一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法技术

本发明专利技术提供一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，首先对原始信号进行VMD分解；计算每个分量的模糊熵；判断每个分量模糊熵的值的大小，若大于设定阈值，则进行ICEEMDAN二次分解，若小于设置阈值，则进行小波软阈值去噪；对ICEEMDAN二次分解后的分量进行互相关函数分析，剔除相关系数小于规定阈值的分量，对满足条件的分量计算自相关函数，确定高频分量，对高频分量进行小波软硬阈值结合去噪；把有效信号进行重构；将重构信号输入informer模型中，得到预测结果。本发明专利技术解决了传感器记录的设备运行过程信号含有大量噪声，导致预测结果出现很大误差的问题。题。题。

【技术实现步骤摘要】
一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法


[0001]本专利技术涉及设备运行趋势预测问题，具体为一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法。

技术介绍

[0002]设备运行趋势预测基于设备震动等运行状态预测设备运行状况趋势走向，以便于设备维护计划制定或故障风险预警等，在场所临时搭建设施可靠性预测以及设备可靠性、安全性预测中广泛使用。现有设备运行趋势预测技术，一般采用经验模态分解（EMD）方法，然而存在端点效应和模态分量混叠的问题。并且现有技术中往往采用Transformer模型，虽然Transformer模型在捕捉长期依赖性上，明显比RNN有着卓越的表现，但存在自关注机制的二次计算复杂度高；长序列输入下堆叠层的内存瓶颈和预测长输出时推理速度慢的问题。因此现有技术中存在去噪方法信噪比过大、去噪效果不佳，以及传统预测模型预测误差过大的问题。

