一种基于大数据的硬件设备预测性维护方法及系统技术方案

本发明专利技术公开了一种基于大数据的硬件设备预测性维护方法及系统，所述方法包括：首先，通过大数据自动检索的方式，获取不同型号设备的不同的定期维护间隔时间；其次，构建基于灰色回归神经网络的预测性维护模型；包括灰色预测模型、ICS

【技术实现步骤摘要】
一种基于大数据的硬件设备预测性维护方法及系统


[0001]本专利技术涉及组合预测以及智能算法领域，具体涉及一种基于大数据的硬件设备预测性维护方法及系统。

技术介绍

[0002]2011年，麦肯锡公司首度提出了大数据的概念。随后，历经数年的飞速发展，大数据技术已然对各行业的发展产生了极其深刻的影响，甚至成为了影响现代企业生产力的重要因素。时至今日，学界尚未对大数据的概念进行统一界定，而在众多释义中，为大众所普遍接受的解释便是维克托所言之对所有信息及数据的处理和分析，是大型的、复杂的数据系统的结合，属于数据信息资产的范畴且同时涵盖大量的信息和数据的一种集合。
[0003]现阶段对硬件设备的维护大多采用定期维护的方式，这种维护方式灵活性低，随着硬件设备的不断老化，若依旧采用定期维护，难免会出现一些问题。本专利技术采用大数据检索的方式获取信息，并构建灰色回归预测模型进行硬件设备维护时间预测，改善传统定期维护方式存在的不足，使硬件设备维护更加灵活、科学，提高设备使用寿命的同时，减少设备运行过程中出现故障的频率。
专利技术内容
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的硬件设备预测性维护方法，其特征在于，包括以下步骤：(1)通过大数据自动检索的方式，获取不同型号设备的不同的定期维护间隔时间；(2)构建基于灰色回归神经网络的预测性维护模型；包括灰色预测模型、ICS
‑
BP网络预测模型及多元线性回归预测模型三种预测模型；(3)采用方差倒数法对精度较高的预测值赋予更大的权重，并以加权平均值作为最终预测值；(4)通过预测性维护模型预测结果与当前时间相加的方式，得到不同硬件设备下一次维护日期。2.根据权利要求1所述的一种基于大数据的硬件设备预测性维护方法，其特征在于，步骤(1)所述的大数据检索采用分布式并行数据挖掘方式对系统中储存的全部数据集进行任务分解处理，并采用模糊C算法进行汇总，模糊C算法的表示为：式中，u
ij
表示聚类系数，D
i
表示分解前的任务数量，v
j
表示分解后的任务数量，R和N均为实数。3.根据权利要求1所述的一种基于大数据的硬件设备预测性维护方法，其特征在于，所述灰色预测模型构建过程如下：式中，x表示通过大数据检索得到的同一设备不同维护时间数据，a为发展灰数，b为内生控制灰数，k为常数且k∈(1,n)；在累加生成之前对原始数列进行变换，将原始数列变换为指数形式稳定增长的数列，提高灰色模型的预测精度；原始序列为X＝{x1,x2,
…
,x
n
}，然后通过添加政策因素对原始序列进行修改，转换序列的表达式为X
z
＝{x
1z
,x
2z
,
…
,x
nz
}，如方程式所示：4.根据权利要求1所述的一种基于大数据的硬件设备预测性维护方法，其特征在于，所述ICS
‑
BP网络预测模型构建过程如下：BP网络预测模型为：y＝f(wP+b)其中，P为神经元输入，w为各个神经元之间的连接权值，b为阈值，f为激励函数，y为设备维护时间预测结果；采用改进布谷鸟优化算法BP神经网络的权值与阈值进行优化：1)初始化鸟巢数n、P
a
及最大迭代次数N
max
等参数；2)随机产生n个鸟巢的初始位置：该位置与BP神经网络初始阈值和权值相对应，BP神经网络训练得到的误差作为其适应度值，计算鸟巢初始位置的适应度值；
3)根据适应度值找出当代的最佳鸟巢的位置并更新鸟巢位置，得到新的鸟巢位置；4)计算新鸟巢位置，得出较优的一组鸟巢位置5)将r与P
a
进行比较，保留e
k
中较小的P
a
鸟巢，并更新较大P
a
鸟巢位置，得出一组新鸟巢位置，并用好的替代e
k
中较差的鸟巢位置，得出新一组较佳鸟巢位置：Y
t
＝b0+b1x1+b2x2+
…
+b
m
x
m
+ε6)找出q
k
中最佳的一个鸟巢位置如果达到最大迭代次数，则停止搜索，并输出最佳位置否则，回到步骤3)继续执行；7)对算法中的固定值P
a
进行改进，采用随机的发现概率取代固定的发现概率，使较小的随机概率和较大的随机概率随机出现，从而平衡算法的全局搜索和局部开发能力，提高算法的收敛速度，增加种群多样性，改进公式如下所示：P
r
∈[0.15,0.55]式中，P
r
为随...

【专利技术属性】
技术研发人员：郭仁威，周孟雄，汤健康，苏姣月，王夫诚，纪捷，陈帅，林张楠，温文潮，纪润东，孙娜，黄慧，荆佳龙，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：