基于集成混合模型的故障预测方法、装置及相关设备制造方法及图纸

本发明专利技术实施例公开了基于集成混合模型的故障预测方法、装置及相关设备。该方法包括获取终缩聚反应器的减速箱的震动特征数据以及终缩聚反应器的减速箱的环境特征数据，集合环境特征数据与震动特征数据得到数据集并从所述数据集筛选出输入特征数据；基于输入特征数据，分别通过CNN‑LSTM

【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于集成混合模型的故障本文档来自技高网...

【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减速箱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，集合所述环境特征数据与震动特征数据得到数据集并从所述数据集筛选出输入特征数据；/n基于所述输入特征数据，分别通过预置的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减速箱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，集合所述环境特征数据与震动特征数据得到数据集并从所述数据集筛选出输入特征数据；
基于所述输入特征数据，分别通过预置的CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN算法进行设备状态预测，得到第一历史预测值、第二历史预测值、第三历史预测值和第四历史预测值；
基于所述第一历史预测值、第二历史预测值、第三历史预测值以及第四历史预测值构建向量矩阵，建立所述向量矩阵与真实值的非线性关系，并根据所述向量矩阵与真实值确定所述非线性关系对应的关系函数；
分别通过所述CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN模型对目标特征数据进行设备状态预测，得到第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值；基于所述第一目标预测值、第二目标预测值、第三目标预测值以及第四目标预测值，根据所述关系函数计算最终预测值，并根据所述最终预测值确定设备状态。


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，所述基于所述输入特征数据，分别通过预置的CNN-LSTM2模型、SVM模型、CatBoost模型以及KNN算法进行设备状态计算，得到第一历史预测值、第二历史预测值、第三历史预测值和第四历史预测值，包括：
将所述输入特征数据划分为若干份，选取其中一份作为验证集，选取剩余份作为若干份训练集；
基于所述若干份训练集，分别构建若干个CNN-LSTM2模型，通过若干个所述CNN-LSTM2模型分别对所述验证集进行设备状态预测，得到若干个第一预测值，以若干个所述第一预测值的平均值作为第一历史预测值；
基于所述若干份训练集，分别构建若干个SVM模型，通过若干个所述SVM模型分别对所述验证集进行设备状态预测，得到若干个第二预测值，以若干个所述第二预测值的平均值作为第二历史预测值；
基于所述输入特征数据，通过预置的CatBoost模型进行设备状态预测，得到第三历史预测值；
基于所述输入特征数据，通过预置的KNN算法进行设备状态预测，得到第四历史预测值。


3.根据权利要求2所述的基于集成混合模型的故障预测方法，其特征在于，基于所述若干份训练集，分别构建若干个CatBoost模型，通过若干个所述CatBoost模型分别对所述验证集进行预测，得到若干个第三预测值，以若干个所述第三预测值的平均值作为第三历史预测值，包括：
将所述验证集和若干份训练集中的温度特征数据按预设转换函数转换为标签数据，并将所述温度特征数据以所述标签数据表示；
基于所述输入特征数据，通过预置的CatBoost模型进行设备状态预测，得到第三历史预测值。


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...

【专利技术属性】
技术研发人员：荆戈，陈娇娇，杨华胜，蒋俊峰，张涛，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：广东;44