一种基于数据融合的电动螺旋压力机寿命预测方法及系统技术方案

本发明专利技术公开了一种基于数据融合的电动螺旋压力机寿命预测方法及系统，该方法包括：步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；步骤S2：对所述历史运行数据进行预处理，生成样本数据集；步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，构建长短期记忆模型，并根据所述样本数据集对所述预测模型进行训练；步骤S4：获取实时运行数据，将所述实时数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。从而完成预警。从而完成预警。

【技术实现步骤摘要】
一种基于数据融合的电动螺旋压力机寿命预测方法及系统


[0001]本专利技术属于寿命预测
，更具体地，涉及一种基于数据融合的电动螺旋压力机寿命预测方法及系统。

技术介绍

[0002]螺旋压力机是一种广泛应用于工业生产中的重要机械设备，可应用于生产锻造产品，加工金属材料等。其基本结构包括机身、传动系统、控制系统、润滑系统等部分。而在传动系统中，电动螺旋压力机通常采用电机驱动，通过螺旋副等装置实现对滑块的往复运动，进而完成对金属材料的锻造加工。在长期使用过程中，螺旋压力机的关键部件会因为受到压力、摩擦、磨损等多种因素的影响而产生劣化和故障，这对设备的安全运行和经济效益都会产生重要影响。因此，对螺旋压力机关键部件的寿命进行预测和管理，对于提高设备运行的可靠性和降低维修成本具有重要意义。
[0003]传统的螺旋压力机寿命预测方法主要是基于经验和试验的方式，对关键部件进行定期检测和维护，但这种方法存在着周期长、人工干预大、准确度低等缺点。随着智能制造和物联网技术的发展，越来越多的厂商开始将传感器和数据采集设备应用到螺旋压力机上，以实现对设备的实时监控和健康状态预测。
[0004]目前，常用的电动螺旋压力机寿命预测方法主要基于物理模型或数据挖掘方法但是物理模型方法需要对系统进行详细建模，涉及到多种物理参数的测量和计算，不仅需要大量的时间和精力，而且不可避免的存在模型误差；而数据挖掘方法主要是基于机器学习的方法，通常需要大量的数据进行，训练和模型优化，但是由于电动螺旋压力机是一个高度非线性和动态的系统，单一的数据源很难反映其真实的工作状态。因此，开发一种基于数据融合的电动螺旋压力机关键部件寿命预测方法显得尤为重要。此外，一些新型传感器的研发，如应变传感器、振动传感器、温度传感器等，也为电动螺旋压力机寿命预测提供了更加全面的数据支持。

