一种基于深度学习的液压泵马达寿命预测方法和系统技术方案

本发明专利技术公开了一种基于深度学习的液压泵马达寿命预测方法和系统，包括：S1：收集液压泵马达的工作数据，并使用异常值检测方法删去工作数据中的异常值；S2：对异常值检测后的工作数据进行缺失值填充；S3：基于缺失值填充后的液压泵马达的工作数据提取数据特征；S4：利用深度学习方法构建液压泵马达寿命预测网络，并设定液压泵马达寿命预测网络优化目标函数；S5：基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数。本发明专利技术能够通过深度学习和改进的数据处理技术，提供一种更先进、更精确和更适应性强的液压泵马达寿命预测方法，以满足工业设备维护和生产效率提升的需求。足工业设备维护和生产效率提升的需求。足工业设备维护和生产效率提升的需求。

【技术实现步骤摘要】
一种基于深度学习的液压泵马达寿命预测方法和系统


[0001]本专利技术涉及液压泵马达寿命预测的
，尤其涉及一种基于深度学习的液压泵马达寿命预测方法和系统。

技术介绍

[0002]液压泵马达是工业领域中常见的关键设备之一，用于产生液压动力，驱动液压系统执行各种任务。预测液压泵马达的寿命对于维护、安全性和生产效率至关重要。寿命预测可以帮助企业避免突发故障和生产中断，降低维护成本，并优化设备的使用。为了进行寿命预测，通常需要收集和监测液压泵马达的工作数据。然而，这些数据往往存在质量不佳、缺失值、异常值等问题。传统方法通常使用统计技术来检测异常值，但这些方法对于复杂的工作数据可能不够灵活，容易漏掉一些异常情况，导致数据的不准确性。缺失值的处理是一个关键问题，传统插值方法可能无法处理复杂的工作数据。传统方法在寿命预测方面的准确性有限，难以应对液压泵马达工作条件的多样性和复杂性。

