一种复杂装备退化阶段的预测方法技术

本发明专利技术涉及复杂装备退化阶段预测技术领域，公开了一种复杂装备退化阶段的预测方法，包括复杂装备的多源传感器信号采集；复杂装备的多源传感器参数关联性分析；对全生命周期多源传感器数据进行k均值聚类，建立聚类模型，确定退化阶段中心；建立线性自回归模型与非线性神经网络混合的多维参数预测模型；训练构建的多维参数预测模型直至预测误差满足预测精度需求；将复杂装备最新的监测数据输入多维参数预测模型，获得各关键参数的预测值；计算预测结果输入聚类模型判断复杂装备即将进入的退化阶段。本发明专利技术预测了复杂装备即将进入的退化阶段，提高了复杂装备退化阶段预测的准确性，增进了复杂装备的综合保障能力。增进了复杂装备的综合保障能力。增进了复杂装备的综合保障能力。

【技术实现步骤摘要】
一种复杂装备退化阶段的预测方法


[0001]本专利技术涉及复杂装备退化阶段预测
，尤其涉及一种复杂装备退化阶段的预测方法。

技术介绍

[0002]复杂装备的部件众多，传感器监测参数关联性耦合性复杂，融合机械、液压、电气、电子各类器件。受工作负载和工作环境的影响，复杂设备不可避免的发生退化，而其退化阶段通常分为健康阶段(缓慢退化)、退化阶段(快速退化)和临近失效阶段。因此，准确而及时的退化阶段预测能够预测复杂设备的状态，提前进行装备的预防性维护，保障复杂设备的运行。
[0003]复杂装备维护长期依赖定期维护，定期维护具有多、繁的特点，增加了装备保障的支出。随着故障预测与健康管理技术的发展，预防性维修保障成为装备维护的主流。
[0004]因此如何提供一种提高复杂装备退化阶段预测的准确率和快速性的复杂装备退化阶段预测方法，成为了本领域技术人员急需解决的技术问题。

