CN118171180A - 基于人工智能的设备状态预测方法和装置 - Google Patents

Abstract

本发明提供了一种基于人工智能的设备状态预测方法和装置，包括：获取机电装置的运行数据并进行标注和预处理；基于生成对抗网络和双向反馈机制对运行数据进行数据扩充得到生成数据；通过蒙特卡洛模拟评估和优化生成数据的质量；对训练集的数据输入至特征提取模块进行特征提取；基于生态位优化算法优化特征提取模块的神经网络参数；将特征提取后的数据训练分类器，得到最终模型；将基于重启策略的极限学习机算法作为分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性；基于最终模型评估机电装置的健康度。提高了机电装置健康度评估的准确性和效率；增强了模型的泛化能力和预测性能；提高了模型的稳定性和可靠性。

Description

基于人工智能的设备状态预测方法和装置

技术领域

本发明涉及数据处理技术领域，尤其是涉及一种基于人工智能的设备状态预测方法和装置。

背景技术

机电装置通常包括电机、泵、压缩机、风机等，它们是工业生产的心脏，其运行状况直接影响到整个生产线的效率和安全。因此，准确评估这些装置的健康状况，预测可能的故障和维护需求，对于保障生产效率和安全至关重要。

在传统的做法中，机电装置的维护往往遵循固定的时间表或基于操作人员的经验进行。这种方法的问题在于它无法准确反映设备的实际使用状况和磨损程度，可能导致过早或过晚的维护，从而增加不必要的维护成本或意外故障风险。随着工业互联网和大数据技术的发展，基于数据的设备健康度评估逐渐成为可能。通过收集和分析装置在运行中产生的大量数据，可以更准确地评估其健康状况，实现预测性维护，优化资源分配，减少意外停机，提高整体生产效率。

然而，现有的机电装置健康度评估方法存在以下缺点：

1、数据扩充和样本生成问题：现有技术缺乏高效的数据扩充方法，特别是在数据样本有限的情况下，会影响模型的泛化能力和预测性能。

2、特征提取效率低：现有技术的特征提取方法可能不够高效或准确，无法充分挖掘和利用数据中的关键信息，从而影响评估结果的准确性。

3、分类器性能限制：传统的分类器可能在训练效率、准确性或稳定性方面存在不足。没有采用更先进的机器学习技术可能导致评估结果不够精确或稳定。

4、泛化能力和预测性能不足：由于上述各方面的限制，现有技术可能在机电装置健康度评估的泛化能力和预测性能方面不足，尤其是在复杂和多变的实际应用场景中。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工智能的设备状态预测方法和装置，以提高了机电装置健康度评估的准确性和效率；通过数据扩充和特征提取优化，增强了模型的泛化能力和预测性能；结合置信度评估机制，提高了模型的稳定性和可靠性。

第一方面，本发明实施例提供了一种基于人工智能的设备状态预测方法，方法包括：获取机电装置的运行数据，对运行数据进行标注和预处理；其中，标注的类别用于表征机电装置的运行状态和健康状况；基于生成对抗网络和双向反馈机制对运行数据进行数据扩充以得到生成数据；通过蒙特卡洛模拟评估和优化生成数据的质量，将质量合格的生成数据和运行数据合并得到训练集；对训练集的数据输入至特征提取模块进行特征提取；其中，基于生态位优化算法优化特征提取模块的神经网络参数，生态位优化算法设置有多样性保持机制；将特征提取后的数据训练分类器，得到最终模型；其中，将基于重启策略的极限学习机算法作为分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性；基于最终模型评估机电装置的健康度。

在本申请可选的实施例中，上述生成对抗网络通过以下步骤训练生成器：基于运行数据确定设备类型或运行环境作为条件变量；生成器基于随机噪声和条件变量，调用自适应调整函数确定生成数据的特征分布。

在本申请可选的实施例中，上述生成器的损失函数基于判别器的判别结果和生成数据的条件约束确定；自适应调整函数基于条件变量和训练时间动态得到生成数据的特征分布。

在本申请可选的实施例中，上述生成器的损失函数包括：量子启发的特征嵌入函数和条件熵；量子启发的特征嵌入函数用于将输入向量和条件变量映射到一个高维量子特征空间；条件熵基于条件变量的取值、取值的先验概率以及在生成数据的指定条件下的取值的条件概率确定。

在本申请可选的实施例中，上述生成对抗网络通过以下步骤训练判别器：判别器基于真实数据和生成数据确定反馈信息，基于反馈信息调整生成器；其中，判别器的损失函数基于真实数据的分布、L2正则化项、判别器网络中的权重和正则化系数确定。

在本申请可选的实施例中，上述通过蒙特卡洛模拟评估和优化生成数据的质量，将质量合格的生成数据和运行数据合并得到训练集的步骤，包括：对生成数据进行多次随机采样，通过蒙特卡洛模拟评估生成数据的统计特性作为蒙特卡洛模拟的结果；其中，统计特性包括：加权均值和加权方差；基于蒙特卡洛模拟的结果确定是否将生成数据加入训练集。

