一种基于卷积循环神经网络的机电设备故障时间预测方法技术

本发明专利技术涉及机电设备故障维修技术领域，尤其涉及一种基于卷积循环神经网络的机电设备故障时间预测方法，包括以下步骤：S1，构造时间序列的综合评价指标CSI；S2，通过动态时间规整对被规整时间序列进行预处理，获取优化时间序列；S3，训练卷积循环神经网络；S4，在优化卷积循环神经网络中以优化时间序列总长度的后10％为故障样本，获取预测故障输出时间序列；S5，将预测故障输出时间序列与预测样本对比，求取预测误差。本发明专利技术一种基于卷积循环神经网络的机电设备故障时间预测方法考虑到故障时间数据的样本少，采用的动态时间规整具有过采样和相似匹配的特征，更适合于在数据建模之前对数据进行预处理，特别是对于小样本且存在扰动的故障数据。动的故障数据。动的故障数据。

【技术实现步骤摘要】
一种基于卷积循环神经网络的机电设备故障时间预测方法


[0001]本专利技术涉及机电设备故障维修
，具体为一种基于卷积循环神经网络的机电设备故障时间预测方法。

技术介绍

[0002]机电设备的故障时间间隔是反映设备或系统故障规律的基础指标之一。故障时间的预测对于机电设备或者系统健康运行有着重要的意义，准确的预测故障时间也能够帮助制定科学合理的维修保障计划，提高设备运行的安全性。
[0003]基于数据驱动的方法采用不同数据分析和处理技术，深度分析故障时间序列的关联关系，有效的预测故障。但该方法往往需要大量数据，对于数据质量的依赖性比较强。实际故障时间数据通常具有时间跨度长、故障样本少、随机干扰多且非均匀采样的特点，进一步加大故障时间预测的难度。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术提供一种基于卷积循环神经网络的机电设备故障时间预测方法。
[0005]本专利技术是通过以下技术方案来实现：
[0006]一种基于卷积循环神经网络的机电设备故障时间预测方法，包括以下步骤：
[0007]S1，构造时间序列的综合评价指标CSI；
[0008]S2，针对所有的时间序列，计算时间序列的综合评价指标CSI，根据CSI的数值大小划分所有的时间序列为参考时间序列和被规整时间序列，并通过动态时间规整对被规整时间序列进行预处理，获取优化时间序列；
[0009]S3，以优化时间序列总长度的前90％为训练样本，训练卷积循环神经网络，获取优化卷积循环神经网络；
[0010]S4，在优化卷积循环神经网络中以优化时间序列总长度的后10％为故障样本，获取预测故障输出时间序列；
[0011]S5，将预测故障输出时间序列与预测样本对比，求取预测误差。
[0012]优选的，在S1中，利用平稳定指标和复杂度指标构造时间序列的综合评价指标CSI。
[0013]优选的，平稳度指标包括标准差和P值。
[0014]优选的，复杂度指标包含Lempel
‑
ziv指标和样本熵。
[0015]优选的，综合评价指标CSI的表达式为：
[0016]CSI＝STD
×
P_value
×
C
Lempel
‑
ziv
×
SampEn
[0017]式中，STD为标准差；P_value为P值，C
Lempel
‑
ziv
为Lempel
‑
ziv指标，SampEn为样本熵。
[0018]优选的，在S2中，选择CSI最小的时间序列作为参考序列，其余时间序列为被规整
序列。
[0019]优选的，在S3中，卷积循环神经网络以卷积神经网络的卷积层和池化层组成时间序列特征提取单元，长短时记忆网络单元和全连接层组成时间序列预测单元。
[0020]优选的，在S3中，训练卷积循环神经网络的步骤如下：首先采用权值共享的卷积运算从原始故障时间序列数据中提取原始特征；并采用最大值池化对卷积运算进行压缩，获取池化特征；之后采用长短时记忆网络对池化特征进行训练；最后采用全连接层对神经元权值进行特征加权处理。
[0021]优选的，加权处理时，采用适应性动量估计算法对权值梯度进行优化。
[0022]优选的，在S5中，采用均方误差来评估预测故障输出时间序列与预测样本之间的差异。
[0023]与现有技术相比，本专利技术具有以下有益效果：
[0024]本专利技术一种基于卷积循环神经网络的机电设备故障时间预测方法考虑到故障时间数据的样本少，采用的动态时间规整具有过采样和相似匹配的特征，更适合于在数据建模之前对数据进行预处理，特别是对于小样本且存在扰动的故障数据。
