预测第19天的健康分数,T/R组件核心参数和健康分数变化预测任务示例如图3所示。
步骤1)、经过对大量T/R设备实际运行数据的分析,选择了以下参数作为评估T/R组件健康状态的核心参数:发射通道输出功率/dBm、输出功率带内平坦度/dB、发射通道增益/dB、发射通道驻波比、发射通道杂散/dB、发射通道谐波/dB、接收通道增益/dB、接收通道端口驻波比、接收通道噪声系数/dB、1dB 压缩点/dB、环流器隔离度/dB、收发转换时间/ns、移相置位时间/ns。
步骤2)、将采集的表征T/R组件健康状态的设备数据进行分析挖掘和权重计算,形成反映组件健康程度的定量化参数。由于部件级健康分数基本上都是直接分析采集的原始数据样本,不同参数量纲不同,一般需要进行数据归一化处理。T/R组件中的不同参数对组件健康的影响程度也不一样,根据历史数据情况(对应组件的健康、亚健康、损坏等状态)计算出各个参数对于健康状态影响的常权重系数,便于后续正确计算T/R组件在不同运行情况下的健康分数,作为表征设备健康情况的量化值。
步骤3)、针对设备健康状态预测场景,使用融合集成学习和深度学习技术的方法来对设备的健康分数变化进行预测。由于基于机器学习技术建立的回归算法模型需要大量的历史数据进行数据挖掘、模型训练和模型优化,例如实际情况下T/R组件从健康状态逐渐变到亚健康状态,随着组件中相关通道的继续老化,最终组件会失效,导致组件损坏,在这个过程中需要采集设备从健康到亚健康再到损坏的时间序列数据集(以天为单位)。
步骤4)、当采集完连续时间序列的T/R组件运行数据后,根据T/R设备不同状态下单项状态量的取值范围及其常权重系数,对每一条数据进行健康分数的计算,得到每一组运行数据的健康值(0-100分,作为量化值)。其中,发射通道对应的单项状态量有发射通道输出功率/dBm、输出功率带内平坦度/dB、发射通道增益/dB、发射通道驻波比、发射通道杂散/dB、发射通道谐波/dB;接收通道对应的单项状态量有接收通道增益/dB、接收通道端口驻波比、接收通道噪声系数/dB、1dB 压缩点/dB;收/发公用部分对应的单项状态量有环流器隔离度/dB、收发转换时间/ns、移相置位时间/ns。这样,就可以得到连续时间序列的T/R组件运行数据及其对应的健康分数(标签值),即完成训练数据集构建,模型的部分训练数据示例如表1所示。
表1:
步骤5)、基于训练数据集和XGBoost算法构建和训练T/R组件健康分数预测模型(XGBoost回归模型),使用基于超参数优化(HPO)框架,自动执行超参数的搜索。XGBoost算法模型属于Boosting系列,是基于Boosting的集合方式进行集成学习的。XGBoost比传统的GBDT算法的优势在于:传统的GBDT的目标函数只利用了一阶的导数信息,而XGBoost对目标函数项进行了二阶的泰勒展开,充分利用一阶和二阶梯度统计量,使得求解模型最优解的效率更高。XGBoost还在目标函数中加入正则项,控制模型的复杂度,防止过拟合。此外,XGBoost支持并行和分布式计算确保了更快的学习。
步骤6)、基于训练数据集和CatBoost算法构建和训练T/R组件健康分数预测模型(CatBoost回归模型),使用网格搜索寻找最优参数值。CatBoost算法模型属于Boosting系列,是基于Boosting的集合方式进行集成学习的。CatBoost都是对GBDT算法框架的优化,创新点在于解决了梯度偏差、预测偏移的问题,并且有效防止过拟合现象的发生。
步骤7)、基于训练数据集和长短期记忆神经网络(后续称LSTM)算法构建和训练T/R组件健康状态变化的时间序列预测算法模型(LSTM-RG模型),所述LSTM-RG模型的相关参数如下:时间步长为18,每个步长对应的特征数量为14维,神经网络的层数为2,隐层大小设置为256,学习率为0.0003。采用基于LSTM的基础预测模型可以改善RNN中存在的长期依赖问题,LSTM的表现通常比时间递归神经网络及隐马尔科夫模型(HMM)更好,作为非线性模型,LSTM算法可作为复杂的非线性单元用于构造更大型的深度神经网络,同时,LSTM算法通过各种门函数来将设备健康状态预测的重要特征保留下来,能够有效减缓长序列问题中可能出现的梯度消失或爆炸。
步骤8)、对于T/R组件健康分数预测模型,采用融合XGBoost和CatBoost算法模型的方法,根据模型预测效果的情况赋予两个模型不同的权重,可以理解为同一组参数传入XGBoost和CatBoost回归预测算法模型,分别由这两个模型进行健康分数的预测计算,然后对健康分数进行加权求和,这里记为Xg-Cat-Boost-RG集成学习模型。
步骤9)、对于最终的T/R组件健康状态预测模型,采用融合Xg-Cat-Boost-RG集成学习模型和LSTM-RG神经网络模型这两个训练好的模型预测打分的方式,对于一组传入的数据,首先通过第八步中Xg-Cat-Boost-RG集成学习模型进行健康分数的预测,然后再使用训练好的LSTM-RG神经网络模型进行时间序列模型的预测(如前18天的数据预测下一天的数据),最终T/R组件的健康分数值取平均值。该场景下,基于长短期神经记忆神经网络算法训练的模型结果如图4所示,总体来说,较好地拟合了该场景下的健康分数的变化。
