一种提升设备剩余寿命预测准确度的方法技术

本发明专利技术公开了一种提升设备剩余寿命预测准确度的方法，先运用随机森林分类器对给定的且尚未完成分类的设备状态监测数据集进行分类，再对预测模型的训练样本进行人为去噪处理，运用深度学习中的长短期记忆网络模型对添加噪声后的样本进行训练，最后对其对应分类标签的设备进行剩余寿命预测。经验证，设备的剩余寿命预测准确度有大幅度提高，取得了较好的预测效果。

【技术实现步骤摘要】
一种提升设备剩余寿命预测准确度的方法
本专利技术涉及人工智能预测
，特别涉及通过设备状态监测信息来预测设备剩余寿命的预测技术。
技术介绍
现如今，合理的设备维护保养是企业生产管理中的重要一环。维护保养计划提前制定是保证设备长时间良好运行的关键，这能大幅提升企业效益。一直以来，企业往往采用事后纠正性维修和定周期维护保养相结合的方法来维护保养设备，这即纵容了设备故障的发生，也可能产生许多不必要的维修，从而增加维护保养成本。如果采用预测性维护方法，即根据设备运行时传感器的检测数据和设备输入的生产参数，分析确认设备运行状况，制定与之对应的设备维护方案进行维护，不但可以有效避免故障的发生，同时也能使设备避免进行无用修理，大幅降低维护成本。针对使用机器学习预测进行剩余寿命预测过程中测试集尚未分类这一问题，由于不同类别的样本之间往往差异较大，如果直接进行训练和测试，精度可能较差。
技术实现思路
为了解决上述问题，本专利技术中在设备剩余寿命预测前运用随机森林分类器先行对测试集样本根据训练集的分类情况进行分类，然后对训练集在训练前进行去噪处理，可以有效减少数据缺失、数据肮脏等对预测准确度的影响，提升系统的鲁棒性。本专利技术中的一种提升设备剩余寿命预测准确度的方法，包括以下步骤：步骤S1：使用随机森林分类器对未分类的测试集样本进行分类；步骤S2：运用去噪处理对数据的噪声进行控制和处理，提升预测结果的准确性，减少数据缺失和数据肮脏带来的敏感性问题；步骤S3：通过长短期记忆网络分析设备状态监测信息，预测设备剩余寿命。上述方案中，所述步骤S1包括：步骤S11：分析输入的设备状态监测信息，根据已知的已分类好的训练集确定未分类测试集样本的类型，将这一类型的信息作为训练随机森林时的输出；步骤S12：对输入的设备状态监测信息进行数据预处理，将同一台设备按每一时刻进行拆开，将某一设备某一时刻的设备状态监测信息作为随机森林训练时的一条输入信息；步骤S13：在输入的训练集样本中加入人为根据训练集样本类型制定的分类标签，再训练随机森林分类器；步骤S14：在测试集中的信息将同一台设备按每一时刻进行拆开，随后输入到训练好的随机森林分类器模型中进行测试；步骤S15：测试结果根据机器做一次投票归类。上述方案中，所述步骤S13中训练随机森林分类器前需要设定调整随机森林分类器的参数。上述方案中，所述步骤S15中投票归类采用简单多数制。上述方案中，所述步骤S2包括：步骤S21：引入人为加入的噪声，将输入的训练集样本训练特征中的随机一部分数据置0，期间控制好置0数据的比例；步骤S22：将人为噪音化的数据输入长短期记忆网络模型进行后续的训练测试预测；步骤S23：得到预测后的结果。上述方案中，所述步骤S3包括：步骤S31：根据随机森林分类器分类得到的结果选择已知的某一类训练集样本和与之类型相对应的测试集样本；步骤S32：准备训练数据；步骤S33：定义长短期记忆网络的网络架构；步骤S34：按照设定的参数和训练集样本进行训练网络模型，使用测试集对训练好的网络进行测试验证。上述方案中，所述步骤S32的训练数据包括删除恒为常值的特征、归一化训练变量、裁减响应和准备填充数据。上述方案中，所述步骤S33包括设定网络的类型和具体参数。本专利技术的优点和有益效果在于：本专利技术提供一种提升设备剩余寿命预测准确度的方法，在设备剩余寿命预测前运用随机森林分类器先行对测试集样本根据训练集的分类情况进行分类，然后对训练集在训练前进行去噪处理，可以有效减少数据缺失、数据肮脏等对预测准确度的影响，提升系统的鲁棒性。设备通过传感器获取的设备状态监测信息是一种典型的时序信息，长短期记忆网络通过选择性的记忆和遗忘能够很好地处理这类时序问题，从而能够准确预测设备剩余寿命。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性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的流程图。图2为本专利技术步骤S1的流程图。图3为本专利技术步骤S2的流程图。图4为本专利技术步骤S3的流程图。图5为本专利技术实验案例第三步中添加样本标签示意图。图6为本专利技术实验案例第四步中投票过程示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，本专利技术是一种提升设备剩余寿命预测准确度的方法，包括以下步骤：步骤S1：使用随机森林分类器根据划分好的训练集的分类规则对未分类的测试集样本进行分类；步骤S2：运用去噪处理提升预测结果的准确性，减少数据缺失和数据肮脏带来的敏感性问题；步骤S3：通过长短期记忆网络分析设备状态监测信息，预测设备剩余寿命。如图2所示，步骤S1包括：步骤S11：分析输入的设备状态监测信息，根据已知的已分类好的训练集确定未分类测试集样本的类型，将这一类型的信息作为训练随机森林时的输出；步骤S12：对输入的设备状态监测信息进行数据预处理，将同一台设备按每一时刻进行拆开，将某一设备某一时刻的设备状态监测信息作为随机森林训练时的一条输入信息；步骤S13：在输入的训练集样本中加入人为根据训练集样本类型制定的分类标签，再训练随机森林分类器，在这过程中需要设定调整随机森林分类器的参数，包括：停止生长条件，决策树颗数，决策树分枝采用的算法等等；步骤S14：在测试集中的信息将同一台设备按每一时刻进行拆开，随后输入到训练好的随机森林分类器模型中进行测试；步骤S15：测试结果根据机器做一次投票归类，采用简单多数制，即同一机器不同时刻的信息属于哪个类别的时刻数量最多，就将这个机器归为某一类。如图3所示，去噪处理需要放在归一化训练模型等数据预处理之后、使用深度学习算法进行设备剩余寿命预测之前，具体步骤S2包括：步骤S21：引入人为加入的噪声，将输入的训练集样本训练特征中的随机一部分数据置0，在这期间，需要控制好置0数据的比例，过低或过高均会影响准确性；步骤S22：将人为噪音化的数据输入长短期记忆网络模型进行后续的训练测试预测；步骤S23：得到预测后的结果。如图4所示，步骤S3包括：步骤S31：根据随机森林分类器分类得到的结果选择已知的某一类训练集样本和与之类型相对应的测试集样本；步骤S32：准备训练数据，包括删除恒为常值的特征、归一化训练变量裁减响应和准备填充数据等；步骤S33：定义长短期记忆网络的网络架构，包括设定网络的类型和具体参数等；步骤S34：按照本文档来自技高网...

