【技术实现步骤摘要】
基于集成混合模型的故障预测方法、装置及相关设备
本专利技术实施例涉及计算机
，尤其涉及一种基于集成混合模型的故障预测方法、装置及相关设备。
技术介绍
SSP(聚酯固相缩聚)生产线中，搅拌器作为主反应器的主要组件，体积最大并且结构也是相对最复杂，而且与其他设备是串联关系。如果发生故障，一方面需要停掉整个生产线对其进行故障诊断与维修，从而造成非计划停机的设备闲置损失；另一方面，突发性的非计划停机，也会造成设备中的化学材料反应物质由于反应不充分，而造成原材料浪费。故障预测现在是工业互联网应用的核心内容，而传统的支持向量机(SVM)，随机森林算法(RF)，梯度下降树(GBDT)等机器学习算法，对高维非线性的模型处理效果不是很理想，预测结果不够准确，从而无法提前进行设备维护，导致设备发生故障时，造成人力及材料的浪费。
技术实现思路
本专利技术实施例提供了一种基于集成混合模型的故障预测方法、装置及相关设备，旨在解决现有技术中终缩聚反应器故障预测不准确的问题。第一方面，本专利技术实施例提供了一种基...
【技术保护点】
1.一种基于集成混合模型的故障预测方法，其特征在于，包括：/n获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；/n获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；/n基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；/n基于所述标准特征数据，根据预训练的CNN-LSTM
【技术特征摘要】
1.一种基于集成混合模型的故障预测方法，其特征在于，包括：
获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；
获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；
基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；
基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二历史预测值；
建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；
根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；
基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障。
2.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据包括：
将初始的震动特征数据对应时域信号的本征模态函数进行变换，得到初始的震动特征数据对应的调幅-调频信号；
引入二次惩罚因子与乘法算子，再进行迭代更新、等距变换，得到最终的震动特征数据。
3.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述归一化处理的公式如下：
其中，xj为归一化后的数值，xi为归一化前当前维度的目标数据，xmin为当前维度中数据的最小值，xmax为当前维度中数据的最大值。
4.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述基于所述标准特征数据，根据预训练的CNN-LSTM2模型进行故障预测，得到第二预测值包括：
将所述标准特征数据进行图像化处理，得到灰度图；
根据预置的CNN模型的卷积层对所述灰度图进行空间特征提取，得到所述标准特征数据的空间特征向量；
将所述空间特征向量输入所述CNN模型中的压平层进行一维化处理，得到所述标准特征数据的时序特征向量；
基于所述时序特征向量，根据预置的LSTM2模型进行故障预测，得到第二历史预测值。
5.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数包括：
设初始关系函数为：
yp＝w1y1+w2y2，
式中，y1和y2分别代表第一历史预测值及第二历史预测值，w1和w2代表同一时刻下y1和y2的权重；
设定初始权重为ws，终止权重为wf，初始速度为vu，迭代最大次数为Np，假设yz为真值，目标函数设为：
惯性权重设为：
根据以下方程确定粒子的速度，以及访问过的个体位置，并代入所述目标函数求极小值，记录最优位置：
其中，为经过...
【专利技术属性】
技术研发人员：荆戈，陈娇娇，杨华胜，严佳，张涛，蒋俊峰，
申请(专利权)人：润联智慧科技西安有限公司，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。