[0025]本专利技术采用动态时间规整提高故障时间序列的数据质量，采用的卷积循环神经网络由输入层、卷积层、池化层、LSTM单元、全连层以及输出层组成。该网络结构能够将输入的时间序列进行高维特征提取和时间序列建模。对于样本少的故障时间序列能够充分提取故障时间中隐含的序列特征，然后利用这些特征对故障时间序列进行建模和训练。
[0026]在数据质量增强预处理的基础上，采用的卷积循环神经网络可提取高维特征构建时序特征，适用于小样本条件下的故障时间预测。
[0027]进一步的，考虑了卷积神经网络(CNN)的短序列特征提取能力来提取故障时间序列的高维特征，结合长短时记忆网络(LSTM)的时间序列建模能力，对设备故障时间序列进行建模和预测。相较于单一的利用LSTM网络对序列直接进行训练和学习依赖于序列的样本总量和长度，本专利技术能够适用于小样本条件下故障时间序列的建模与预测，且精度较高。
附图说明
[0028]图1为本专利技术的流程示意图；
[0029]图2为以#3设备为参考序列的#1设备故障时间序列规整结果；
[0030]图3为以#3设备为参考序列的#6设备故障时间序列规整结果；
[0031]图4为本专利技术中卷积循环神经网络结构；
[0032]图5为本专利技术中卷积循环神经网络的结构参数；
[0033]图6为长短时记忆网络单元；
[0034]图7左边为#1设备未进行规整预处理的预测结果，右边为规整预处理后预测结果；
[0035]图8为#3设备的预测结果；
[0036]图9左边为#6设备未进行规整预处理的预测结果，右边为规整预处理后预测结果。
具体实施方式
[0037]下面结合具体的实施例对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不是限定。
[0038]本专利技术公开了一种基于卷积循环神经网络的机电设备故障时间预测方法，参照图1，包括以下步骤：
[0039]S1，利用平稳定指标和复杂度指标构造时间序列的综合评价指标CSI，平稳度指标包括标准差和P值，复杂度指标包含Lempel
‑
ziv指标和样本熵。
[0040]综合评价指标CSI的表达式为：
[0041]CSI＝STD
×
P_value
×
C
Lempel
‑
ziv
×
SampEn
[0042]式中，STD为标准差；P_value为P值，C
Lempel
‑
ziv
为Lempel
‑
ziv指标，SampEn为样本熵。
[0043]STD的计算公式为：
[0044]P值的计算公式为：P_value＝P(序列x是非平稳序列|序列x是平稳序列)；
[0045]Lempel
‑
ziv指标的计算公式为：
[0046]样本熵的计算公式为：SampEn＝
‑
ln{A
k
(r)/B
m
(r)}。
[0047]S2，针对所有的故障时间序列，计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积循环神经网络的机电设备故障时间预测方法，其特征在于，包括以下步骤：S1，构造时间序列的综合评价指标CSI；S2，针对所有的时间序列，计算时间序列的综合评价指标CSI，根据CSI的数值大小划分所有的时间序列为参考时间序列和被规整时间序列，并通过动态时间规整对被规整时间序列进行预处理，获取优化时间序列；S3，以优化时间序列总长度的前90％为训练样本，训练卷积循环神经网络，获取优化卷积循环神经网络；S4，在优化卷积循环神经网络中以优化时间序列总长度的后10％为故障样本，获取预测故障输出时间序列；S5，将预测故障输出时间序列与预测样本对比，求取预测误差。2.根据权利要求1所述的基于卷积循环神经网络的机电设备故障时间预测方法，其特征在于，在S1中，利用平稳定指标和复杂度指标构造时间序列的综合评价指标CSI。3.根据权利要求2所述的基于卷积循环神经网络的机电设备故障时间预测方法，其特征在于，平稳度指标包括标准差和P值。4.根据权利要求2所述的基于卷积循环神经网络的机电设备故障时间预测方法，其特征在于，复杂度指标包含Lempel
‑
ziv指标和样本熵。5.根据权利要求1所述的基于卷积循环神经网络的机电设备故障时间预测方法，其特征在于，综合评价指标CSI的表达式为：CSI＝STD
×
P_value
×
C
Lempel
‑
z...

【专利技术属性】
技术研发人员：周子桐，严鉴铂，寇植达，段宇，
申请(专利权)人：陕西法士特齿轮有限责任公司，
类型：发明
国别省市：