一种基于机器学习的故障预测方法技术

本发明专利技术公开了一种基于机器学习的故障预测方法。本方法为：1)采集待预测对象的设定运行指标数据，得到每一设定运行指标的时间序列数据；采集该待预测对象的历史故障数据；2)对步骤1)采集的数据分别进行特征提取，将提取的特征输入到机器学习系统中进行训练，得到一基础故障预测模型；3)收集该待预测对象运行时的设定运行指标的实时数据，对其进行特征提取并输入该基础故障预测模型，预测该待预测对象当前是否存在故障。本发明专利技术提高了设备安全运行效率，缩短维修时间，降低维修费用，延长设备使用寿命，减少或避免由于某些设备发生故障而产生的影响。

A fault prediction method based on machine learning

The invention discloses a fault prediction method based on machine learning. This method is as follows: 1) collect the set running index data of the object to be predicted, get the time series data of each set running index, collect the historical fault data of the object to be predicted, 2) the feature extraction of the data collected from step 1, and input the extracted feature into the machine learning system for training and get the one. The basic fault prediction model; 3) collect the real-time data of the set running index of the object to be predicted, extract the feature and input the base fault prediction model, and predict whether the object is present or not. The invention improves the safe operation efficiency of the equipment, shortens the maintenance time, reduces the maintenance cost, prolongs the service life of the equipment, and reduces or avoids the influence caused by the failure of some equipment.

【技术实现步骤摘要】
一种基于机器学习的故障预测方法
本专利技术属于人工智能机器学习领域，涉及一种维护方法，具体为涉及一种基于机器学习的故障预测方法。
技术介绍
目前，在人们现实生活中，对于系统和机器的依赖已超乎人们的想象。日常出行要开车、乘坐电梯、搭乘高铁或飞机等，还有在企业制造生产中，机器解放了劳动者，但是这些机器或系统会发生故障，有些故障只是带来不便，而有些故障则生死攸关。当风险很高的时候，需要对系统进行常规性维护。因为故障的代价要远高于表面上的代价。例如，高铁每天例行检测，汽车隔几个月保养一次，飞机则每天保养一次，如此方法则是导致资源的严重浪费，形成过度，甚至过剩维修保养。预测性维护能预测故障，提前采取行动，甚至预知何时会出现故障，能极大地节省开销、带来高的可预测性和增强系统的可用性。同时预测性维护避免了两种极端，最大化地利用资源。它将检测异常和故障模式，早早地给出预警信息，避免或最小化故障停机时间，优化周期性的维护操作，从而大大提高维护效率和效益。
技术实现思路
为了提高设备安全运行效率，缩短维修时间，降低维修费用，延长设备使用寿命，减少或避免由于某些设备发生故障而产生的影响，在一定范围内合理安排维修时间计划，以降低停机造成的损失达到最低限度，本专利技术提供一种基于机器学习的故障预测方法。本专利技术的技术方案为：一种基于机器学习的故障预测方法，其步骤包括：1)采集待预测对象的设定运行指标数据，得到每一设定运行指标的时间序列数据；采集该待预测对象的历史故障数据；2)对步骤1)采集的数据分别进行特征提取，将提取的特征输入到机器学习系统中进行训练，得到一基础故障预测模型；3)收集该待预测对象运行时的设定运行指标的实时数据，对其进行特征提取并输入该基础故障预测模型，预测该待预测对象当前是否存在故障。进一步的，机器学习系统对输入特征依次进行去噪、特征工程，训练得到一基础故障预测模型并对该基础故障预测模型进行超参数优化。进一步的，所述特征工程的处理方法为：对于每一时间序列数据，计算该时间序列数据的滑动窗口方差，将该时间序列数据的多个滑动窗口方差作为一个特征子集；然后对各特征子集进行k-均值聚类，得到最有预测能力的特征子集；计算历史故障数据的滑动窗口方差，得到历史故障数据对应的特征子集。进一步的，计算所述滑动窗口方差的方法：对于一时间序列数据{x(t)}，设置一宽度为h的诊断窗口，即该诊断窗口内包含h个按采集顺序排列的数据，诊断窗口时刻k时的数据序列为:{xk}＝{x(k-j)}(j＝h-1,h-2,…,1,0)，其对应的滑动窗口方差是序列{xk}的样本均值，nq为k时刻的诊断窗口内的奇异点个数。进一步的，对各特征子集进行k-均值聚类，得到最有预测能力的特征子集的方法为：对于每一特征子集，1)从该特征子集数据空间中选取k个对象作为初始聚类中心；2)计算该特征子集中的数据对象与各聚类中心的欧氏距离，按距离最近的准则将该特征子集中的数据对象分到距离其最近的聚类中心所对应的类；3)更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；4)判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回2)；如此反复直到得出该特征子集对应的最有预测能力的特征子集。进一步的，利用最有预测能力的特征子集训练得到所述基础故障预测模型，并对其进行超参数优化处理；利用历史故障数据对应的特征子集对所述基础故障预测模型行评估验证，如果得出的结论与已知故障匹配，则确认所述基础故障预测模型的可用性，否则对所述基础故障预测模型进行修正。进一步的，优化的超参数包括：迭代次数、分布、激活函数以及隐藏层的个数。进一步的，利用神经网络Auto-Encoder对提取的特征依次进行去噪。进一步的，提取的特征包括数据的均值、滑动窗口方差、均方根、峰值因子、峭度系数和波形因子。进一步的，所述设定运行指标包括设备温度、热量、转速度、位移、过程参数和振动量。本专利技术的有益效果是：本专利技术主要目的是预测设备可能发生故障的时间，然后采取相关行动来预防这些故障，用于监控未来的故障并提前安排维护时间，具有较好的经济和社会效益。不仅能降低成本，还能达到如下效果：1.减少维护频率。2.减少花在某个被维护的设备上的时间，提高效率。3.降低维护费用。附图说明图1为本专利技术的方法流程图。具体实施方式为了便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。数据是机器学习解决问题的根本，数据选择不对，则问题不可能被解决。首先，数据分为两部分，一部分主要是设备的基本技术参数、运行指标数据，以及过往发生故障的已知数据，具体参数涉及设备温度、热量、转速度、位移、过程参数和振动量等。另一部分是设备运行的上述参数的时间序列数据，这类数据是在所需预测对象(比如设备或系统)中加装传感器，来收集预测对象运行的实时数据，将上述两部分数据依次进行特征提取(均值、方差、均方根、峰值因子、峭度系数和波形因子)、数据清洗和标准化的预处理，之后将形成的数据集输入到机器学习系统中，依次经过去噪、特征工程和超参数优化的步骤，经过智能推理算法，先采用监督和无监督的算法，构建基础故障预测模型，使用强化学习算法进一步优化模型。再通过已有的故障样本，对预测模型进行评估验证，如果得出的结论与已知故障匹配，则确认模型的可用性，如果得出的结论有偏差，则对预测模型进行修正，若预测结论出现高偏差时，就是所谓的欠拟合，通过增加输入特征的个数、调低训练步长、增大决策树的个数以及深度等参数，反则若出现了过拟合，这时通过增大输入数据量，再就是通过正则化方法，使部分特征权重变小或者权重为0，降低模型复杂度。图1是本专利技术的系统框架结构图。下面将根据附图并结合实际情况，来详细说明本专利技术。如图1所示的预测维护数据的训练和评估框架图。首先，将原始数据通过预处理之后输入到机器学习系统中，依次进行去噪、特征工程和超参数优化的处理。用简单的神经网络Auto-Encoder来去除噪声，它用同一个数据集作为网络的输入和输出来训练模型，网络的参数个数少于数据集的维度。这与主成分分析非常类似，在主成分分析中，数据被表示为它的几个主要维度。由于噪声的维度要远高于常规数据，该过程能降低噪声，再通过有三个隐藏层的Auto-encoder优化提高去除噪声效果。经过去噪处理的数据再经过特征工程的处理得到特征子集，先选取尽可能多的特征，先进行降维，也就是从初始数据中提取有用的信息，通过降维，将高维空间中的数据集映射到低维空间数据，同时尽可能少地丢失信息，并对降维后保留的特征进行选择，最后保存这些特征子集。特征工程的处理步骤如下，滑动窗口方差：数据采样时间序列为{x(t)}，设置一宽度为h的诊断窗口，即窗口内包含h个按采集顺序排列的数据，则称x变量在k时刻的诊断窗口时间序列为:{xk}＝{x(k-j)}(j＝h-1,h-2,…,1,0)，其样本标准差x变量在k时刻的标准差的估计值为:σk表征了x变量在k时刻的特征状态。其中，是序列{xk}的样本均值，假设k时刻的诊断窗口内有nq个奇异点。k-均值：1)针对上述特征工程处理后得出的特征子集，选取每一个特征子集数据空间中的k个对象作为初始聚类中心，每个对象代表一个聚类中心；2)对于样本中本文档来自技高网...