【技术保护点】
1.一种提升设备剩余寿命预测准确度的方法，其特征在于，包括以下步骤：/n步骤S1：使用随机森林分类器对未分类的测试集样本进行分类；/n步骤S2：运用去噪处理对数据的噪声进行控制和处理，提升预测结果的准确性，减少数据缺失和数据肮脏带来的敏感性问题；/n步骤S3：通过长短期记忆网络分析设备状态监测信息，预测设备剩余寿命。/n

【技术特征摘要】
1.一种提升设备剩余寿命预测准确度的方法，其特征在于，包括以下步骤：
步骤S1：使用随机森林分类器对未分类的测试集样本进行分类；
步骤S2：运用去噪处理对数据的噪声进行控制和处理，提升预测结果的准确性，减少数据缺失和数据肮脏带来的敏感性问题；
步骤S3：通过长短期记忆网络分析设备状态监测信息，预测设备剩余寿命。


2.根据权利要求1所述的一种提升设备剩余寿命预测准确度的方法，其特征在于，所述步骤S1包括：
步骤S11：分析输入的设备状态监测信息，根据已知的已分类好的训练集确定未分类测试集样本的类型，将这一类型的信息作为训练随机森林时的输出；
步骤S12：对输入的设备状态监测信息进行数据预处理，将同一台设备按每一时刻进行拆开，将某一设备某一时刻的设备状态监测信息作为随机森林训练时的一条输入信息；
步骤S13：在输入的训练集样本中加入人为根据训练集样本类型制定的分类标签，再训练随机森林分类器；
步骤S14：在测试集中的信息将同一台设备按每一时刻进行拆开，随后输入到训练好的随机森林分类器模型中进行测试；
步骤S15：测试结果根据机器做一次投票归类。


3.根据权利要求2所述的一种提升设备剩余寿命预测准确度的方法，其特征在于，所述步骤S13中训练随机森林分类器前需要设定调整随机森林分类器的参数。

<...

【专利技术属性】
技术研发人员：陶清宝，汤俊萱，肖雷，鲍劲松，
申请(专利权)人：茂盟上海工程技术股份有限公司，
类型：发明
国别省市：上海;31