在本申请可选的实施例中，上述基于生态位优化算法优化特征提取模块的神经网络参数的步骤，至少包括以下之一：构建特征提取模块的神经网络参数种群，每个参数代表一个生态位；将每个参数进行随机初始化；对每个生态位基于生态位对应的参数在当前网络结构中的表现进行适应度评估；根据适应度分配资源，以调整生态位对应的参数的概率和幅度；优化或淘汰在当前网络结构中的表现小于预设阈值的参数；基于随机变异机制调整参数；基于交叉因子、环境敏感指数、适应度函数和迭代的学习率对参数进行交叉以产生参数组合；模拟环境变化调整资源分配和适应度评估标准；定期引入随机生成的新参数；检测参数优化的收敛性，基于收敛性确定是否继续迭代。

在本申请可选的实施例中，上述将特征提取后的数据训练分类器的步骤，包括：随机初始化极限学习机的隐藏层权重和偏差，并设定重启策略的参数；其中，重启策略的参数包括重启频率和重置比例；将特征提取后的数据作为训练数据训练极限学习机模型，计算输出层权重；评估极限学习机模型的性能；如果性能小于预设阈值，基于重启策略重置部分隐藏层权重和偏差；在每次重启后评估极限学习机模型的置信度，基于置信度调整重启策略的参数。

在本申请可选的实施例中，上述将特征提取后的数据作为训练数据训练极限学习机模型，计算输出层权重的步骤，包括：基于特征重要性得分对特征提取后的数据进行加权处理，得到加权后的输入数据；基于加权后的输入数据进行极限学习机模型的训练，计算输出层权重。

第二方面，本发明实施例还提供一种基于大数据的机电装置健康度评估装置，装置包括：标注和预处理模块，用于获取机电装置的运行数据，对运行数据进行标注和预处理；其中，标注的类别用于表征机电装置的运行状态和健康状况；数据扩充模块，用于基于生成对抗网络和双向反馈机制对运行数据进行数据扩充以得到生成数据；通过蒙特卡洛模拟评估和优化生成数据的质量，将质量合格的生成数据和运行数据合并得到训练集；特征提取模块，用于对训练集的数据输入至特征提取模块进行特征提取；其中，基于生态位优化算法优化特征提取模块的神经网络参数，生态位优化算法设置有多样性保持机制；分类器训练模块，用于将特征提取后的数据训练分类器，得到最终模型；其中，将基于重启策略的极限学习机算法作为分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性；健康度评估模块，用于基于最终模型评估机电装置的健康度。

本发明实施例带来了以下有益效果：

本发明实施例提供了一种基于人工智能的设备状态预测方法和装置，提高了机电装置健康度评估的准确性和效率；通过数据扩充和特征提取优化，增强了模型的泛化能力和预测性能；结合置信度评估机制，提高了模型的稳定性和可靠性。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明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地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种基于人工智能的设备状态预测方法的流程图；

图2为本发明实施例提供的一种基于大数据的机电装置健康度评估装置的结构示意图；

图3为本发明实施例提供的另一种基于大数据的机电装置健康度评估装置的结构示意图；

图4为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，现有的机电装置健康度评估方法存在数据扩充和样本生成问题、特征提取效率低、分类器性能限制和泛化能力和预测性能不足等缺点。

基于此，本发明实施例提供的一种基于人工智能的设备状态预测方法和装置，可以提高了机电装置健康度评估的准确性和效率；通过数据扩充和特征提取优化，增强了模型的泛化能力和预测性能；结合置信度评估机制，提高了模型的稳定性和可靠性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于人工智能的设备状态预测方法进行详细介绍。

本发明实施例提供一种基于人工智能的设备状态预测方法，参见图1所示的一种基于人工智能的设备状态预测方法的流程图，该基于人工智能的设备状态预测方法包括如下步骤：

步骤S102，获取机电装置的运行数据，对运行数据进行标注和预处理；其中，标注的类别用于表征机电装置的运行状态和健康状况。

步骤一：数据采集与标注：

本实施例采集设备相关的运行数据，在一个实施例中，以某型号的机电装置为例，数据主要来源于装置的运行日志、传感器读数以及维护记录。这些数据以结构化的格式存储，如表格或数据库，包含多个属性，如温度、震动频率、噪声水平、电流电压、维护间隔、操作次数等。

具体的，针对各数据属性，解释如下：温度（a1）：机电装置的运行温度。震动频率（a2）：设备运行时的震动频率。噪声水平（a3）：运行过程中的噪声强度。电流（a4）：设备正常运行时的电流值。电压（a5）：设备正常运行时的电压值。维护间隔（a6）：两次维护之间的时间间隔。操作次数（a7）：设备的操作次数。运行时长（a8）：设备自上次维护以来的运行时长。故障历史（a9）：过去的故障记录。能耗（a10）：设备在特定时间内的能耗。

在一个实施例中，一台机电装置在特定时刻的数据实例包括以下值：a1：75°C，a2：50Hz，a3：70dB，a4：10A，a5：220V，a6：180天，a7：5000次，a8：1000小时，a9：2次，a10：150kWh。

进一步地，对采集到的数据进行标注。数据标注的类别基于装置的运行状态和健康状况，由人工标注的方式实现，在一个实施例中，标注类型包括:正常运行（标注1）、轻度异常（标注2）、中度异常（标注3）、严重异常（标注4）、维护需求（标注5）。