可以看出,本申请所述技术方案相较于现有技术,具有以下有益效果:
1、本申请基于集成学习(XGBoost算法、CatBoost算法)、深度学习(LSTM算法)技术,针对T/R组件的健康状态预测及健康状态预测场景,训练了3个不同的T/R组件健康分数预测模型,融合传统机器学习和深度学习的方式对影响设备健康状态特征进行理解、抽取和学习,不仅对某一时刻T/R组件健康的状态进行特征理解和影响因素挖掘,同时基于时间序列数据对T/R组件健康状态的变化进行特征学习和数据挖掘,从而充分地理解设备健康状态的局部变化和全局变化特征,可以更充分地进行设备的健康状态预测。
2、本申请使用集成学习的思想对T/R组件某一时刻运行的健康分数预测模型进行训练,训练的两个模型可以较好地提取表征T/R组件健康状态的重要特征并进行健康分数计算,同时这类算法可以增强健康状态变化模型的可解释性,从而提高健康状态预测的准确性。
3、本申请的核心优势是从海量设备运行数据中提取表征T/R组件健康状态的重要特征和客观规律,不需要建立复杂的设备运行机理模型,主要应用价值体现如下:
1)基于数据挖掘的角度揭示T/R组件健康状态的内在变化规律,捕捉T/R组件早期故障的数据特征信息,基于时间序列分析的数学模型可以追溯设备故障发展过程,预测故障发生概率,从而及时发现、快速诊断设备的故障隐患,保障T/R组件的健康运行。
2)利用传统机器学习和深度学习等方法可以快速地获得不同条件、不同维度T/R组件健康状态的变化规律,实现多维度、差异化的全方位分析,大幅提高T/R设备状态评价和健康预测的效率和准确性。
3)推动了数据挖掘、人工智能技术与设备运行维护、故障诊断的深度融合,实现T/R组件海量数据的分析挖掘、预测预警和智能研判,可以提升该类设备状态评估的效率和智能化水平。
4)基于数据智能的健康评估和预测算法可以自动学习原始运行数据中各类场景下的重要特征,避免了人工进行特征选取的复杂性、困难性以及对设备机理复杂性的认知,还可以快速地评估设备的健康状态和健康分数,从而对设备的预测性维护进行优化,提高设备的维护效率和准确性。
再一方面,如图5所示,为解决上述技术问题,本申请实施例还提供了:一种T/R组件健康状态预测系统,包括:
数据获取模块,用于获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据;所述历史运行数据包括健康状态的历史运行数据、亚健康状态的历史运行数据和损坏状态的历史运行数据;所述目标评价参数集包括发射通道评价参数集、接收通道评价参数集和收/发公用部分评价参数集;
定量模块,用于基于所述目标评价参数集,获得定量化参数集;
模型构建和模型训练模块,用于基于XgBoost算法构建获得初始第一Boosting集成学习预测模型,并基于训练数据集训练后获得第一Boosting集成学习预测模型;基于CatBoost算法构建获得初始第二Boosting集成学习预测模型,并基于训练数据集训练后获得第二Boosting集成学习预测模型;将所述第一Boosting集成学习预测模型和所述第二Boosting集成学习预测模型进行模型融合,获得Xg-Cat-Boost-RG集成学习模型;基于长短期记忆神经网络算法构建获得初始LSTM-RG神经网络模型,并基于训练数据集训练后获得LSTM-RG神经网络模型;
模型预测模块,用于获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至Xg-Cat-Boost-RG集成学习模型,获得第一健康分数值;将所述时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值;
输出模块,用于基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值。
基于与前述实施例相同的发明思路,本实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,处理器执行计算机程序,实现上述方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种T/R组件健康状态预测方法,其特征在于,包括以下步骤:
获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据;所述历史运行数据包括健康状态的历史运行数据、亚健康状态的历史运行数据和损坏状态的历史运行数据;所述目标评价参数集包括发射通道评价参数集、接收通道评价参数集和收/发公用部分评价参数集;
对所述目标评价参数集中的各目标评价参数进行赋权值处理,获得各目标评价参数的权重值;基于所述目标评价参数集和各所述目标评价参数的权重值,获得定量化参数集;
