【技术实现步骤摘要】
本专利技术属于设备剩余寿命预测领域，具体涉及一种基于加权宽度学习系统的设备剩余寿命多步预测方法。
技术介绍
1、在现有的
技术介绍
中，针对旋转机械设备的剩余寿命预测和健康状态监测已经取得了一定的进展。这些技术通常基于振动数据分析，以识别设备的运行状况、损耗程度和可能的故障情况。然而，这些
技术介绍
在面对复杂、多变的生产环境时存在一些明显的缺点。
2、在真实工作环境中，振动信号的调整常常呈现出波动性，这种波动性会对基于编码解码器结构的虚拟健康指标预测方法产生消极影响。因为这种波动性可能使得预测模型在不稳定的环境中表现不佳。同时，传统方法往往忽略了不同设备之间的特征差异，它们可能在结构、材料、使用环境等方面存在差异。这种忽略导致了对设备实际运行风险的不准确评估。没有合适的机制来应对振动信号的波动性可能导致预测结果的响应速度下降，或者预测的准确性受到影响。此外，由于缺乏精确的剩余寿命预测，传统方法可能导致过度维护，浪费了大量的人力和物力资源。不准确的剩余寿命预测可能导致设备突然故障，造成生产中断和额外的成本损失。
3、因此，尽管已经有了一些
技术介绍
用于旋转机械设备的健康状态预测和剩余寿命预测，但这些技术在复杂多变的生产环境中存在明显的局限性，需要更加智能、准确、灵活和适应性强的方法来解决上述问题。
技术实现思路
1、本专利技术所要解决的技术问题是：提供一种基于加权宽度学习系统的设备剩余寿命多步预测方法，解决了现有技术中设备剩余寿命预测不准确的问题。
2、本
3、基于加权宽度学习系统的设备剩余寿命多步预测方法，包括如下步骤：
4、步骤1、构建加权宽度学习系统模型，应用编码后的数据，重新构建样本序列及真值，并获取特征节点的映射结果；
5、步骤2、设置增强节点，获取增强节点的随机权重和偏差，应用加权岭回归方法求解构建的样本序列随机特征空间的权重向量；
6、步骤3、构建控制模型参数平滑变化项及相似矩阵，并应用样本序列重要性权重矩阵计算样本序列重要性结果；
7、步骤4、构建优化目标函数，并求解其闭式解，更新加权宽度学习系统模型的权重参数；
8、步骤5、将固定的时间窗口向后滑动，根据更新的权重参数，以及预测的健康指标，构建新的样本序列，并设计关于当前运行时间的激励函数；
9、步骤6、获取在激励函数影响下的预测健康指标结果，并判断预测健康指标结果是否大于失效阈值，如果大于，执行步骤7，否则，执行步骤8；
10、步骤7、获取达到失效阈值的步数，得到剩余寿命结果为对应的步数，并计算剩余寿命的预测时间；
11、步骤8、重复执行步骤5和步骤6，直至在有限步数内，无法达到失效阈值，判断为健康状态。
12、步骤2中的应用加权岭回归方法求解权重向量的具体公式如下：
13、
14、其中，表示t-nw-1到t-1时刻之间的平均模型权重，θt表示t时刻下的样本重要性权重矩阵，yt为训练样本的真值，at为zt和ht的连接，zt为样本的映射特征集合，ht为增强节点特征集合，λ,β∈(0,1)为超参数。
15、所述平均模型权重用如下公式表示：
16、
17、对于临近的nw个样本，构建相似矩阵并应用如下公式计算样本序列重要性结果：
18、
19、其中，
20、
21、为第i个第k个元素的归一化结果。
22、应用如下公式求解优化函数的闭式解：
23、
24、θt的第i行第i列个元素表示为：
25、
26、其中，为取对应值最大的γ个样本构成的集合。
27、与现有技术相比，本专利技术具有以下有益效果：
28、1、本专利技术充分认识到振动信号调整的波动性，通过对预测结果的可靠性评估和历史模型权重关系的考虑，有效地应对了波动性调整可能对预测模型产生的负面影响。这种方法使得预测模型在面对不稳定的振动信号时表现出更强的鲁棒性和稳定性。
29、2、本专利技术充分考虑了不同设备之间的特征差异，这在传统方法中常常被忽略。通过个性化的剩余寿命预测，能够更精准地捕捉每台设备的实际运行风险，避免了对整体设备群体的过度泛化。
30、3、本专利技术通过平滑性优化，使得预测模型更具鲁棒性。历史模型权重的引入可以在振动信号波动性较大的情况下，保持模型的相对稳定性，从而提高了预测模型的性能。
31、4、由于预测结果更加准确，过度维护的风险降低，生产过程中不必要的停机时间和资源浪费将大大减少。这有助于提高生产效率和资源的有效利用。
32、5、基于更准确的剩余寿命预测，设备的突发故障风险减小，从而降低了生产中断和成本损失的风险。通过更准确的健康状态监测和剩余寿命预测，可以及早发现潜在的故障风险，减少安全事故的发生概率。
本文档来自技高网...【技术保护点】
1.基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：步骤2中的应用加权岭回归方法求解权重向量的具体公式如下：
3.根据权利要求2所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：所述平均模型权重用如下公式表示：
4.根据权利要求3所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：对于临近的nW个样本，构建相似矩阵并应用如下公式计算样本序列重要性结果：
5.根据权利要求4所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：应用如下公式求解优化函数的闭式解：
6.根据权利要求5所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：θt的第i行第i列个元素表示为：
【技术特征摘要】
1.基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：步骤2中的应用加权岭回归方法求解权重向量的具体公式如下：
3.根据权利要求2所述的基于加权宽度学习系统的设备剩余寿命多步预测方法，其特征在于：所述平均模型权重用如下公式表示：
4.根据权利要求3所述...
【专利技术属性】
技术研发人员：邹冬良，刘泽夷，陈世金，蔡东明，王亚坤，
申请(专利权)人：五冶集团上海有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。