技术实现思路

[0003]有鉴于此，本专利技术提供一种基于深度学习的液压泵马达寿命预测方法，目的在于通过深度学习和改进的数据处理技术，提供一种更先进、更精确和更适应性强的液压泵马达寿命预测方法，以满足工业设备维护和生产效率提升的需求。
[0004]实现上述目的，本专利技术提供的一种基于深度学习的液压泵马达寿命预测方法，包括以下步骤：S1：收集液压泵马达的工作数据，并使用异常值检测方法删去工作数据中的异常值；S2：对异常值检测后的工作数据进行缺失值填充；S3：基于缺失值填充后的液压泵马达的工作数据提取数据特征；S4：利用深度学习方法构建液压泵马达寿命预测网络，并设定液压泵马达寿命预测网络优化目标函数；S5：基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数；作为本专利技术的进一步改进方法：可选地，所述S1步骤中收集液压泵马达的工作数据，并使用异常值检测方法删去工作数据中的异常值，包括：收集液压泵马达的工作数据，所述工作数据包括液压泵马达运行时的温度、压力、流量、噪音、扭矩转速，在时刻收集到的第类液压泵马达工作数据表示为：；其中，，，，和分别表示第类液压泵马达在时刻运行时的温度、压力、流量、噪音、扭矩转速；，表示工作数
据收集时总时刻数目；，表示液压泵马达类别的数目，液压泵马达的类别根据液压泵马达预估剩余寿命进行划分；对工作数据进行异常值检测，所述异常值检测的计算公式为：；其中，为数据点的异常因子；函数获得数据点的邻近集合；为使用获得的数据点的邻近集合中的元素；和分别为和根据其邻近数据点的可达距离，计算方式为：；其中，函数获得数据点的邻近集合；为使用获得的数据点的邻近集合中的元素；返回输入值中的最大值；若，则数据点为异常数据，直接删去，否则对数据点进行保留，获得异常值检测后的工作数据；可选地，所述S2步骤中对异常值检测后的工作数据进行缺失值填充，包括：使用填充算法计算填充值，用于替换异常值检测后的工作数据中存在的缺失值，所述填充算法的计算流程为：S21：计算缺失值邻近未缺失工作数据的径向基函数值：缺失值邻近未缺失工作数据的径向基函数值的计算方式为：；其中，表示缺失值所在的时刻；表示缺失值邻近未缺失工作数据的时刻；为径向基函数参数；表示自然常数；S22：构建线性模型：；其中，表示在时刻收集到的第类液压泵马达工作数据；为线性模型权重；表示缺失值邻近未缺失工作数据时刻集合；求解线性模型获得线性模型权重值；S23：缺失值填充：
对于每个缺失值的时刻，计算它与邻近未缺失工作数据时刻的距离，并获得缺失值，计算公式如下：；其中，表示在时刻填充得到的第类液压泵马达工作数据；对所有缺失值进行填充，获得缺失值填充后的液压泵马达的工作数据；可选地，所述S3步骤中基于缺失值填充后的液压泵马达的工作数据提取数据特征，包括：基于缺失值填充后的第类液压泵马达的工作数据提取数据特征，所述特征包括均值，峰值，整流平均值，标准差，波形因子和峭度，计算方式分别为：；；；；；；其中，，表示从缺失值填充后的液压泵马达的工作数据中随机提取出的片段长度；表示在时刻缺失值填充后的第类液压泵马达工作数据；可选地，所述S4步骤中利用深度学习方法构建液压泵马达寿命预测网络，并设定液压泵马达寿命预测网络优化目标函数，包括：
利用深度学习方法中的循环神经网络，构建液压泵马达寿命预测网络，输入缺失值填充后的液压泵马达的工作数据和相应的数据特征，对液压泵马达寿命进行预测，所述液压泵马达寿命预测网络的计算流程为：S41：初始化隐层状态：在液压泵马达寿命预测网络的时间步时，初始化隐层状态为零向量；S42：计算隐层状态：；其中，表示液压泵马达寿命预测网络；和分别是时间步和的隐层状态；是时间步输入至液压泵马达寿命预测网络的数据；的表达式为；，表示输入至液压泵马达寿命预测网络的数据的长度，且；表示在时刻缺失值填充后的第类液压泵马达工作数据；和表示液压泵马达寿命预测网络隐层的参数；S43：计算液压泵马达寿命预测结果：计算液压泵马达寿命预测网络的输出：；其中，和为液压泵马达寿命预测网络输出层的参数；为时间步的隐层状态；将液压泵马达寿命预测网络的输出转化为寿命预测结果属于不同类别液压泵马达的概率，所述转化的计算公式为：；其中，表示液压泵马达寿命预测网络根据输入的数据预测该液压泵马达属于第类液压泵马达的概率；；和分别表示液压泵马达寿命预测网络的输出的第个和第个元素；S44：设定液压泵马达寿命预测网络需要优化的目标函数：；；
