一种基于群智能算法的设备预测性维护方法技术

本发明专利技术属于设备智能维护领域，公开了一种基于群智能算法的设备预测性维护方法，适用于做周期运动的机械设备

【技术实现步骤摘要】
一种基于群智能算法的设备预测性维护方法


[0001]本专利技术属于设备智能维护领域，具体涉及一种基于群智能算法的设备预测性维护方法
。
首先，对某些设备做周期运动时产生的时序周期信号建立基于周期信号的时间卷积网络预测模型
。
然后，使用金枪鱼算法生成该模型中的超参数
。
将生成的参数代入预测模型中计算并求解目标损失函数的值
。
根据损失函数的值，确定最优个体
。
根据最优个体更新迭代直到找到最优的超参数及其对应的预测结果
。

技术介绍

[0002]当前，一些机械设备的工作环境面临复杂化的趋势，高温
、
高压和连续运行等恶劣工作条件加速了部件的磨损和老化，影响了整个设备的性能和健康，更为严重的是还会造成巨大经济损失甚至人员伤亡
。
因此，防止设备发生故障的预测性维护技术应运而生
。
[0003]神经网络是预测性维护中经常采用的一种方法
。
它可以通过学习和训练自动调整权重和参数，可以处理非线性关系，并且能够自动提取特征，从而适应复杂的模式和数据结构
。
[0004]尽管神经网络处理一些预测问题时展现出的结果相对较好，但也存在一些问题
。
其中最突出的是对于较长的时间序列数据存在长期依赖问题，即信息在序列中传递时会逐渐减弱或丢失
。
在此基础上，长短期记忆递归神经网络网络孕育而生
。
它对时序数据有记忆功能，同时解决了梯度反传过程由于逐步缩减而产生的梯度衰减问题，使用门控与记忆细胞来学习取舍过去的信息，提取当前的输入信息
。
但是，在实际运用中，它也存在着一些缺点与不足
。
例如，模型结构复杂，计算费时等
。
[0005]针对时间序列的长期依赖问题和模型结构复杂复杂问题，有学者提出了时间卷积网络，它在保留了时序数据的特征同时，也简化了模型的参数
。
在处理时序数据时具备较好的效果
。
但是，其在训练过程中的超参数，例如学习率
、
隐层神经元数量
、
训练次数等，其值的确定大多数是采用人工经验调参，这种方法存在很大的误差使得预测深度学习模型的性能没有发挥出作用
。

技术实现思路

[0006]本专利技术针对某些设备运动时做周期运动的特点，建立基于周期信号的时间卷积网络预测模型
。
采用智能群优化算法来优化求解基于周期信号的时间卷积网络预测模型中的超参数，使得模型预测的性能有所提升
。
采用的智能群算法为金枪鱼算法
。
[0007]为实现上述目的，本专利技术所采取的技术方案为：
[0008]一种基于群智能算法的设备预测性维护方法，适用于做周期运动的机械设备，所述基于群智能算法的设备预测性维护方法，包括：
[0009]确定训练数据集中设备运转时序数据一个周期内的数据量；
[0010]根据一个周期内的数据量，建立基于周期信号的时间卷积网络预测模型；
[0011]依次取根据训练数据集中的设备运转时序数据生成的训练样本，将训练样本输入
基于周期信号的时间卷积网络预测模型，并采用金枪鱼算法优化求解基于周期信号的时间卷积网络预测模型中的超参数，直至达到最大迭代次数后固定超参数，并将该超参数用于基于周期信号的时间卷积网络预测模型的训练和应用中
。
[0012]以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合
。
[0013]作为优选，所述确定训练数据集中设备运转时序数据一个周期内的数据量，包括：
[0014]获取设备运转时序数据形成数据量为
X
的训练数据集，在训练数据集的前个设备运转时序数据中随机取一个数据
x1，并在训练数据集中由数据
x1起按序寻找与数据
x1相等的数据
x
n
，
1<n≤X
；
[0015]对比以数据
x1为起点的随机步长小于
n
的
m
个数据和以数据
x
n
为起始点的相同随机步长的
m
个数据的值是否一一相等，若相等，则取数据
x1到数据
x
n
‑1为一个周期内的数据，并确定一个周期内的数据量
T
＝
n
‑1；若不相等，则继续按序寻找与数据
x1相等的数据
x
n
。
[0016]作为优选，所述基于周期信号的时间卷积网络预测模型包括输入层
、
隐藏层和输出层；所述隐藏层以最新输入的一个训练样本为原点，按照一个周期内的数据量沿输入时间倒推方向确定属于最新一个周期内的数据，并将其余历史训练样本作为最新一个周期外的数据，所述隐藏层对属于最新一个周期内的数据做卷积操作时，卷积核大小
kernelsize
＝2，对属于最新一个周期外的数据做卷积操作时，卷积核大小
kernelsize
＝
T
，
T
为一个周期内的数据量；所述输出层对隐藏层输出的所有数据进行卷积操作，得到最终的预测结果
。
[0017]作为优选，所有隐藏层的输入和输出的时间长度相同
。
[0018]作为优选，所述隐藏层和输出层采用膨胀因果卷积进行卷积操作
。
[0019]作为优选，所述训练样本的生成，包括：采用滑动窗口对训练数据集中的设备运转时序数据进行滑窗处理输出训练样本
。
[0020]作为优选，所述采用金枪鱼算法优化求解基于周期信号的时间卷积网络预测模型中的超参数，直至达到最大迭代次数后固定超参数，包括：
[0021]初始化金枪鱼种群，所述金枪鱼种群中的每个个体代表基于周期信号的时间卷积网络预测模型的一个超参数组合；
[0022]将每个个体代入基于周期信号的时间卷积网络预测模型，基于当前输入的训练样本得到相应的预测值；
[0023]计算预测值和训练样本对应的实际值之间的损失函数，确定金枪鱼种群中的最优个体；
[0024]判断是否达到最大迭代次数，若是，则输出最优个体作为基于周期信号的时间卷积网络预测模型的超参数；否则根据迭代法则更新金枪鱼种群中个体的位置，并将位置更新后的每个个体再次代入基于周期信号的时间卷积网络预测模型针对新的训练样本进行预测迭代
。
[0025]作为优选，所述初始化金枪鱼种群，包括：
[0026][0027]式中，
i
表示第
i
个个体，...