步骤二：数据预处理：

对采集到的数据进行标准化处理，以确保不同维度的数据具有可比性。考虑属性ax，其标准化公式为：

其中，是标准化后的数据，/>是原始数据，/>是原始数据的平均值，/>是原始数据的标准差。

进一步地，对于缺失的数据，采用均值填充方法。对于属性ay的缺失值，填充公式为：

，若/>成立

其中，是填充后的数据，/>是原始数据，/>是原始数据的平均值，检查数据是否缺失。

步骤S104，基于生成对抗网络和双向反馈机制对运行数据进行数据扩充以得到生成数据；通过蒙特卡洛模拟评估和优化生成数据的质量，将质量合格的生成数据和运行数据合并得到训练集。

步骤三：数据扩充：

可以理解的是，在本实施例任务中，训练数据的采集获取、标注及预处理是耗时耗力的，且训练样本不足容易导致模型泛化能力差，同时影响模型的精度。本实施例提出一种改进的生成对抗网络算法进行样本生成，进而实现数据扩充。本实施例在传统生成对抗网络的基础上引入双向反馈机制，增强生成器和判别器之间的信息流动。同时，在生成器中引入条件变量，以引导数据生成过程，确保生成数据的多样性与真实性。此外，本实施例使用蒙特卡洛模拟来评估和优化生成数据的质量，并结合生成对抗网络输出，通过随机采样评估其统计特性，从而更精准地模拟真实数据分布。

在一些实施例中，生成对抗网络通过以下步骤训练生成器：基于运行数据确定设备类型或运行环境作为条件变量；生成器基于随机噪声和条件变量，调用自适应调整函数确定生成数据的特征分布。

改进的生成对抗网络算法的训练流程如下:

1、初始化：

设定生成器和判别器的网络架构，定义蒙特卡洛模拟的采样参数。同时，定义为生成器网络；/>为随机噪声向量；/>为条件变量；/>为生成器产生的数据；/>为生成器的损失函数；/>表示期望值；/>和/>分别为/>和/>的分布；/>为条件熵；/>为平衡项；/>为判别器网络；为判别器的损失函数；/>为真实数据的分布；/>为正则化系数；/>为L2正则化项；为判别器网络中的权重；/>为生成数据的数量；/>为生成数据的加权均值；/>为生成数据的加权方差；/>为第/>个样本的权重；/>为质量评估函数；/>和/>为权衡不同评估方式的系数；/>和/>分别为基于统计特性和判别器评分的函数；/>为目标分布的均值。

2、训练阶段：

2.1、生成器训练：

生成器接收随机噪声和条件变量，并利用反馈机制调整生成数据的特征分布。具体的，设定生成器的目标是从随机噪声/>和条件变量/>生成数据/>，可以表示为：

其中，是生成器网络，/>是随机噪声向量，/>是条件变量，如设备类型或运行环境。为自适应调整函数。

在一些实施例中，生成器的损失函数基于判别器的判别结果和生成数据的条件约束确定。进一步地，生成器的损失函数考虑了判别器/>的判别结果和生成数据的条件约束，可以表示为：

其中，表示期望值，/>和/>分别是/>和/>的分布，/>是条件熵，用于衡量生成数据与条件变量的一致性。/>是平衡项，控制条件约束的重要性。/>为自适应调整函数。/>为量子启发的特征嵌入函数。

在一些实施例中，自适应调整函数基于条件变量和训练时间动态得到生成数据的特征分布。进一步地，自适应调整函数基于条件变量/>和训练时间/>动态调整生成数据的特征，计算方式可以表示为：

其中，为振幅调整系数，控制调整幅度。/>为角频率，控制调整速率。/>为条件变量/>的函数，决定每种条件下的初始相位。进一步地，在训练过程中，优化函数的参数/>以最小化生成数据与真实数据间的差异。优化目标可以表示为：

其中是度量两个分布之间差异的函数，包括KL散度或JS散度。/>是在给定条件/>和时间/>下生成数据的分布。

在一些实施例中，生成器的损失函数包括：量子启发的特征嵌入函数和条件熵；量子启发的特征嵌入函数用于将输入向量和条件变量映射到一个高维量子特征空间；条件熵基于条件变量的取值、取值的先验概率以及在生成数据的指定条件下的取值的条件概率确定。

进一步地，量子启发的特征嵌入函数将输入向量/>和条件变量/>映射到一个高维量子特征空间，可以表示为：

其中，表示一个量子门操作，模拟量子计算过程。/>为量子Hadamard变换，用于创建量子态的叠加。/>为张量积，表示量子态的叠加和纠缠。进一步地，在训练过程中，优化量子门操作/>，以增强量子特征嵌入的效果。优化目标可以表示为：

其中，是度量两个分布之间差异的改进函数，具体为量子态的保真度。是在给定条件/>下量子特征嵌入生成数据的分布。

进一步地，在生成器损失函数中，条件熵/>的计算可以表示为：

其中，表示条件变量的一个可能取值，/>是该取值的先验概率，是在生成数据/>给定的条件下，/>的条件概率。

在一些实施例中，生成对抗网络通过以下步骤训练判别器：判别器基于真实数据和生成数据确定反馈信息，基于反馈信息调整生成器；其中，判别器的损失函数基于真实数据的分布、L2正则化项、判别器网络中的权重和正则化系数确定。

