一种基于周期性预测神经网络的工业数据故障预测方法技术

本发明专利技术提出了一种基于周期性预测神经网络的工业数据故障预测方法，包括如下步骤：(1)设计模式探索分支环，建立设备运行状态模式，用于存储和表示设备的各种运行状态以及时序关系。(2)设计周期性预测神经网络，用于在云环境下，根据当前一个周期的时间序列预测下一个状态以及其故障的概率。(3)在云环境下通过运行过程中动态节点的选择、数据对偶，迭代挖掘未发生的新故障，建立数据实验机制，从而在实时云环境下实现故障预测。一种基于周期性预测神经网络的工业数据故障预测方法，将工业数据故障预测以及神经网络相结合，并通过设计基于周期性预测神经网络模型提高算法执行率的同时算法预测精度。

A Fault Prediction Method for Industrial Data Based on Periodic Predictive Neural Network

The invention proposes a method of industrial data fault prediction based on periodic predictive neural network, which includes the following steps: (1) exploring branch loops for design mode, establishing equipment operation mode, and storing and expressing various operation states and time series relations of equipment. (2) A periodic predictive neural network is designed to predict the next state and its failure probability in the cloud environment according to the time series of the current period. (3) In the cloud environment, through the selection of dynamic nodes and data duality in the running process, the new faults are excavated iteratively, and the data experiment mechanism is established to realize the fault prediction in the real-time cloud environment. A fault prediction method for industrial data based on periodic predictive neural network is proposed. The method combines the fault prediction of industrial data with the neural network. The prediction accuracy of the algorithm is improved by designing a periodic predictive neural network model.

