基于增量式Informer算法的设备健康状态预测方法技术

本发明专利技术公开了一种基于增量式Informer算法的设备健康状态预测方法，包括S1构建设备状态数据集，获取设备上传感器采样信息与工况信息；S2对数据进行数据预处理，并分为若干个批次序列子集；S3：将数据子集进行第一次增量式Informer训练，将M1作为当前模型M

【技术实现步骤摘要】
基于增量式Informer算法的设备健康状态预测方法


[0001]本专利技术属于技术设备运行状态检测领域，具体涉及一种基于增量式Informer算法的设备健康状态预测方法。

技术介绍

[0002]利用传感器收集的设备信息对设备的运行状态进行预测，不仅可以根据需求对设备进行调整，符合生产要求，还可以提前检修设备，减少损失，防患未然。主流的设备故障预测方法有两大类：基于物理模型的方法和基于数据驱动的方法。前者对先验知识的要求较高，对于未知模型和复杂模型难以实现，后者现主要发展的是基于机器学习的预测方法。传统的时序预测方法如LSTM、RNN、ARIMA等模型都可以进行时序建模，但是大多容易出现梯度消失和梯度爆炸问题，难以用于长时间序列预测问题(LSTF)；而目前的算法大多是一次性将已有的数据放入模型进行训练，在实际应用中，随着时间的推移，收集到可用于训练的数据越来越多，模型的预测精度会逐渐降低，而且将新的数据集合并重复训练则比较耗时，容易造成灾难性遗忘问题。
[0003]为了解决上述问题，如Haoyi Zhou等对Transformer进行改造，如下论文： Zhou H,Zhang S,Peng J,et al.Informer:Beyond efficient transformer for long sequence ti meseries forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence.2021,35(12):11106
‑
11115.，提出了用于高效解决LSTF问题的Informer模型，不仅提高了预测能力，且提高了长序列预测的推理速度。该方法设计了ProbSparse自注意机制，有效减少时间复杂度和内存使用；其注意力蒸馏和生成式解码器能够有效地处理长序列输入，提高了长序列预测的推理速度，但仍是离线模型，难以根据新生成的数据流做出相应的调整。又如李孟萱等人对LSTM进行改造，如下论文：李孟萱.可增量的集成式LSTM时间序列预测研究[D]中南财经政法大学， 2020.DOI:10.27660/d.cnki.gzczu.2020.000122。该文提出了可增量式的集成式LSTM，实现了LSTM的并行训练和增量更新，但仍未能够很好地解决LSTF问题，而且每次需要重新训练多个弱学习器，学习过程较为繁琐。