基于XgBoost算法构建获得初始第一Boosting集成学习预测模型,并基于训练数据集训练后获得第一Boosting集成学习预测模型;基于CatBoost算法构建获得初始第二Boosting集成学习预测模型,并基于训练数据集训练后获得第二Boosting集成学习预测模型;将所述第一Boosting集成学习预测模型和所述第二Boosting集成学习预测模型进行模型融合,获得Xg-Cat-Boost-RG集成学习模型;基于长短期记忆神经网络算法构建获得初始LSTM-RG神经网络模型,并基于训练数据集训练后获得LSTM-RG神经网络模型;
获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至所述第一Boosting集成学习预测模型,以获得第一分数值;将所述数据集输入至所述第二Boosting集成学习预测模型,以获得第二分数值;将所述第一分数值和所述第二分数值进行加权求和,获得第一健康分数值;将所述时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值;
基于所述第一健康分数值和所述第二健康分数值,获得健康状态目标预测值。
2.根据权利要求1所述T/R组件健康状态预测方法,其特征在于,所述训练数据集包括T/R组件的历史运行样本数据集;所述历史运行样本数据集包括T/R样本组件的样本评价参数集以及所述样本评价参数集的历史运行样本数据;所述历史运行样本数据包括健康状态的历史运行样本数据、亚健康状态的历史运行样本数据和损坏状态的历史运行样本数据。
3.根据权利要求2所述T/R组件健康状态预测方法,其特征在于,所述训练数据集还包括所述样本评价参数集中各样本评价参数的健康分数值;所述健康分数值为基于所述样本评价参数集中各样本评价参数的历史运行样本数据计算获得的。
4.根据权利要求1所述T/R组件健康状态预测方法,其特征在于,所述发射通道评价参数集包括:发射通道输出功率、输出功率带内平坦度、发射通道增益、发射通道驻波比、发射通道杂散和发射通道谐波;所述接收通道评价参数集包括:接收通道增益、接收通道端口驻波比、接收通道噪声系数和1dB 压缩点;所述收/发公用部分评价参数集包括:环流器隔离度、收发转换时间和移相置位时间。
5.根据权利要求1所述T/R组件健康状态预测方法,其特征在于,所述基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值,包括:
求得所述第一健康分数值与所述第二健康分数值的平均值,并将所述平均值作为健康状态目标预测值。
6.一种T/R组件健康状态预测系统,其特征在于,包括:
数据获取模块,用于获取T/R组件的目标评价参数集以及所述目标评价参数集的历史运行数据;所述历史运行数据包括健康状态的历史运行数据、亚健康状态的历史运行数据和损坏状态的历史运行数据;所述目标评价参数集包括发射通道评价参数集、接收通道评价参数集和收/发公用部分评价参数集;
定量模块,用于对所述目标评价参数集中的各目标评价参数进行赋权值处理,获得各目标评价参数的权重值;基于所述目标评价参数集和各所述目标评价参数的权重值,获得定量化参数集;
模型构建和模型训练模块,用于基于XgBoost算法构建获得初始第一Boosting集成学习预测模型,并基于训练数据集训练后获得第一Boosting集成学习预测模型;基于CatBoost算法构建获得初始第二Boosting集成学习预测模型,并基于训练数据集训练后获得第二Boosting集成学习预测模型;将所述第一Boosting集成学习预测模型和所述第二Boosting集成学习预测模型进行模型融合,获得Xg-Cat-Boost-RG集成学习模型;基于长短期记忆神经网络算法构建获得初始LSTM-RG神经网络模型,并基于训练数据集训练后获得LSTM-RG神经网络模型;
模型预测模块,用于获取所述定量化参数集中各定量化参数的数据集;其中,所述数据集包括时间序列数据集和非时间序列数据集;将所述数据集输入至所述第一Boosting集成学习预测模型,以获得第一分数值;将所述数据集输入至所述第二Boosting集成学习预测模型,以获得第二分数值;将所述第一分数值和所述第二分数值进行加权求和,获得第一健康分数值;将所述时间序列数据集输入至LSTM-RG神经网络模型,获得第二健康分数值;
输出模块,用于基于所述第一健康分数值和所述第二健康分数值,获取健康状态目标预测值。
7.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现根据权利要求1-5中任一项所述的T/R组件健康状态预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现根据权利要求1-5中任一项所述的T/R组件健康状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311537133.8A CN117272118B (zh) | 2023-11-17 | 2023-11-17 | 一种t/r组件健康状态预测方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311537133.8A CN117272118B (zh) | 2023-11-17 | 2023-11-17 | 一种t/r组件健康状态预测方法、系统、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272118A CN117272118A (zh) | 2023-12-22 |