【技术实现步骤摘要】
一种基于周期性预测神经网络的工业数据故障预测方法
本专利技术涉及神经网络、故障预测、大数据云计算环境，具体涉及到一种基于周期性预测神经网络的工业数据故障预测方法。
技术介绍
随着云计算技术的广泛应用，工业设备运行管理采用现场数据收集后，传送到云端进行数据分析处理，这已经成为一个通用的模式。一个迫切的问题是大量历史数据的有效挖掘与动态运行数据的实时处理如何有机融合，从而实现数据智能，解决设备运行中出现的问题。显然，这需要一种基于周期性预测神经网络的工业数据故障预测方法，支撑大规模时间序列数据的智能处理。故障诊断预测的难点在于：实际场景中收集到的大规模时序数据中，故障数据通常非常稀少，未来的故障可能是以前没有发生过的故障，难以实现有效的故障分析和预测。各种场景限制带来的数据的不完备是目前大数据处理研究的一个普遍问题。如果仅仅从实际数据进行分析，无法从理论上验证实际系统故障所可能产生的所有场景，从而也难以发掘故障产生的所有模式并有效进行故障预测。本方法采用一种基于周期性预测神经网络的工业数据故障预测方法能较为准确的故障预测。该方法通过建立周期性神经网络预测模型，提高算法训练的速度；通过根据当前一个周期的时间序列预测下一个状态以及其故障的概率，减少预测数据异常错误率使得算法稳定性大大提升；
技术实现思路
为解决现有技术中的缺点和不足，本专利技术提出了一种基于周期性预测神经网络的工业数据故障预测方法，通过周期性预测神经网络模型，进行工业数据故障预测，准确进行工业设备故障预测与提升预测准确率。本专利技术的技术方案为：a.设计模式探索分支环，建立设备运行状态模式，用于存储和表示设备的各种运行状态以及时序关系。b.设计周期性预测神经网络，用于在云环境下，根据当前一个周期的时间序列预测下一个状态以及其故障的概率。c.在云环境下通过运行过程中动态节点的选择、数据对偶，迭代挖掘未发生的新故障，建立数据实验机制，从而在实时云环境下实现故障预测。本专利技术的有益效果：(1)构建基于周期性预测神经网络模型，从而提高数据预测质量；(2)本方法通过神经记忆模型的网络结构提高了模型训练速度；(3)通过融合均方差和交叉熵设计的网络模型，提升了预测准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种基于周期性预测神经网络的工业数据故障预测方法的神经元模型；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。如图1所示，一种基于周期性预测神经网络的工业数据故障预测方法中模型的具体设计详细说明：周期性预测神经网络模型主要基于GRU，即门控递归单元。针对周期性数据的特点，重新设计周期性预测神经网络模型，重点在于设计神经元连接方式和损失函数。神经网络输出模块设计为两个，一个输出下一步状态Vi+1，一个输出对于下一步状态的评估结果Pi+1。Q(s_i)＝(Vi+1,Pi+1)⑿周期性预测神经网络模型输入的s_i为当前数据节点往前推一个周期的数据状态变化轨迹，输出的Vi+1为选择下一个数据节点和选择它之后的故障概率Pi+1。周期性预测神经网络模型的结构如图1所示。输出值为上一状态值和候选值与这个更新比例叠加得到。决定了当前输入值与上一状态输入值在当前候选值中所占的比例大小。的计算公式为：在这里相当于已经接收的状态值ht-1和当前的状态值xt的一个累加和，Wz和Uz是相应的权重。当前候选值的计算公式为：在此rt代表重置门，⊙代表多选状态。当rt等于0时，把前边输入的所有状态值全部忘掉，不会对新输入的值有任何影响。rt的计算公式为：其损失函数设计为综合评估期望与交叉熵的函数，yd为预测结果，为期望结果，pd为预测概率，为期望概率，λ为经验参数，控制均方差在该损失函数中所占的权重：α为L2正则项参数，w为神经网络中的相关参数，L2正则化的解都比较小，抗扰动能力强，有利于提高周期性预测神经网络模型的性能。本专利技术的一种基于周期性预测神经网络的工业数据故障预测方法，通过把神经网络、门控递归单元和周期性数据特征结合，该方法能实现根据当前一个周期的时间序列预测下一个状态以及其故障的概率，避免了对于工业数据信息利用的不足。在通过融合均方差和交叉熵有效地提高了计算效率，同时增加了预测算法的准确性；以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于周期性预测神经网络的工业数据故障预测方法，其特征在于，采用周期性预测神经网络模型方法，并结合工业海量数据，进行设备故障预测，包括以下步骤：周期性预测神经网络模型主要基于GRU，即门控递归单元。针对周期性数据的特点，重新设计周期性预测神经网络模型，重点在于设计神经元连接方式和损失函数。神经网络输出模块设计为两个，一个输出下一步状态Vi+1，一个输出对于下一步状态的评估结果Pi+1。Q(s_i)＝(Vi+1，Pi+1)   (1)周期性预测神经网络模型输入的s_i为当前数据节点往前推一个周期的数据状态变化轨迹，输出的Vi+1为选择下一个数据节点和选择它之后的故障概率Pi+1。

【技术特征摘要】
1.一种基于周期性预测神经网络的工业数据故障预测方法，其特征在于，采用周期性预测神经网络模型方法，并结合工业海量数据，进行设备故障预测，包括以下步骤：周期性预测神经网络模型主要基于GRU，即门控递归单元。针对周期性数据的特点，重新设计周期性预测神经网络模型，重点在于设计神经元连接方式和损失函数。神经网络输出模块设计为两个，一个输出下一步状态Vi+1，一个输出对于下一步状态的评估结果Pi+1。Q(s_i)＝(Vi+1，Pi+1)(1)周期性预测神经网络模型输入的s_i为当前数据节点往前推一个周期的数据状态变化轨迹，输出的Vi+1为选择下一个数据节点和选择它之后的故障概率Pi+1。周期性预测神经网络模型的结构如图1所示。输出值为上...

【专利技术属性】
技术研发人员：耿祖琨，张卫山，任鹏程，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37