【技术保护点】
1.一种基于机器学习的故障预测方法，其步骤包括：1)采集待预测对象的设定运行指标数据，得到每一设定运行指标的时间序列数据；采集该待预测对象的历史故障数据；2)对步骤1)采集的数据分别进行特征提取，将提取的特征输入到机器学习系统中进行训练，得到一基础故障预测模型；3)收集该待预测对象运行时的设定运行指标的实时数据，对其进行特征提取并输入该基础故障预测模型，预测该待预测对象当前是否存在故障。

【技术特征摘要】
1.一种基于机器学习的故障预测方法，其步骤包括：1)采集待预测对象的设定运行指标数据，得到每一设定运行指标的时间序列数据；采集该待预测对象的历史故障数据；2)对步骤1)采集的数据分别进行特征提取，将提取的特征输入到机器学习系统中进行训练，得到一基础故障预测模型；3)收集该待预测对象运行时的设定运行指标的实时数据，对其进行特征提取并输入该基础故障预测模型，预测该待预测对象当前是否存在故障。2.如权利要求1所述的方法，其特征在于，机器学习系统对输入特征依次进行去噪、特征工程，训练得到一基础故障预测模型并对该基础故障预测模型进行超参数优化。3.如权利要求2所述的方法，其特征在于，所述特征工程的处理方法为：对于每一时间序列数据，计算该时间序列数据的滑动窗口方差，将该时间序列数据的多个滑动窗口方差作为一个特征子集；然后对各特征子集进行k-均值聚类，得到最有预测能力的特征子集；计算历史故障数据的滑动窗口方差，得到历史故障数据对应的特征子集。4.如权利要求3所述的方法，其特征在于，计算所述滑动窗口方差的方法：对于一时间序列数据{x(t)}，设置一宽度为h的诊断窗口，即该诊断窗口内包含h个按采集顺序排列的数据，诊断窗口时刻k时的数据序列为:{xk}＝{x(k-j)}(j＝h-1,h-2,…,1,0)，其对应的滑动窗口方差ne＝h-nq-1，是序列{xk}的样本均值，nq为k时刻的诊断窗口内的奇异点个数。5.如权利要求3所述的方法...

【专利技术属性】
技术研发人员：乔立中，
申请(专利权)人：中国软件与技术服务股份有限公司，
类型：发明
国别省市：北京,11