技术实现思路

[0003]为解决现有技术中的去噪方法信噪比过大、去噪效果不佳，以及传统预测模型预测误差过大的问题，本专利技术提供一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，包括：S10：对原始信号进行VMD分解；S20：计算一次分解的分量的模糊熵；S30：设置模糊熵的阈值；S40：判断一次分解得到的每个分量的模糊熵值，A分量为：模糊熵值小于规定阈值，B分量为：模糊熵值大于规定阈值；S50：若一次分解的分量满足A分量，则对分量进行小波软阈值去噪，得到一次分解的去噪信号；S60：若一次分解的分量满足B分量，则对分量进行ICEEMDAN二次分解，得到二次分解的分量；S70：计算ICEEMEDAN二次分解的分量的相关系数，X分量为：相关系数小于0.1的分量，Y分量为相关系数大于0.1的分量；S80：若二次分解的分量满足X分量，则直接剔除该分量；S90：若二次分解的分量满足Y分量，则计算自相关函数，确定高频分量，对高频分量进行小波软硬阈值结合去噪，得到二次分解的去噪信号；S100：对一次分解的去噪信号和二次分解的去噪信号进行波形重构，得到最终去噪信号；S110：将得到的去噪信号输入informer模型中，得到预测数据。
[0004]优选的，所述S10中VMD分解算法为：其中，S11：初始化，，和；其中，S12：执行周期：;其中，S13：当时，根据下式更新：其中，S14：更新：其中，S15：更新：其中，S16：重复步骤S12到S15，直到满足迭代停止条件。
[0005]式中，代表着分解后的IMF组件，代表着各组成部分的中心频率。代表拉格朗日乘子，代表二阶惩罚因子，代表频率，，，分别是对应于，，的傅里叶变换。是经过维纳滤波后的剩余量。
[0006]优选的，所述S20中模糊熵计算方法为：其中，S21：对于一个M点采样序列定义：其中，S22：按照序号的连续顺序重构生成一组n维矢量，其中，代表第j个点开始连续n个u的值，表示均值，见式子其中，S23：定义两个n维矢量和之间的距离为两者对应元素中差值最大的一个，即个，即其中，S24：用模糊函数定义两个矢量和之间的相似度,即上式中，函数为指数函数，m,r分别为指数函数边界的梯度和宽度。
[0007]其中，S25：定义函数其中，S26：重复S22
‑
S25步骤，按照序号顺序重构一组n+1维矢量，函数定义如下：
其中，S27：模糊熵定义为：当M值为有限值时，按照上述七步得出的序号长度为M时模糊熵的估计优选的，所述S50中小波软阈值去噪的阈值公式为：小波基为cB10，小波层数设置为3；是第一层分解的细节系数，N为数据长度，j为分解层数。
[0008]优选的，所述S60中ICEEMDAN分解算法为：其中，S61：向原始序列添加一组白噪声，构造序列，得到第一组残差其中，S62：计算第一模态分量其中，S63：继续添加白噪声，利用局部均值分解计算第二组残差，定义第二模态分量：其中，S64：计算第K个残差和模态分量；其中，S65：直至计算分解结束，得到所有的模态与残差数。
[0009]x为待分解信号，表示由EMD分解产生的k阶模态分量，表示产生信号的局部均值，代表高斯白噪声。
[0010]优选的，所述S70中相关系数计算公式为：其中，，，mean函数的作用是求列的平均数，A代表原始信号，B代表分解后的分量。
[0011]优选的，所述S90中计算自相关函数公式为：其中，T为信号的观测时间，是和之间的相关性。
[0012]优选的，所述S90中的小波软硬阈值去噪算法为：其中，S91：对含噪信号进行小波分解。选择sym8小波基，小波层数设置为5，进行小波分解，得到一组小波系数。
[0013]其中，S92：对小波分解的各层高频系数进行阈值量化处理，得到小波系数的估计值：其中，为第一层分解的细节系数，为数据长度。
[0014]其中，S93：对经阈值量化处理的小波系数，进行逆小波变换以重构信号，得到去噪
信号。
[0015]优选的，所述S110中informer模型的编码器接收长序列输入，通过ProbSparse自注意力模块和自注意力蒸馏模块，得到特征表示。ProbSparse自注意力机制利用稀疏矩阵来替代原来的注意力矩阵，大幅减少算力需求的同时并保持的良好的性能，并且通过将级联层输入减半来突出Self
‑
attention中的主导因子，有效地处理过长的输入序列。解码器接收长序列输入，通过多头注意力与编码特征进行交互，最后直接预测输出目标部分。
[0016]本专利技术提供了一种优化的基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，结合VMD和模糊熵对传感器采集的设施震动信号进行处理，利用小波软阈值方法对高频噪声进行去噪处理，保证了分解出的分量的有效性，结合ICEEMDAN和自相关系数筛选高频噪声，利用小波软硬阈值结合方法对高频噪声进行去噪处理，提高了任务运行整体性和预测的准确性；采用informer模型对处理后的数据进行预测，降低了预测误差，提高了模型运行效率，提高了预测的精度。
附图说明
[0017]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0018]图1为本专利技术提供的工作流程示意图；图2为本专利技术informer模型结构图。
具体实施方式
[0019]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0020]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的方式来实施，因此，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，其特征在于：步骤S10：对原始信号进行VMD分解；步骤S20：计算一次分解的分量的模糊熵；步骤S30：设置模糊熵的规定阈值；步骤S40：判断一次分解得到的每个分量的模糊熵值，A分量为：模糊熵值小于规定阈值，B分量为：模糊熵值大于规定阈值；步骤S50：若一次分解的分量满足A分量，则对分量进行小波软阈值去噪，得到一次分解的去噪信号；步骤S60：若一次分解的分量满足B分量，则对分量进行ICEEMDAN二次分解，得到二次分解的分量；步骤S70：计算ICEEMEDAN二次分解的分量的相关系数，X分量为：相关系数小于0.1的分量，Y分量为相关系数大于0.1的分量；步骤S80：若二次分解的分量满足X分量，则直接剔除该分量；步骤S90：若二次分解的分量满足Y分量，则计算自相关函数，确定高频分量，对高频分量进行小波软硬阈值结合去噪，得到二次分解的去噪信号；步骤S100：对一次分解的去噪信号和二次分解的去噪信号进行波形重构，得到最终去噪信号；步骤S110：将所述最终去噪信号输入informer模型中，得到预测数据。2.根据权利要求1所述的基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，其特征在于：步骤S10中VMD分解算法为：步骤S11：初始化，，和；步骤S12：执行周期：；步骤S13：当时，根据下式更新：步骤S14：更新：步骤S15：更新：步骤S16：重复步骤S12到S15，直到满足迭代停止条件：
式中，代表着分解后的IMF组件，代表着各组成部分的中心频率；代表拉格朗日乘子，代表二阶惩罚因子，代表频率，，，分别是对应于，，的傅里叶变换；是经过维纳滤波后的剩余量。3.根据权利要求1所述的基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，其特征在于：步骤S20中模糊熵计算方法为：步骤S21：对于一个M点采样序列定义：，步骤S22：按照序号的连续顺序重构生成一组n维矢量，其中，代表第j个点开始连续n个u的值，表示均值，计算如下：步骤S23：定义两个n维矢量和之间的距离为两者对应元素中差值最大的一个，即即步骤S24：用模糊函数定义两个矢量和之间的相似度,即上式中，函数为指数函数，m,r分别为指数函数边界的梯度和宽度；步骤S25：定义函数步骤S26：重复步骤S22
‑
S25，按照序号顺序重构一组n+1维矢量，函数定义如下：步骤S27：模糊熵定义为：当M值为有限值时，按照步骤S21
‑
S27得出的序号长度为M时模糊熵的估计：
。4.根据权利要求1所述的基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，其特征在于：步骤S30中所述规定阈值设置为0.05。5.根据权利要求1所述的基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法，其特征在于：步骤S50中小波软阈值去噪算法为：步骤S51：对含噪信号进行小波分解，选择cB10小波基，小波层数设置为...

【专利技术属性】
技术研发人员：田乐，王荟芸，常明煜，郭茂祖，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：