技术实现思路

[0005]本专利技术目的是提供了一种复杂装备退化阶段的预测方法，以解决上述问题。
[0006]本专利技术解决技术问题采用如下技术方案：
[0007]一种复杂装备退化阶段的预测方法，所述方法包括如下步骤：
[0008]步骤S1：建立线性自回归模型与非线性神经网络混合的多维参数预测模型；
[0009]步骤S2：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；
[0010]步骤S3：通过步骤S1所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；
[0011]步骤S4：将步骤S3得到的各参数的预测值输入步骤S2所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。
[0012]进一步地，所述非线性神经网络，包括隐含层和输出层，所述隐含层包括线性自回归模型，线性自回归模型与非线性神经网络模型并行。
[0013]进一步地，所述多维参数预测模型的建立具体步骤如下：
[0014]步骤S1.1：将复杂装备在整个生命周期过程中多源传感器采集得到的信号数据构成历史数据库；
[0015]步骤S1.2：对历史数据库数据进行数据预处理；
[0016]步骤S1.3：通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择；
[0017]步骤S1.4：结合S1.2、S1.3处理的输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型。
[0018]进一步地，所述在线监测数据在输入多维参数预测模型前先对在线监测数据进行
数据预处理，并选择相关的特征作为输入。
[0019]进一步地，所述非线性神经网络模型通过历史数据训练，调整模型结构与模型参数。
[0020]进一步地，所述k均值聚类模型的建立包括如下步骤，
[0021]S2.1选取监测数据空间中的K个对象作为初始中心，即各退化阶段中心；
[0022]S2.2根据数据对象与S2.1所述各退化阶段中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心所对应的退化阶段；
[0023]S2.3更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
[0024]S2.4判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，重新划分类别。
[0025]进一步地，所述数据预处理的方法包括缺失值填充、异常值剔除和数据归一化以及噪声去除。
[0026]进一步地，所述监测数据为多维时间序列数据。
[0027]进一步地，所述历史数据训练包括如下步骤，
[0028]步骤一、根据构建的预测模型的输入输出结构，基于时序监测数据构造监督式的样本，并划分训练集和测试集；
[0029]步骤二、设定模型超参数，初始化网络中神经元参数，并设计损失函数、参数优化器及训练收敛结束条件；
[0030]步骤三、输入训练样本，进行前向传播计算；
[0031]步骤四、计算模型损失函数，并判断损失函数是否收敛；
[0032]步骤五、若损失函数收敛，则训练完成；否则误差反向传播，优化模型参数，迭代重复步骤三和步骤四，直到损失函数满足要求或满足训练结束条件，并判断预测精度是否满足要求。
[0033]一种复杂装备退化阶段的预测系统，所述系统包括如下模块：
[0034]第一计算模块：用于建立线性自回归模型与非线性神经网络混合的多维参数预测模型；
[0035]第二计算模块：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；
[0036]第一执行模块：用于通过第一计算模块所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；
[0037]第二执行模块：用于将第一执行模块得到的各参数的预测值输入第二计算模块所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。
[0038]有益效果：
[0039]本专利技术公开提供了一种复杂装备退化阶段的预测方法，基于k均值聚类方法对多维传感器参数聚类得到各退化阶段的退化中心，基于线性自回归模型与非线性神经网络混合的多维参数预测模型对关键参数进行预测，将预测结果输入k均值聚类模型对退化阶段进行预测。
附图说明
[0040]图1为本专利技术提供的一种复杂装备退化阶段的预测方法流程图。
[0041]图2为本专利技术k均值退化阶段划分的流程图。
[0042]图3为本专利技术基于线性自回归模型与非线性神经网络混合的多维参数预测模型结构图。
[0043]图4为本专利技术多维参数预测模型训练的流程图。
具体实施方式
[0044]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0045]实施例1
[0046]本专利技术公开了一种复杂装备退化阶段的预测方法，包括如下步骤：
[0047]步骤S1、积累复杂装备在整个生命周期过程中多源传感器采集得到的信号数据，形成历史数据库；
[0048]步骤S2、对原始数据进行数据预处理，包括噪声去除和归一化的操作；
[0049]步骤S3、通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择；
[0050]步骤S4、建立k均值聚类模型，将步骤S2、S3中处理过的数据作为输入，调整模型参数获得各退化阶段的聚类中心；
[0051]步骤S5、结合S2、S3处理的输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型；
[0052]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂装备退化阶段的预测方法，其特征在于，所述方法包括如下步骤：步骤S1：建立线性自回归模型与非线性神经网络混合的多维参数预测模型；步骤S2：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；步骤S3：通过步骤S1所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；步骤S4：将步骤S3得到的各参数的预测值输入步骤S2所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。2.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述非线性神经网络，包括隐含层和输出层，所述隐含层包括线性自回归模型和循环层，线性自回归模型与非线性神经网络模型并行，其中线性自回归模型用全连接层模仿自回归预测线性成分，非线性网络则预测高频非线性变化，二者结果相加作为预测向量。3.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述多维参数预测模型的建立具体步骤如下：步骤S1.1：将复杂装备在整个生命周期过程中多源传感器采集得到的信号数据构成历史数据库；步骤S1.2：对历史数据库数据进行数据预处理；步骤S1.3：通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择；步骤S1.4：结合S1.2、S1.3处理的输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型。4.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述在线监测数据在输入多维参数预测模型前先对在线监测数据进行数据预处理，并选择相关的特征作为输入。5.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述非线性神经网络模型通过历史数据训练，调整模型结构与模型参数。6.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述k均值聚类模型的建立包括如下步骤，S2.1选取监测数据空间中的K个对象作为初始中心，即...

【专利技术属性】
技术研发人员：彭雯，
申请(专利权)人：北京九天翱翔科技有限公司，
类型：发明
国别省市：