改进SVR算法的电子设备故障预测方法技术

本发明专利技术涉及一种改进SVR算法的电子设备故障预测方法，从电子设备状态监测器中提取能够表征电子设备状态退化全过程的样本数据；针对样本特征数据进行数据预处理；建立支持向量回归(SVR)预测模型；通过粒子群算法对SVR预测模型进行参数优化；基于粒子群算法改进后SVR模型设计了递归多步预测的方法，并以此绘制设备状态劣化曲线；根据设备状态劣化曲线，设计基于滑动时间窗口的故障预警。本发明专利技术预测故障方法，客观准确地反映被监测的电子设备的运行状态，预测设备未来状态变化趋势，及时进行故障预警，为指导后续的设备故障管理和维护工作提供依据。供依据。供依据。

【技术实现步骤摘要】
改进SVR算法的电子设备故障预测方法


[0001]本专利技术涉及一种设备故障判断技术，特别涉及一种基于多步预测及粒子群算法改进SVR算法的电子设备故障预测方法。

技术介绍

[0002]随着新技术的广泛应用和功能、性能不断丰富强化，现代大型设备系统的复杂度以及精密度越来越高。为了使设备能够长时间稳定运行，满足生产发展的需要，因此要求设备对故障的容忍度极低，这与愈发复杂的设备系统可能带来的风险产生矛盾。目前，传统的定期排查、事后管理维修等系统维护手段已经无法适应现代设备发展趋势，高效、准确、低成本的设备监测维护系统和科学的维修管理技术，以及视情维修方法的需求愈发强烈。
[0003]随着现代传感器技术和信息技术的发展，效率更高的基于状态维护的技术越来越受到人们的青睐。它是根据设备的实际运行情况，采用先进的故障诊断和预测技术进行检测，通过测量并统计设备运行时的动态信息，据此预测设备健康度变化趋势、预测设备故障，并根据设备运行的实际情况提出合理的修理措施。这种基于状态的维护方法尤其是基于状态维护中的关键环节——故障预测，可以避免预防性维护存在的检修过多的问题，从而极大地减少了维护次数，降低了支出，并且提高了维护效率。
[0004]工业领域常用的设备故障预测方法为基于专家知识经验的故障预测，如专利“一种基于知识库的设备故障预测系统”(CN107966942A)。但是此方法依赖领域专家知识库，具有很强的主观性和局限性，并且对于专家知识的丰富程度以及专家知识水平有很高的要求。因此，基于数据驱动的故障预测方式的需求不断增加，主要思想是：基于设备历史数据建立故障预警模型，并根据生成的预警模型设置阈值，如专利“一种基于机器学习的故障预测方法”(CN108304941A)。这种方法建立准确的符合设备机理模型，具有较强的通用性和适应性。常用的方法有回归模型、时间序列模型、灰色模型、神经网络模型等。但是，考虑到电子设备所处的工作环境复杂，并且电子设备历史数据较为有限的情况，常用的方式并不能满足这一需求，而支持向量回归(SVR)模型具有适用范围广、泛化能力好、鲁棒性强、操作简单等优点，更能适应小样本学习。所以SVR预测模型能够很好地满足电子设备故障预测中噪声干扰多、历史数据量较少的问题，但SVR预测模型仍存在一些不足，如算法模型内的平滑参数C和核参数σ2难以确定的问题、SVR预测模型预测过程缺乏可解释性且其预测稳定性差的问题。