CN117272118B true CN117272118B (zh) | 2024-02-13 |
Family
ID=89209022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311537133.8A Active CN117272118B (zh) | 2023-11-17 | 2023-11-17 | 一种t/r组件健康状态预测方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272118B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5706012A (en) * | 1995-12-13 | 1998-01-06 | The United States Of America As Represented By The Secretary Of The Navy | Radar system method using virtual interferometry |
CN105548977A (zh) * | 2015-12-14 | 2016-05-04 | 四川九洲空管科技有限责任公司 | 一种数字阵二次雷达数字t/r组件状态检测方法及装置 |
CN108490431A (zh) * | 2018-04-02 | 2018-09-04 | 航天南湖电子信息技术股份有限公司 | 一种基于资源动态管控方法的二维有源相控阵目标指示雷达 |
CN111434049A (zh) * | 2017-06-19 | 2020-07-17 | 弗吉尼亚科技知识产权有限公司 | 使用多天线收发器无线传输的信息的编码和解码 |
CN112381316A (zh) * | 2020-11-26 | 2021-02-19 | 华侨大学 | 一种基于混合神经网络模型的机电设备健康状态预测方法 |
CN113742178A (zh) * | 2021-09-18 | 2021-12-03 | 北京航空航天大学 | 一种基于lstm的网络节点健康状态监测方法 |
CN113837433A (zh) * | 2021-08-12 | 2021-12-24 | 裴平 | 有源数字阵列雷达装备射频系统剩余使用寿命预测方法 |
CN114626482A (zh) * | 2022-03-30 | 2022-06-14 | 裴平 | 基于深度学习的有源数字阵列雷达实时故障诊断方法 |
CN114897016A (zh) * | 2022-05-07 | 2022-08-12 | 成都天奥集团有限公司 | 一种基于多源频谱特征的风机轴承故障智能诊断方法 |
CN116070153A (zh) * | 2023-03-06 | 2023-05-05 | 四川省华盾防务科技股份有限公司 | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3536245A1 (en) * | 2018-03-08 | 2019-09-11 | Koninklijke Philips N.V. | A system and method of identifying characteristics of ultrasound images |
-
2023
- 2023-11-17 CN CN202311537133.8A patent/CN117272118B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5706012A (en) * | 1995-12-13 | 1998-01-06 | The United States Of America As Represented By The Secretary Of The Navy | Radar system method using virtual interferometry |
CN105548977A (zh) * | 2015-12-14 | 2016-05-04 | 四川九洲空管科技有限责任公司 | 一种数字阵二次雷达数字t/r组件状态检测方法及装置 |
CN111434049A (zh) * | 2017-06-19 | 2020-07-17 | 弗吉尼亚科技知识产权有限公司 | 使用多天线收发器无线传输的信息的编码和解码 |
CN108490431A (zh) * | 2018-04-02 | 2018-09-04 | 航天南湖电子信息技术股份有限公司 | 一种基于资源动态管控方法的二维有源相控阵目标指示雷达 |