技术实现思路

[0005]为解决以上技术问题，本专利技术提出一种基于数据融合的电动螺旋压力机寿命预测方法，包括：步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；步骤S2：对所述历史运行数据进行预处理，生成样本数据集；步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；步骤S4：获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
[0006]进一步的，所述步骤S2对所述历史运行数据进行预处理包括：步骤S201：识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一
致的数据进行统一；步骤S202：对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；步骤S203：将所述历史运行数据进行归一化处理；步骤S204：通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；步骤S205：将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。
[0007]进一步的，所述步骤S204具体包括：S2041：对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；S2042：对于所述补充完整的历史运行数据，使用所述主成分分析法进行降维，其中，采用z
‑
score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；S2043：检查所述降维后的历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。
[0008]进一步的，所述步骤S3中所述预测模型具体包括：S301：构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；S302：构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；S303：将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule
‑
of
‑
Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。
[0009]进一步的，所述步骤S301构建所述时间序列模型的具体步骤包括：S3011：使用训练集对所述时间序列模型进行训练，并不断调整所述时间序列模型参数以提高性能；S3012：使用验证集对所述时间序列模型进行评估，包括计算损失函数、计算预测误差；S3013：使用测试集对所述时间序列模型进行测试，评估所述时间序列模型的泛化能力和实际效果；S3014：根据所述时间序列模型的评估和测试结果进行优化，选择Adam优化器并采用交叉验证与贝叶斯技术调整超参数，通过迭代对所述时间序列模型进行调整进而提高所述时间序列模型的性能和泛化能力。
[0010]进一步的，所述步骤S302构建长短期记忆模型的具体步骤包括：S3021： LSTM模型包括输入层、多个LSTM层和输出层，其中，LSTM层用于捕捉序列中的长期依赖关系；S3022：定义损失函数、优化器和评估指标参数，并进行LSTM模型编译；S3023：使用训练集对LSTM模型训进行训练，并根据验证集的表现对所述LSTM模型进行调整；S3024：使用训练好的LSTM模型进行测试集的预测；S3025：使用评估指标对预测结果进行评估，并根据评估结果对训练好的LSTM模型进行优化，通过Adam优化器调整LSTM模型的超参数，测试调整LSTM模型层数与每层单元数量，选择最佳的LSTM模型的结构配置。
[0011]本专利技术还提出一种基于数据融合的电动螺旋压力机寿命预测系统，包括：采集模块，用于采集电动螺旋压力机关键部件在运行过程中的历史运行数据；预处理模块，用于对所述历史运行数据进行预处理，生成样本数据集；训练模块，用于通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；预测模块，用于获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。
[0012]进一步的，所述预处理模块中对所述历史运行数据进行预处理包括：识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，包括：步骤S1：采集电动螺旋压力机关键部件在运行过程中的历史运行数据；步骤S2：对所述历史运行数据进行预处理，生成样本数据集；步骤S3：通过长短期记忆模型与时间序列模型并行融合的方式，构建预测模型，并根据所述样本数据集对所述预测模型进行训练；其中，S301：构建时间序列模型，将最终降维和填补的所述历史运行数据输入到所述时间序列模型中，得到未来一段时间点的连续剩余寿命预测值的第一序列以及相对应的置信区间，以提供可靠性估计；S302：构建长短期记忆模型，将最终降维的所述历史运行数据输入到LSTM模型中，得到未来一段时间点的连续剩余寿命预测值的第二序列以及相对应的置信区间以提供可靠性估计；步骤S4：获取实时运行数据，将所述实时运行数据输入到所述预测模型中，得到寿命预测结果，并与预设的阈值进行对比，从而完成预警。2.如权利要求1所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S2对所述历史运行数据进行预处理包括：步骤S201：识别和处理所述历史运行数据中的重复值、缺失值和异常值，并将不一致的数据进行统一；步骤S202：对所述历史运行数据中非平稳时间序列数据，进行差分处理，将其转化为平稳时间序列数据；步骤S203：将所述历史运行数据进行归一化处理；步骤S204：通过主成分分析与多重填补算法，填补所述历史运行数据中的缺失值；步骤S205：将所述历史运行数据分成训练集、验证集和测试集，用于训练和评估所述预测模型。3.如权利要求2所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S204具体包括：S2041：对于所述历史运行数据中有缺失值的部分，使用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置，得到完整的所述历史运行数据；S2042：对于完整的所述历史运行数据，使用所述主成分分析法进行降维，其中，采用z
‑
score标准法进行数据标准化，并设定所述主成分分析的参数方差贡献率与主成分数量，并通过正交旋转，得到降维后的所述历史运行数据；S2043：检查降维后的所述历史运行数据集是否存在潜在的缺失值，若对于需要填补的缺失值，采用所述多重填补算法填补缺失值，其中，设定缺失值的模式为随机缺失，将随机缺失的缺失值填补为中位数并通过交叉验证确定最优的参数设置。4.如权利要求1所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S3中所述预测模型具体包括：S303：将时间序列模型输出的结果和LSTM模型输出的结果在特征维度上相乘，并采用加权平均法调整所述时间序列模型或所述LSTM模型的贡献度，通过rule
‑
of
‑
Thumb法和模型训练评估不同隐藏层大小的模型来选择表现最佳的隐藏层大小，并通过交叉验证评估预
测模型的预测能力与计算效率，确定性能最好的时间步长值，并使用Adam优化算法自动调整学习率，并根据参数梯度进行适应性调整，进而输出寿命预测结果。5.如权利要求3所述的一种基于数据融合的电动螺旋压力机寿命预测方法，其特征在于，所述步骤S301构建所述时间序列模型的具体步骤包括：S3011：使用训练集对所述时间序列模型进行训练，并不断调整所述时间序列模型参数以提高性能；S3012：使用验证集对所述时间序列模型进行评估，包括计算损失函数、计算预测误差；S3013：使用测试集对所述时间序列模型进行测试，评估所述时间序列模型的泛化能力和实际效果；S3014：根据所述时间序列模型的评估和测试结果进行优化，选择Adam优化器并采用交叉验证与贝叶斯技术调整超参数，通过迭代对所述时间序列模型进行调整进而提高所述时间序列模型的性能和泛化能力。6.如权利要求...

【专利技术属性】
技术研发人员：冯仪，郝艺婷，兰芳，刘竞，黄金国，游梦成，顾新齐，
申请(专利权)人：武汉新威奇科技有限公司，
类型：发明
国别省市：