【技术保护点】

【技术特征摘要】
1.
一种基于群智能算法的设备预测性维护方法，适用于做周期运动的机械设备，其特征在于，所述基于群智能算法的设备预测性维护方法，包括：确定训练数据集中设备运转时序数据一个周期内的数据量；根据一个周期内的数据量，建立基于周期信号的时间卷积网络预测模型；依次取根据训练数据集中的设备运转时序数据生成的训练样本，将训练样本输入基于周期信号的时间卷积网络预测模型，并采用金枪鱼算法优化求解基于周期信号的时间卷积网络预测模型中的超参数，直至达到最大迭代次数后固定超参数，并将该超参数用于基于周期信号的时间卷积网络预测模型的训练和应用中
。2.
根据权利要求1所述的基于群智能算法的设备预测性维护方法，其特征在于，所述确定训练数据集中设备运转时序数据一个周期内的数据量，包括：获取设备运转时序数据形成数据量为
X
的训练数据集，在训练数据集的前个设备运转时序数据中随机取一个数据
x1，并在训练数据集中有数据
x1起按序寻找与数据
x1相等的数据
x
n
，
1<n≤X
；对比以数据
x1为起点的随机步长小于
n
的
m
个数据和以数据
x
n
为起始点的相同随机步长的
m
个数据的值是否一一相等，若相等，则取数据
x1到数据
x
n
‑1为一个周期内的数据，并确定一个周期内的数据量
T
＝
n
‑1；若不相等，则继续按序寻找与数据
x1相等的数据
x
n
。3.
根据权利要求1所述的基于群智能算法的设备预测性维护方法，其特征在于，所述基于周期信号的时间卷积网络预测模型包括输入层
、
隐藏层和输出层；所述隐藏层以最新输入的一个训练样本为原点，按照一个周期内的数据量沿输入时间倒推方向确定属于最新一个周期内的数据，并将其余历史训练样本作为最新一个周期外的数据，所述隐藏层对属于最新一个周期内的数据做卷积操作时，卷积核大小
kernel size
＝2，对属于最新一个周期外的数据做卷积操作时，卷积核大小
kernel size
＝
T
，
T
为一个周期内的数据量；所述输出层对隐藏层输出的所有数据进行卷积操作，得到最终的预测结果
。4.
根据权利要求3所述的基于群智能算法的设备预测性维护方法，其特征在于，所有隐藏层的输入和输出的时间长度相同
。5.
根据权利要求3所述的基于群智能算法的设备预测性维护方法，其特征在于，所述隐藏层和输出层采用膨胀因果卷积进行卷积操作
。6.
根据权利要求1所述的基于群智能算法的设备预测性维护方法，其特征在于，所述训练样本的生成，包括：采用滑动窗...

【专利技术属性】
技术研发人员：董辉，孔福南，颜廷举，吴祥，郭方洪，吴麒，鄢鹏飞，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：