CN112381316A (zh) * | 2020-11-26 | 2021-02-19 | 华侨大学 | 一种基于混合神经网络模型的机电设备健康状态预测方法 |
CN113837433A (zh) * | 2021-08-12 | 2021-12-24 | 裴平 | 有源数字阵列雷达装备射频系统剩余使用寿命预测方法 |
CN113742178A (zh) * | 2021-09-18 | 2021-12-03 | 北京航空航天大学 | 一种基于lstm的网络节点健康状态监测方法 |
CN114626482A (zh) * | 2022-03-30 | 2022-06-14 | 裴平 | 基于深度学习的有源数字阵列雷达实时故障诊断方法 |
CN114897016A (zh) * | 2022-05-07 | 2022-08-12 | 成都天奥集团有限公司 | 一种基于多源频谱特征的风机轴承故障智能诊断方法 |
CN116070153A (zh) * | 2023-03-06 | 2023-05-05 | 四川省华盾防务科技股份有限公司 | 相控阵t/r组件故障参数的预测方法、装置、设备和介质 |
Non-Patent Citations (3)
Title |
---|
Daily Streamflow Forecasting in Mountainous Catchment Using XGBoost,LightGBM and CatBoost;Robert Szczepanek;《Hydrology》;第9卷(第12期);1-18 * |
基于相似性的T/R组件剩余寿命预测方案研究;侯晓东等;《兵器装备工程学报》;第41卷(第1期);169-177 * |
射频收发组件健康监测与寿命预测系统设计与实现;段前样;《中国优秀硕士学位论文全文数据库(信息科技辑)》(第2期);I136-1384 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272118A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN112763929A (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
WO2021073343A1 (zh) | 通信系统的故障根因分析方法、装置、系统和计算机存储介质 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN109784528A (zh) | 基于时间序列和支持向量回归的水质预测方法及装置 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN117556331B (zh) | 基于ai增强的空压机维护决策方法及系统 | |
KR101884908B1 (ko) | 빅데이터 분석 기반 신뢰도 예측 장치 | |
CN117272118B (zh) | 一种t/r组件健康状态预测方法、系统、设备和介质 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
KR101884907B1 (ko) | 빅데이터 분석 기반 신뢰도 예측 방법 | |
CN115932704A (zh) | 一种基于模型和数据双驱动的cvt误差测量方法及系统 | |
CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
Pang et al. | Detecting continual anomalies in monitoring data stream based on sampling GPR algorithm | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
CN117829822B (zh) | 一种电力变压器故障预警方法及系统 | |
Zheng et al. | Research on predicting remaining useful life of equipment based on health index | |
Wu et al. | Failure mode division and remaining useful life prognostics of multi-indicator systems with multi-fault | |
CN117235434B (zh) | 林业碳汇项目基线构建方法、系统、终端及介质 | |
CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及系统 | |
CN114595781B (zh) | 一种辛烷值损失预测方法、装置、设备及存储介质 | |
CN116953528A (zh) | 电池衰减的模型构建方法、预测方法、系统、设备和介质 |
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 |