2.2、判别器训练：

判别器区分真实数据与生成数据，反馈信息用于调整生成器。具体的，判别器的目标是区分真实数据/>和生成数据/>。本实施例引入正则化以帮助避免判别器过度适应特定样本，从而提高其泛化能力。其损失函数/>可以表示为：

其中，是真实数据的分布。/>是L2正则化项，计算为/>，/>是判别器网络中的权重。/>是正则化系数。

在一些实施例中，可以对生成数据进行多次随机采样，通过蒙特卡洛模拟评估生成数据的统计特性作为蒙特卡洛模拟的结果；其中，统计特性包括：加权均值和加权方差；基于蒙特卡洛模拟的结果确定是否将生成数据加入训练集。

3、蒙特卡洛模拟：

利用生成的数据进行多次随机采样，并评估生成数据的统计特性，包括加权均值和加权方差。具体的，蒙特卡洛模拟用于评估生成数据的统计特性，对于一组生成数据，其加权均值/>和加权方差/>可由以下公式计算：

其中，是生成数据的数量。/>是第/>个样本的权重，反映该样本在整体数据集中的重要性。

4、数据扩充决策：

基于蒙特卡洛模拟的结果，决定是否将生成的数据加入训练集。同时，迭代优化生成器，直到生成数据的质量满足预设标准。具体的，数据扩充决策基于生成数据的质量。设定一个阈值，若生成数据的质量满足一定条件，则加入训练集。质量评估函数/>表示为：

其中，是基于统计特性的函数，如:

考虑生成数据与目标分布的接近程度。是基于判别器评分的函数，如。/>和/>是权衡两种评估方式的系数。当/>时，将/>加入训练集。

5、数据整合：

将质量合格的生成数据与原始数据合并，形成扩充后的训练集。

步骤S106，对训练集的数据输入至特征提取模块进行特征提取；其中，基于生态位优化算法优化特征提取模块的神经网络参数，生态位优化算法设置有多样性保持机制。

步骤四：特征提取：

将扩充后的数据输入到特征提取模块中进行特征提取，本实施例提出一种基于生态位优化算法的神经网络优化算法，受启发于生态系统中物种间的生态位竞争与适应机制，在生态系统中，物种通过适应环境变化和资源争夺来优化自身的生存策略。类似地，生态位优化算法旨在通过模拟这种生态位竞争和适应过程，来优化神经网络的参数。本实施例提出的生态位优化算法将每个神经网络参数视为一个生态位，神经网络参数的优化过程则模拟了物种在生态位中的竞争和适应过程。通过模拟生态系统中物种的动态适应过程，使神经网络参数能够根据优化环境的变化进行自我调整。同时，为避免过早收敛到局部最优解，生态位优化算法内置多样性保持机制，确保参数探索过程中的多样性。

在一些实施例中，可以构建特征提取模块的神经网络参数种群，每个参数代表一个生态位；将每个参数进行随机初始化；对每个生态位基于生态位对应的参数在当前网络结构中的表现进行适应度评估；根据适应度分配资源，以调整生态位对应的参数的概率和幅度；优化或淘汰在当前网络结构中的表现小于预设阈值的参数；基于随机变异机制调整参数；基于交叉因子、环境敏感指数、适应度函数和迭代的学习率对参数进行交叉以产生参数组合；模拟环境变化调整资源分配和适应度评估标准；定期引入随机生成的新参数；检测参数优化的收敛性，基于收敛性确定是否继续迭代。

具体的，在特征提取神经网络的训练过程中，生态位优化算法对神经网络参数的优化过程如下：

1、初始化：定义为神经网络的参数集合；/>为神经网络中的单个参数，包括权重和偏置；/>为样本数量；/>为第/>个样本的输入特征；/>为第/>个样本的真实标签；为神经网络模型对第/>个样本的预测输出，基于参数/>；/>为指示函数，用于比较预测值和真实标签是否相符；/>为适应度函数，评估参数/>的性能；/>为调节适应度函数敏感性的常数；/>为资源分配函数；/>为正则化系数；/>为L2正则化项；/>为竞争函数；/>为参数变异的强度；/>为初始变异强度；/>为变异强度的衰减系数；/>为当前的迭代次数；/>为通过交叉或变异产生的新参数；/>为交叉因子；/>为调节交叉因子；/>为环境变化中适应度函数的初始值；/>为环境变化的频率；为参数变化量的平均值；/>为初始收敛阈值；/>为收敛检测标志，也即一个阈值，用于判断算法是否达到收敛条件。

进一步地，构建初始神经网络参数种群，每个参数代表一个生态位。设神经网络的参数集合为，其中每个/>代表一个独立的参数（类似于生态位中的物种）。初始时，每个参数/>被随机初始化。

2、适应度评估：对每个参数（生态位）进行适应度评估，适应度取决于参数在当前网络结构中的表现。具体的，适应度函数用于评估每个参数的性能，适应度与分类准确率相关，计算方式可以表示为：