技术实现思路

[0004]本专利技术目的在于提出一种基于增量式Informer算法的设备健康状态预测方法，解决现有技术中预测算法长时序预测能力差、模型训练效率低、无法适时更新模型的技术问题。
[0005]为实现上述目的，本专利技术通过以下技术方案实现：
[0006]基于增量式Informer设备健康状态预测训练方法，包括以下步骤：
[0007]步骤S1：构建设备状态数据集，获取相关设备上传感器采样信息与工况信息，采集数据的时间间隔为t，总时长为N个月，N为大于等于3的正整数；
[0008]步骤S2，对步骤S1获得的数据进行数据预处理，并将得到的样本数据按顺序分为
若干个批次序列子集，作为后续模型的输入数据；
[0009]步骤S3，将步骤S2获得的数据子集进行第一次增量式Informer训练，训练结束后，保留模型M1的各项参数和用于预测的样本数据，并将M1作为当前模型M
cur
；
[0010]步骤S4，使用步骤S3保存的模型M1对未来一个周期时刻的设备健康状态进行预测，并保存用于预测的历史数据和预测数据；
[0011]步骤S5，根据预测数据和工况，判断设备的健康状态；若状态不良则向水电机组管理人员发出预警。
[0012]步骤S6，继续收集下一批传感器的数据，直至满足下一周期预测的需求，将新收集的数据用于微调当前模型，持续增量式训练现有模型M
cur
，重复步骤S5和步骤 S6。
[0013]优选地，所述步骤S2中的预处理具体包括：
[0014]步骤S21，对所得数据样本的三类数据特征进行缺失值填充。对于空冷进口温度等，属于时间上下文关联的可用常数度量的属性，采用基于KNN异常填充的思想，计算缺失值时间附近K个特征值之和，取平均值来插补缺失值。对于工况信息，属于数值等级的属性，采用该特征中出现频率最多的值来插补缺失值；
[0015]步骤S22，根据Z
‑
score标准化方法对步骤S21获得的特征进行标准化处理，有利于提高模型精度和加快求解速度，其转化函数为：
[0016][0017]其中，x
′
为变换后的数据，x为样本真实数据，为所有样本数据的均值，σ为所有样本数据的标准差；
[0018]步骤S23，采用基于K
‑
means++的离散点检测方式，对S22获得的特征数据进行异常值检测，并处理数据异常值。首先按照工况标记分别进行检测，从步骤S22获得的样本中随机选取1个作为初始质心，计算每个样本到质心的距离。距离的度量方式优选欧式距离。其次计算每个样本点被选为下一个质心概率。概率的计算公式为：
[0019][0020]其中，D(y)为样本y到质心的欧式距离，χ为质心以外的所有样本点，P(y)为被选中的概率。∑
x∈χ
D(x)2为样本质心以外的所有样本点到质心的欧式距离的平方和。
[0021]接着选取概率最接近0.5的点作为下一个质心。重复上述步骤，直至质心的数量达到K个。最后计算所有样本点到质心的距离，如果样本点距离超过相应阈值，则标记为离散点。将标记为离散点的样本替换为其附近K个值的平均值，从而确保数据的准确性；
[0022]步骤S24，采用基于PCA的降低特征维度方式对S23获得的特征进行特征筛选，降低样本特征数量，减少计算开销。
[0023]首先对步骤S22获得的样本计算协方差矩阵，协方差矩阵的计算公式为：
[0024][0025]其中，x
i
,y
i
为不同特征在不同样本上的取值，为特征在样本集中的均值， cov(x,y)为协方差矩阵。
[0026]接着求出cov(x,y)的特征值λ和特征向量v。将特征值λ进行数值比较排序，剔除末尾的特征值。最后将样本集映射到上述保留的特征向量构建的空间中，完成降维工作；
[0027]步骤S25，将时间特征转换成一定维度的时间戳，如[年,月,日,小时,分]。
[0028]步骤S26，在步骤S25处理完成的数据上使用一个时间长度为T的时间窗口进行滑动取样，其中T等于用于预测的历史数据长度和预测数据长度之和，得到N个序列子集并按时间先后进行排序。
[0029]通过步骤S2将经步骤S1所收集到的信息转换为能够用于训练模型的输入数据。
[0030]优选地，所述步骤S3中第一次增量式Informer训练具体包括：