其中，表示液压泵马达寿命预测网络第次迭代后的参数，表示迭代次数，；表示使用作为液压泵马达寿命预测网络的参数时的目标函数值；可选地，所述S5步骤中基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数，包括：基于改进的梯度下降方法优化构建的液压泵马达寿命预测网络的参数，所述改进的梯度下降方法的计算方式为：；其中，表示液压泵马达寿命预测网络第次迭代后的参数；为液压泵马达寿命预测网络的学习率；表示目标函数关于的偏导；为每次参数更新时生成的0到1之间的随机数；为更新概率，计算方式为：；其中，为控制权重；表示使用作为液压泵马达寿命预测网络的参数时的目标函数值；本专利技术还公开了一种基于深度学习的液压泵马达寿命预测系统，包括：异常值删除模块：收集液压泵马达的工作数据，并使用异常值检测方法删去工作数据中的异常值；缺失值填充模块：对异常值检测后的工作数据进行缺失值填充；特征提取模块：基于缺失值填充后的液压泵马达的工作数据提取数据特征；网络构建模块：利用深度学习方法构建液压泵马达寿命预测网络；网络参数优化模块：基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数；
有益效果
[0005]异常值检测和缺失值填充的改进方法有助于提高工作数据的质量。通过更精确地检测异常值和填充缺失值，减少了数据中的噪声，使得模型更可靠。
[0006]通过采用深度学习方法，本专利技术可以更准确地预测液压泵马达的寿命。深度学习模型可以自动捕捉数据中的复杂关系和模式，提高了寿命预测的准确性。
[0007]本专利技术采用深度学习方法，可以更准确地预测液压泵马达的寿命。深度学习模型能够处理复杂的时序数据，捕捉数据中的隐含规律本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的液压泵马达寿命预测方法，其特征在于，包括以下步骤：S1：收集液压泵马达的工作数据，并使用异常值检测方法删去工作数据中的异常值；S2：对异常值检测后的工作数据进行缺失值填充；S3：基于缺失值填充后的液压泵马达的工作数据提取数据特征；S4：利用深度学习方法构建液压泵马达寿命预测网络，并设定液压泵马达寿命预测网络优化目标函数；S5：基于改进的梯度下降方法优化液压泵马达寿命预测网络的参数。2.根据权利要求1所述的基于深度学习的液压泵马达寿命预测方法，其特征在于，所述步骤S1中，包括以下步骤：收集液压泵马达的工作数据，所述工作数据包括液压泵马达运行时的温度、压力、流量、噪音、扭矩转速，在时刻收集到的第类液压泵马达工作数据表示为：；其中，，，，和分别表示第类液压泵马达在时刻运行时的温度、压力、流量、噪音、扭矩转速；，表示工作数据收集时总时刻数目；，表示液压泵马达类别的数目，液压泵马达的类别根据液压泵马达预估剩余寿命进行划分；对工作数据进行异常值检测，所述异常值检测的计算公式为：；其中，为数据点的异常因子；函数获得数据点的邻近集合；为使用获得的数据点的邻近集合中的元素；和分别为和根据其邻近数据点的可达距离，计算方式为：；其中，函数获得数据点的邻近集合；为使用获得的数据点的邻近集合中的元素；返回输入值中的最大值；若，则数据点为异常数据，直接删去，否则对数据点进行保留，获得异常值检测后的工作数据。3.根据权利要求2所述的基于深度学习的液压泵马达寿命预测方法，其特征在于，所述步骤S2中，包括以下步骤：
使用填充算法计算填充值，用于替换异常值检测后的工作数据中存在的缺失值，所述填充算法的计算流程为：S21：计算缺失值邻近未缺失工作数据的径向基函数值：缺失值邻近未缺失工作数据的径向基函数值的计算方式为：；其中，表示缺失值所在的时刻；表示缺失值邻近未缺失工作数据的时刻；为径向基函数参数；表示自然常数；S22：构建线性模型：；其中，表示在时刻收集到的第类液压泵马达工作数据；为线性模型权重；表示缺失值邻近未缺失工作数据时刻集合；求解线性模型获得线性模型权重值；S23：缺失值填充：对于每个缺失值的时刻，计算它与邻近未缺失工作数据时刻的距离，并获得缺失值，计算公式如下：；其中，表示在时刻填充得到的第类液压泵马达工作数据；对所有缺失值进行填充，获得缺失值填充后的液压泵马达的工作数据。4.根据权利要求3所述的基于深度学习的液压泵马达寿命预测方法，其特征在于，所述步骤S3中，包括以下步骤：基于缺失值填充后的第类液压泵马达的工作数据提取数据特征，所述特征包括均值，峰值，整流平均值，标准差，波形因子和峭度，计算方式分别为：；；；
；；；其中，，表示从缺失值填充后的液...

【专利技术属性】
技术研发人员：袁振，张寿全，郑蕾，李洪文，张敏轩，
申请(专利权)人：湖南国重智联工程机械研究院有限公司，
类型：发明
国别省市：