其中，表示参数/>在分类任务中的准确率，/>和/>是调节函数敏感性的常数。

进一步地，的计算方式可以表示为：

其中，代表样本数量，/>和/>分别是第/>个样本的特征和标签，/>是神经网络模型对第/>个样本的预测输出，/>是指示函数，当预测值与实际标签相符时取值为1，否则为0。

3、资源分配：根据适应度分配资源（影响参数调整的概率和幅度），具体的，资源分配给每个参数，与其适应度成正比，计算方式可以表示为：

其中，资源表示参数在下一次迭代中调整的“能量”。为资源地正则化项，其用于防止资源分配的极端情况，计算方式可以表示为：

其中，是正则化系数，/>为L2范数。

4、竞争机制：参数间进行竞争，表现较差的参数将被优化或淘汰。具体的，参数间的竞争通过一个竞争函数来模拟，其决定了参数间的优胜劣汰，可以表示为：

5、参数变异：引入随机变异机制，以增加参数空间的探索能力。具体的，参数变异通过添加一个随机扰动实现，可以表示为：

其中，是变异强度，/>生成一个介于-1和1之间的随机数。

进一步地，变异强度可以理解为一个随机扰动，其可以根据当前的迭代次数进行动态调整，计算方式可以表示为：

其中，是初始变异强度，/>是衰减系数，/>是当前的迭代次数，表示随着时间推移，变异强度逐渐减小。

6、种群交叉：优秀参数间进行交叉，产生新的参数组合。具体的，参数交叉可以通过以下方式实现：

其中，是一个介于0和1之间的交叉因子。/>为环境敏感指数，/>是适应度函数/>关于参数/>的梯度。/>为在第/>次迭代的学习率。

进一步地，交叉因子根据两个参数的适应度差异进行动态调整，计算方式可以表示为：

其中，是调节因子，/>函数确保/>的值在0到1之间。

进一步地，环境敏感指数允许算法根据训练过程中的动态环境变化来调整参数优化的敏感性，环境敏感指数反映了算法对于训练环境变化的响应程度。可以定义为：

其中，是Sigmoid函数，确保ESI值在一定范围内。/>表示适应度函数随时间的变化率，反映了环境变化的影响。

进一步地，学习率为动态调整的方式进行设置，该学习率由两个主要因素调整：当前适应度的变化率/>和历史适应度的平均变化/>。具体的，当前适应度的变化率计算公式为：

其中，是当前迭代的整体适应度，/>是上一次迭代的适应度。

进一步地，历史适应度的平均变化计算公式为：

则，学习率的调整公式为：

其中，是学习率调整的灵敏度参数，/>是用于平滑调整函数的标准差，以保证学习率的变化不会过于剧烈。

7、环境变化模拟：模拟环境变化，调整资源分配和适应度评估标准。具体的，环境变化通过调整和/>值来模拟，从而改变适应度函数的敏感性。进一步地，环境变化通过周期性调整/>和/>实现，以模拟自然环境的季节性变化，可以表示为：

其中，和/>是初始值，/>是调整的频率，/>是当前的迭代次数。

8、动态调整：根据环境变化动态调整参数优化策略。同时，进行动态网络拓扑调整，模拟生态系统中物种群落结构的动态变化，允许神经网络的结构在训练过程中根据性能自适应地调整。也即，网络不仅优化参数，还优化其拓扑结构，包括调整层的数量、神经元的数量。

具体的，首先进行络拓扑表示，定义网络拓扑为一个矩阵，其中/>表示第/>层和第/>层之间的连接强度。进一步地，进行拓扑适应度评估，定义拓扑适应度函数/>，用于评估当前网络拓扑的性能，可以表示为：

其中，是基于当前拓扑/>的网络性能评估，具体为分类准确率，由预设的Softmax分类函数得到；/>和/>是调节函数敏感性的常数。

进一步地，拓扑调整规则为，基于拓扑适应度和当前网络性能对拓扑矩阵进行调整，可以表示为：

其中，是拓扑调整强度；/>是性能阈值，决定是否需要调整拓扑；生成随机调整因子。

进一步地，进行网络结构演化，如果超过预定阈值，则网络结构可以进化，进化的操作可以是增加或减少层或神经元，可以表示为：

进一步地，进行拓扑适应度与参数优化的整合，即，在每次迭代中，先根据和/>进行拓扑调整，然后再进行参数优化。

9、多样性维护：定期引入新参数，保持种群多样性。具体的，引入新参数以维持多样性，其中/>是随机生成的。

10、收敛检测：检测参数优化的收敛性，确定是否继续迭代。具体的，通过比较连续迭代中参数的变化量来检测收敛的方式可以表示为：

其中，和/>分别是连续两次迭代中的参数值。

进一步地，通过动态阈值检测收敛性，动态阈值随着迭代的进行逐渐减小，计算方式可以表示为：

其中，是初始收敛阈值，/>是收敛速率因子。

步骤S108，将特征提取后的数据训练分类器，得到最终模型；其中，将基于重启策略的极限学习机算法作为分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性。