[0031]步骤S31，在进行增量式训练之前，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于增量式Informer算法的设备健康状态预测方法，其特征在于，包括如下步骤：步骤S1：构建设备状态数据集，获取相关设备上传感器采样信息与工况信息，采集数据的时间间隔为t，总时长为N个月，N为大于等于3的正整数；步骤S2：对步骤S1获得的数据进行数据预处理，并将得到的样本数据按顺序分为若干个批次序列子集，作为后续模型的输入数据；步骤S3：将步骤S2获得的数据子集进行第一次增量式Informer训练，训练结束后，保留模型M1的各项参数和用于预测的样本数据，并将M1作为当前模型M
cur
；步骤S4：使用步骤S3保存的模型M1对未来一个周期时刻的设备健康状态进行预测，并保存用于预测的历史数据和预测数据；步骤S5：根据预测数据和工况，判断设备的健康状态；若状态不良则向设备管理人员发出预警；步骤S6：继续收集下一批传感器的数据，直至满足下一周期预测的需求，将新收集的数据用于微调当前模型，持续增量式训练现有模型M
cur
，重复步骤S5和步骤S6。2.根据权利要求1所述的基于增量式Informer算法的设备健康状态预测方法，其特征在于，所述步骤S2中，数据的预处理预处理具体包括如下步骤：步骤S21：对所得数据样本的三类数据特征进行缺失值填充：对于设备属于时间上下文关联的可用常数度量的数据，采用基于KNN异常填充的思想，计算缺失值时间附近K个特征值之和，取平均值来插补缺失值；对于工况信息数据，属于数值等级的属性，采用该特征中出现频率最多的值来插补缺失值；步骤S22：根据Z
‑
score标准化方法对步骤S21获得的特征进行标准化处理，其转化函数为：其中，x
′
为变换后的数据，x为样本真实数据，为所有样本数据的均值，σ为所有样本数据的标准差；步骤S23：采用基于K
‑
means++的离散点检测方式，对S22获得的特征数据进行异常值检测，并处理数据异常值；步骤S24：采用基于PCA的降低特征维度方式对S23获得的特征进行特征筛选，降低样本特征数量，减少计算开销；步骤S25：将时间特征转换成一定维度的时间戳；步骤S26：在步骤S25处理完成的数据上使用一个时间长度为T的时间窗口进行滑动取样，其中T等于用于预测的历史数据长度和预测数据长度之和，得到N个序列子集并按时间先后进行排序。3.根据权利要求2所述的基于增量式Informer算法的设备健康状态预测方法，其特征在于，所述步骤S23包括如下步骤：首先，按照工况标记分别进行检测，从步骤S22获得的样本中随机选取1个作为初始质心，计算每个样本到质心的距离，采用欧式距离表示；其次，计算每个样本点被选为下一个质心概率，概率的计算公式为：
其中，D(y)为样本y到质心的欧式距离，χ为质心以外的所有样本点，P(y)为被选中的概率，∑
x∈χ
D(x)2为样本质心以外的所有样本点到质心的欧式距离的平方和，P(y)为被选中的概率；接着选取概率最接近0.5的点作为下一个质心，重复上述步骤，直至质心的数量达到K个；最后计算所有样本点到质心的距离，如果样本点距离超过相应阈值，则标记为离散点；将标记为离散点的样本替换为其附近K个值的平均值，从而确保数据的准确性。4.根据权利要求3所述的基于增量式Informer算法的设备健康状态预测方法，其特征在于，所述步骤S24包括如下步骤：首先对步骤S22获得的样本计算协方差矩阵，协方差矩阵的计算公式为：其中，x
i
,y
i
为不同特征在不同样本上的取值，为特征在样本集中的均值，cov(x,y)为协方差矩阵，n为样本数量；接着求出cov(x,y)的特征值λ和特征向量ν，将特征值λ进行数值比较排序，剔除末尾的特征值；最后将样本集映射到上述保留的特征向量构建的空间中，完成降维工作。5.根据权利要求4所述的基于增量式Informer算法的设备健康状态预测方法，其特征在于，所述步骤S3中，第一次增量式Informer训练具体包括如下步骤：步骤S31：在进行增量式训练之前，将步骤S25中获得的序列子集中获取第一个子集D1，按比例划分训练集和验证集，进行若干次训练得到多个Informer模型，然后对比在测试集上的均方误差MSE，选取MSE最小的模型作为初始模型M0，保留模型参数与训练集数据，其中MSE的计算公式为：其中，y
i
为某一特征在不同样本上的真实取值，为该特征经过模型在不同样本上的预测值，n为样本数量，为测试集上的均方误差；步骤S32：使用当前模型预测下一周期的数据并保存，获取下一个序...

【专利技术属性】
技术研发人员：丁洁，赵徐姚，
申请(专利权)人：河海大学，
类型：发明
国别省市：