技术实现思路

[0005]针对支持向量回归算法运用到设备故障预测存在的问题，提出了一种改进SVR算法的电子设备故障预测方法，客观准确地反映被监测的电子设备的运行状态，预测设备未来状态变化趋势，及时进行故障预警，为指导后续的设备故障管理和维护工作提供依据。
[0006]本专利技术的技术方案为：一种改进SVR算法的电子设备故障预测方法，具体包括如下步骤：
[0007]1)数据准备并选取：从电子设备状态数据集中选取几组较为完整的全生命周期监测数据，从中选择能够表征电子设备不同故障类型且能被连续监测和记录的特征参量，作为设备的退化特征变量；
[0008]2)对步骤1)选取的完整的全生命周期监测数据进行数据预处理：数据为测量的状态数据和时间序列二维数据，将二维数据参考退化特征变量进行划分，划分为训练集和测试集，并且在训练集和测试集中将相邻的每四个数据划分为一组，为后续的多步预测做准备；
[0009]3)建立SVR预测模型：将步骤2)训练集送入SVR预测模型进行模型训练，并用测试集对训练后模型进行验证，获取预测效果；
[0010]4)通过粒子群算法对步骤3)建立的SVR预测模型进行参数优化，得出最优的平滑参数C以及核函数系数σ2；
[0011]5)基于粒子群算法改进后SVR模型设计了递归多步预测的方法，并以此绘制设备状态劣化曲线：
[0012]递归多步预测思想为以下公式所示：
[0013]prediction(t)＝model(obs(t
‑
1),obs(t
‑
2),...,obs(t
‑
m))
[0014]prediction(t+1)＝model(prediction(t),obs(t
‑
1),obs(t
‑
2),...,obs(t
‑
m+1))
[0015]其中，prediction(t)为t时刻根据SVR预测模型所得的预测数据、model为代入最优参数后的SVR预测模型，obs(t
‑
1),obs(t
‑
2),...,obs(t
‑
n)为t时刻前监测器所测得的实际训练数据，prediction(t+1)为结合递归多步预测后根据SVR预测模型所得的预测数据，步骤2)中相邻的每四个数据划分为一组，这里的m为4，即通过t时刻前4个时刻的数据以及t时刻的预测数据作为训练数据，来预测第t+1时刻的数据，并以此类推生成预测数据；
[0016]根据预测数据，绘制设备状态劣化曲线；
[0017]7)根据数据劣化曲线，设计基于滑动时间窗口的故障预警。
[0018]进一步，所述步骤2)在划分数据集的基础上将高斯白噪声加入到数据集中来实现数据增强，具体以下表达式表示：
[0019][0020]其中x(n)为数据集中实际信号，s(n)为加入噪声后的信号，n为信号采样的时刻，N为总的信号采样数；通过设定信噪比SNR的值来设定输入噪声的大小。
[0021]进一步，所述步骤4)具体实现步骤包括：
[0022]4.1)种群初始化：初始化SVR模型参数，包括惩罚因子C，核函数参数σ2，生成初始种群；
[0023]4.2)构造适应度函数：适应度函数f(x)用SVR预测模型的拟合误差来构造；
[0024]4.3)粒子群算法参数设定：设定算法中的种群规模，最大遗传代数和算法终止条件；
[0025]4.4)计算个体极值和全局最优解：输入SVR预测模型进行训练并根据适应度函数计算个体极值和全局最优解；
[0026]4.5)更新速度和位置：根据计算的个体极值和全局最优解更新每个粒子的速度和位置；
[0027]4.6)判断是否满足终止条件：可将适应度值是否达到要求作为算法的终止条件，也可将设定的最大遗传代数作为终止条件；若不满足算法终止条件，则返回4.4)操作继续执行，直到满足算法终止条件；
[0028]4.7)得到最优的平滑参数C和核系数σ2。
[0029]进一步，所述步骤6)实现方法：在数据劣化曲线，采用指定单位长度的时间框勾选时间序列上的健康度值，用时间框内的计算所得的平均值代替指定时间对应的值，在滑动时间窗口的基础上设定阈值模型：其中E
max
为设备平均健康值的最大值，k为预警阈值系数，E
an
为故障预警阈值，再根据每一个时间窗口所输出的值与E
an
比较，来判断是否报警。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进SVR算法的电子设备故障预测方法，其特征在于，具体包括如下步骤：1)数据准备并选取：从电子设备状态数据集中选取几组较为完整的全生命周期监测数据，从中选择能够表征电子设备不同故障类型且能被连续监测和记录的特征参量，作为设备的退化特征变量；2)对步骤1)选取的完整的全生命周期监测数据进行数据预处理：数据为测量的状态数据和时间序列二维数据，将二维数据参考退化特征变量进行划分，划分为训练集和测试集，并且在训练集和测试集中将相邻的每四个数据划分为一组，为后续的多步预测做准备；3)建立SVR预测模型：将步骤2)训练集送入SVR预测模型进行模型训练，并用测试集对训练后模型进行验证，获取预测效果；4)通过粒子群算法对步骤3)建立的SVR预测模型进行参数优化，得出最优的平滑参数C以及核函数系数σ2；5)基于粒子群算法改进后SVR模型设计了递归多步预测的方法，并以此绘制设备状态劣化曲线：递归多步预测思想为以下公式所示：prediction(t)＝model(obs(t
‑
1),obs(t
‑
2),...,obs(t
‑
m))prediction(t+1)＝model(prediction(t),obs(t
‑
1),obs(t
‑
2),...,obs(t
‑
m+1))其中，prediction(t)为t时刻根据SVR预测模型所得的预测数据、model为代入最优参数后的SVR预测模型，obs(t
‑
1),obs(t
‑
2),...,obs(t
‑
n)为t时刻前监测器所测得的实际训练数据，prediction(t+1)为结合递归多步预测后根据SVR预测模型所得的预测数据，步骤2)中相邻的每四个数据划分为一组，这里的m为4，即通过t时刻前4个时刻的数据以及t时刻的预测数据作...

【专利技术属性】
技术研发人员：尹德斌，慕涵铄，徐超，乔非，孙志伟，孙凯文，翟晓东，
申请(专利权)人：同济大学，
类型：发明
国别省市：