步骤五：训练分类器：

将特征提取后的数据输入到分类器中，本实施例采用基于重启策略的极限学习机算法作为分类算法，同时结合置信度以提高设备能耗预测的准确性和效率。极限学习机主要用于快速训练单隐藏层的前馈神经网络。隐藏层节点的权重和偏差在训练开始时随机初始化，并在训练过程中保持不变，训练主要集中在输出层的线性权重上。本实施例在极限学习机训练过程中引入重启策略，以避免陷入局部最优。当训练过程的性能改善不显著时，随机重置隐藏层的部分权重和偏差。同时，在每次重启过程中，引入置信度评估机制，以衡量当前模型的预测可靠性，置信度高的模型更少受到重启策略的影响。

在一些实施例中，可以随机初始化极限学习机的隐藏层权重和偏差，并设定重启策略的参数；其中，重启策略的参数包括重启频率和重置比例；将特征提取后的数据作为训练数据训练极限学习机模型，计算输出层权重；评估极限学习机模型的性能；如果性能小于预设阈值，基于重启策略重置部分隐藏层权重和偏差；在每次重启后评估极限学习机模型的置信度，基于置信度调整重启策略的参数。

具体的，基于重启策略的极限学习机算法的训练过程如下：

1、初始化：

定义为隐藏层节点的数量；/>为隐藏层权重；/>为隐藏层偏差；表示生成范围在-1到1之间、数量为N的随机数；/>为极限学习机模型的输出层权重；/>表示隐藏层输出矩阵/>的Moore-Penrose伪逆；/>为训练数据的目标输出；/>为隐藏层的输出矩阵；/>为激活函数；/>为输入数据；/>为性能提升的差值；/>为性能提升阈值；/>为重置权重和偏差的比例；/>为重置后的权重；/>为重置后的偏差；/>为模型的置信度；/>为平衡系数，用于权衡准确率和稳定性的比重；为模型在验证集上的准确率；/>为模型性能的稳定性指标。/>

在一些实施例中，可以基于特征重要性得分对特征提取后的数据进行加权处理，得到加权后的输入数据；基于加权后的输入数据进行极限学习机模型的训练，计算输出层权重。

进一步地，随机初始化极限学习机的隐藏层权重和偏差，同时，设定重启策略的参数，如重启频率和重置比例。具体的，设定隐藏层节点数为，隐藏层权重/>和偏差/>的初始化公式为：

其中，表示生成/>个介于-1和1之间的随机数。

2、输出层权重计算：

使用训练数据训练极限学习机模型，计算输出层权重，最小化预测误差。具体的，极限学习机模型的输出权重计算为：

其中，表示隐藏层输出矩阵/>的Moore-Penrose伪逆。/>表示隐藏层输出矩阵为训练数据的目标输出。/>的计算方式为/>，其中/>为激活函数，/>为输入数据。

进一步地，进行特征重要性加权处理。将原始输入数据通过特征重要性得分进行加权处理，得到加权后的输入数据/>可以表示为：

其中，表示逐元素相乘，即每个特征值乘以其对应的重要性得分。

进一步地，再次使用加权后的输入数据进行极限学习机模型的训练，输出层权重的计算调整为：

其中，为使用加权输入数据/>的隐藏层输出矩阵。

进一步地，进行特征重要性的动态更新，在每次迭代训练后，根据新的模型性能对特征重要性进行更新，可以表示为：

其中，是平滑参数，用于平衡旧的重要性得分和新计算得分之间的影响。为当前迭代的性能。

3、性能评估与重启决策：

定期评估模型性能，如果性能提升不显著，则根据重启策略重置部分隐藏层权重和偏差。具体的，设定性能提升阈值为，当前迭代次数为/>，若性能提升小于/>，执行重启操作，可以表示为：

进一步地，进行特征重要性评估，设定一个特征重要性评估函数，用于计算每个输入特征/>的重要性得分，可以表示为：

其中，表示模型性能指标（具体为预测准确率）对第/>个特征的偏导数，反映该特征变化对模型性能的影响程度。

4、置信度评估：

在每次重启后，评估模型的置信度。调整重启策略的参数，如降低置信度高的模型的重启频率。具体的，在重启策略中，随机选择比例的权重和偏差进行重置：

5、最终模型确定：

重复训练-评估-重启流程，直至模型性能稳定，并确定最终模型用于设备能耗预测。具体的，置信度根据模型的预测准确率和稳定性计算，可以表示为：

其中，为平衡系数，控制准确率和稳定性的权重。/>为模型在验证集上的准确率。/>为模型在连续迭代中性能的稳定性指标。

步骤S110，基于最终模型评估机电装置的健康度。

步骤六：机电装置健康度评估：可以应用训练完成的最终模型进行机电装置健康度评估。

本发明实施例提供的上述方法，主要包括：

1、数据预处理和扩充：对采集到的数据进行标准化处理，确保数据的可比性。使用改进的生成对抗网络算法进行样本生成，以实现数据扩充。本实施例的方法通过双向反馈机制增强生成器和判别器之间的信息流动，并引入条件变量引导数据生成过程。

2、特征提取算法：采用基于生态位优化算法的神经网络优化方法进行特征提取。本实施例的算法模拟生态系统中物种的竞争和适应过程，优化神经网络参数，同时包含多样性保持机制，防止过早收敛。

3、分类器训练：使用基于重启策略的极限学习机算法作为分类器，结合置信度评估机制以提高模型的准确性和稳定性。本实施例的方法在训练过程中随机重置部分隐藏层的权重和偏差，以避免陷入局部最优。

本发明实施例提供了一种基于人工智能的设备状态预测方法，提高了机电装置健康度评估的准确性和效率；通过数据扩充和特征提取优化，增强了模型的泛化能力和预测性能；结合置信度评估机制，提高了模型的稳定性和可靠性。

本实施例提供了一种基于大数据的机电装置健康度评估装置，该方法在上述实施例的基础上实现，参见图2所示的一种基于大数据的机电装置健康度评估装置的结构示意图，该基于大数据的机电装置健康度评估装置包括：

标注和预处理模块21，用于获取机电装置的运行数据，对运行数据进行标注和预处理；其中，标注的类别用于表征机电装置的运行状态和健康状况；

数据扩充模块22，用于基于生成对抗网络和双向反馈机制对运行数据进行数据扩充以得到生成数据；通过蒙特卡洛模拟评估和优化生成数据的质量，将质量合格的生成数据和运行数据合并得到训练集；

特征提取模块23，用于对训练集的数据输入至特征提取模块进行特征提取；其中，基于生态位优化算法优化特征提取模块的神经网络参数，生态位优化算法设置有多样性保持机制；

分类器训练模块24，用于将特征提取后的数据训练分类器，得到最终模型；其中，将基于重启策略的极限学习机算法作为分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性；

健康度评估模块25，用于基于最终模型评估机电装置的健康度。

本发明实施例提供了一种基于大数据的机电装置健康度评估装置，提高了机电装置健康度评估的准确性和效率；通过数据扩充和特征提取优化，增强了模型的泛化能力和预测性能；结合置信度评估机制，提高了模型的稳定性和可靠性。

参见图3所示的另一种基于大数据的机电装置健康度评估装置的结构示意图，上述基于大数据的机电装置健康度评估装置还包括：生成器训练模块31，用于基于运行数据确定设备类型或运行环境作为条件变量；生成器基于随机噪声和条件变量，调用自适应调整函数确定生成数据的特征分布。

上述生成器的损失函数基于判别器的判别结果和生成数据的条件约束确定；自适应调整函数基于条件变量和训练时间动态得到生成数据的特征分布。

上述生成器的损失函数包括：量子启发的特征嵌入函数和条件熵；量子启发的特征嵌入函数用于将输入向量和条件变量映射到一个高维量子特征空间；条件熵基于条件变量的取值、取值的先验概率以及在生成数据的指定条件下的取值的条件概率确定。

如图3所示，上述基于大数据的机电装置健康度评估装置还包括：判别器训练模块32，用于判别器基于真实数据和生成数据确定反馈信息，基于反馈信息调整生成器；其中，判别器的损失函数基于真实数据的分布、L2正则化项、判别器网络中的权重和正则化系数确定。

上述数据扩充模块，用于对生成数据进行多次随机采样，通过蒙特卡洛模拟评估生成数据的统计特性作为蒙特卡洛模拟的结果；其中，统计特性包括：加权均值和加权方差；基于蒙特卡洛模拟的结果确定是否将生成数据加入训练集。

上述特征提取模块，至少用于以下之一：构建特征提取模块的神经网络参数种群，每个参数代表一个生态位；将每个参数进行随机初始化；对每个生态位基于生态位对应的参数在当前网络结构中的表现进行适应度评估；根据适应度分配资源，以调整生态位对应的参数的概率和幅度；优化或淘汰在当前网络结构中的表现小于预设阈值的参数；基于随机变异机制调整参数；基于交叉因子、环境敏感指数、适应度函数和迭代的学习率对参数进行交叉以产生参数组合；模拟环境变化调整资源分配和适应度评估标准；定期引入随机生成的新参数；检测参数优化的收敛性，基于收敛性确定是否继续迭代。

上述特征提取模块，用于随机初始化极限学习机的隐藏层权重和偏差，并设定重启策略的参数；其中，重启策略的参数包括重启频率和重置比例；将特征提取后的数据作为训练数据训练极限学习机模型，计算输出层权重；评估极限学习机模型的性能；如果性能小于预设阈值，基于重启策略重置部分隐藏层权重和偏差；在每次重启后评估极限学习机模型的置信度，基于置信度调整重启策略的参数。

上述特征提取模块，用于基于特征重要性得分对特征提取后的数据进行加权处理，得到加权后的输入数据；基于加权后的输入数据进行极限学习机模型的训练，计算输出层权重。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的基于大数据的机电装置健康度评估系统的具体工作过程，可以参考前述的基于人工智能的设备状态预测方法的实施例中的对应过程，在此不再赘述。

本发明实施例还提供了一种电子设备，用于运行上述基于人工智能的设备状态预测方法；参见图4所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述基于人工智能的设备状态预测方法。

进一步地，图4所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。

其中，存储器100可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口103（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述基于人工智能的设备状态预测方法，具体实现可参见方法实施例，在此不再赘述。

本发明实施例所提供的基于人工智能的设备状态预测方法和装置、的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

功能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该技术方案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（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的设备状态预测方法，其特征在于，所述方法包括：

获取机电装置的运行数据，对所述运行数据进行标注和预处理；其中，所述标注的类别用于表征所述机电装置的运行状态和健康状况；

基于生成对抗网络和双向反馈机制对所述运行数据进行数据扩充以得到生成数据；通过蒙特卡洛模拟评估和优化所述生成数据的质量，将质量合格的所述生成数据和所述运行数据合并得到训练集；

对所述训练集的数据输入至特征提取模块进行特征提取；其中，基于生态位优化算法优化所述特征提取模块的神经网络参数，所述生态位优化算法设置有多样性保持机制；

将特征提取后的数据训练分类器，得到最终模型；其中，将基于重启策略的极限学习机算法作为所述分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性；

基于所述最终模型评估所述机电装置的健康度。

2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络通过以下步骤训练生成器：

基于所述运行数据确定设备类型或运行环境作为条件变量；

所述生成器基于随机噪声和所述条件变量，调用自适应调整函数确定生成数据的特征分布。

3.根据权利要求2所述的方法，其特征在于，所述生成器的损失函数基于判别器的判别结果和所述生成数据的条件约束确定；所述自适应调整函数基于所述条件变量和训练时间动态得到所述生成数据的特征分布。

4.根据权利要求3所述的方法，其特征在于，所述生成器的损失函数包括：量子启发的特征嵌入函数和条件熵；

所述量子启发的特征嵌入函数用于将输入向量和所述条件变量映射到一个高维量子特征空间；所述条件熵基于所述条件变量的取值、所述取值的先验概率以及在所述生成数据的指定条件下的所述取值的条件概率确定。

5.根据权利要求2所述的方法，其特征在于，所述生成对抗网络通过以下步骤训练判别器：

所述判别器基于真实数据和所述生成数据确定反馈信息，基于所述反馈信息调整所述生成器；其中，所述判别器的损失函数基于所述真实数据的分布、L2正则化项、所述判别器网络中的权重和正则化系数确定。

6.根据权利要求1所述的方法，其特征在于，通过蒙特卡洛模拟评估和优化所述生成数据的质量，将质量合格的所述生成数据和所述运行数据合并得到训练集的步骤，包括：

对所述生成数据进行多次随机采样，通过蒙特卡洛模拟评估所述生成数据的统计特性作为所述蒙特卡洛模拟的结果；其中，所述统计特性包括：加权均值和加权方差；

基于所述蒙特卡洛模拟的结果确定是否将所述生成数据加入训练集。

7.根据权利要求1所述的方法，其特征在于，基于生态位优化算法优化所述特征提取模块的神经网络参数的步骤，至少包括以下之一：

构建所述特征提取模块的神经网络参数种群，每个参数代表一个生态位；将每个参数进行随机初始化；

对每个所述生态位基于所述生态位对应的参数在当前网络结构中的表现进行适应度评估；

根据所述适应度分配资源，以调整所述生态位对应的参数的概率和幅度；

优化或淘汰在当前网络结构中的表现小于预设阈值的参数；

基于随机变异机制调整所述参数；

基于交叉因子、环境敏感指数、适应度函数和迭代的学习率对参数进行交叉以产生参数组合；

模拟环境变化调整资源分配和适应度评估标准；

定期引入随机生成的新参数；

检测参数优化的收敛性，基于所述收敛性确定是否继续迭代。

8.根据权利要求1所述的方法，其特征在于，将特征提取后的数据训练分类器的步骤，包括：

随机初始化极限学习机的隐藏层权重和偏差，并设定重启策略的参数；其中，所述重启策略的参数包括重启频率和重置比例；

将特征提取后的数据作为训练数据训练极限学习机模型，计算输出层权重；

评估所述极限学习机模型的性能；如果所述性能小于预设阈值，基于重启策略重置部分隐藏层权重和偏差；

在每次重启后评估所述极限学习机模型的置信度，基于所述置信度调整所述重启策略的参数。

9.根据权利要求8所述的方法，其特征在于，将特征提取后的数据作为训练数据训练极限学习机模型，计算输出层权重的步骤，包括：

基于特征重要性得分对特征提取后的数据进行加权处理，得到加权后的输入数据；

基于加权后的输入数据进行极限学习机模型的训练，计算输出层权重。

10.一种基于大数据的机电装置健康度评估装置，其特征在于，所述装置包括：

标注和预处理模块，用于获取机电装置的运行数据，对所述运行数据进行标注和预处理；其中，所述标注的类别用于表征所述机电装置的运行状态和健康状况；

数据扩充模块，用于基于生成对抗网络和双向反馈机制对所述运行数据进行数据扩充以得到生成数据；通过蒙特卡洛模拟评估和优化所述生成数据的质量，将质量合格的所述生成数据和所述运行数据合并得到训练集；

特征提取模块，用于对所述训练集的数据输入至特征提取模块进行特征提取；其中，基于生态位优化算法优化所述特征提取模块的神经网络参数，所述生态位优化算法设置有多样性保持机制；

分类器训练模块，用于将特征提取后的数据训练分类器，得到最终模型；其中，将基于重启策略的极限学习机算法作为所述分类器的分类算法，并结合置信度评估机制衡量当前模型的预测可靠性；

健康度评估模块，用于基于所述最终模型评估所述机电装置的健康度。