【技术实现步骤摘要】
本专利技术涉及金属模锻压力机，特别涉及一种基于融合模型的大型模锻压力机故障预警方法。
技术介绍
1、锻压作为工业生产中常见的加工方式之一，在制造业中发挥着举足轻重的作用。锻造可以制造零件毛坯，也可以直接制造成品，锻压设备制造的工业零件，具有高生产率，高性能，高精确性，在国民经济、行业科技发展等方面具有十分关键且重要的作用。模锻压力机是锻造领域重要的生产设备，广泛应用于金属零件的成型和锻造等工艺过程，例如汽车制造、航空航天等领域。大型模锻压力机一旦发生故障，将直接影响产线运行并可能造成巨大经济损失。现如今，对于大型模锻压力机的故障，主要是通过人工实时监测和事后诊断。由于设备传感器参数较多，人工实时监测将耗费巨大成本；随着行业领域内产品质量一致性要求的不断提升，事后诊断也已无法满足工业现场的需求。以800mn大型模锻压力机为例，该设备锻压一个航空工件的时间周期为3分钟。零件锻压完毕后，将通过零件本身的工艺数据(尺寸、表面温度等)，反推设备运行情况，进而确定设备异常与否。这种故障诊断方式具有两个弊端：1、若已确认设备异常或故障，将导致零件浪费。2、具有一定的延迟性，可能造成产线长时间异常运行。2010年之后，ai技术在各行各业得到了广泛的应用。基于时间序列的预测算法也开始应用至模锻压力机的异常检测中。
2、常见的预测方法包括自回归模型(ar)、自回归移动平均模型(arma)、自回归综合移动平均模型(arima)、长短时记忆网络(lstm)等。在简单场景下，上述单一模型在大型模锻压力机的故障检测问题中，具有不错的效果；但是随
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于融合模型的大型模锻压力机故障预警方法以解决现有预测方法随着设备参数逐渐增多，压力机信号日益复杂，上述模型可能存在过拟合、欠拟合等缺陷，导致预测结果不准确的问题。
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、一种基于融合模型的大型模锻压力机故障预警方法，包括：
4、步骤一，采集模锻压力机关键部件的监测信号，构建信号预测训练数据集和测试数据集；
5、步骤二，对数据集中的各个模锻压力机关键部件时域信号进行小波分解，获得各个频率尺度的小波系数，然后进行多尺度s-g滤波；
6、步骤三，计算模锻压力机关键部件的监测信号数据的ar模型系数，构建ar模型，将测试集数据作为模型输入，得到预测值经过小波重构作为ar模型输出y1；
7、步骤四，对于svr模型的参数，这里使用网格搜索法来进行选择和优化，对于构建完成svr预测模型，分别对信号分解出的经过s-g滤波后的小波分量进行预测，然后将预测值进行逆小波变换，完成小波重构得到svr模型的最终预测结果y2；
8、步骤五，构建lstm网络模型，将各个尺度成分作为模型输入进行预测，将预测值进行小波重构输出y3；
9、步骤六，建立线性组合w1y1+w2y2+w3y3，而后采用侏儒猫鼬优化算法确定混合模型中不同模型所占的权重；
10、步骤七，输出最终预测结果。
11、进一步的，所述步骤一中的训练数据集和测试数据集的数据采集通过各项传感器进行。
12、进一步的，所述步骤二中的小波分解采用哈尔小波haarwavelet、daubechies小波、coiflet小波中的一种，从而将信号或图像通过一系列的低通和高通滤波器进行分解，低通滤波器用于提取信号或图像的低频信息，而高通滤波器用于提取高频信息。
13、进一步的，所述步骤六混合模型中不同模型所占的权重可以通过求解适应度函数来获得。
14、进一步的，所述模型预测值与建立的线性组合，每个模型在适应度函数中占有不同的权重，因此适应度的函数值必须是非负数，那么预测值与真实值的偏差可以表示为：
15、zi＝w1y1(i)+w2y2(i)+w3y3(i)-xi，i＝1，2，...，n
16、综上，可以提出本优化模型的适应度函数，其表示为预测序列与实际序列的平方和，具体表示如下：
17、s.t.w1+w2+w3＝1，y1，y2，y3≥0
18、根据上式求解得出每个模型预测值所占的权重，在后续工作中就可以以此权重代入多尺度的ar-svrlstm集成学习预测模型中进行分析。
19、进一步的，通过对ar-svr-lstm-dmo的训练，可以得到一个性能良好的预测模型，代表模锻压力机的健康状态，该模型可以预测模锻压力机正常状态下各个测点的数据走向，因此，在同一时刻，我们就可以根据模锻压力机运行的真实数据，与模型得到的预测数据进行对比，若差距较大，则说明设备出现异常，存在故障可能。
20、进一步的，我们使用了一种无监督的动态误差阈值设定方法，来评估真实值与模型预测值之间的差异，若误差值高于当前阈值，则触发系统异常报警，在每个时间步t，若模型预测值为对应的设备真实值为y(t)，那么在t时刻的误差值可以表示为：在时间段(t-h，t)内的所有误差值，可以组成一个一维向量：e＝[e(t-h)，e(t-1)，e(t)]，其中h是时间段长度，经过实验，当h＝30时(秒)，可以获得较好的效果，为了减弱部分突变值对预测结果的干扰，我们对误差向量进行指数加权平均(ewma)，得到误差平滑向量：误差阈值从集合中确定，具体的获取方法为：
21、
22、δμ(es)＝μ(es)-μ({es∈es|es＜ε})
23、
24、ea＝{es∈es|es＞ε}
25、eseq＝连续序列ea∈ea。
26、本专利技术与现有技术相比，至少具有如下有益效果：
27、上述方案中，通过对ar-svr-lstm-dmo的训练，可以得到一个性能良好的预测模型，代表模锻压力机的健康状态，该模型可以预测模锻压力机正常状态下各个测点的数据走向，结合了三种时序预测算法的优点，提出了一种融合模型算法ar-svr-lstm，使其在模锻压力机故障预测问题上，同时具有ar、svr、lstm三种ai模型的优点，并提出了一种无监督的、误差阈值动态设定方法，进一步降低了设备异常误报率。
本文档来自技高网...【技术保护点】
1.一种基于融合模型的大型模锻压力机故障预警方法，其特征在于，包括：
2.根据权利要求1所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述步骤一中的训练数据集和测试数据集的数据采集通过各项传感器进行。
3.根据权利要求1所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述步骤二中的小波分解采用哈尔小波Haarwavelet、Daubechies小波、Coiflet小波中的一种，从而将信号或图像通过一系列的低通和高通滤波器进行分解，低通滤波器用于提取信号或图像的低频信息，而高通滤波器用于提取高频信息。
4.根据权利要求1所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述步骤六混合模型中不同模型所占的权重可以通过求解适应度函数来获得。
5.根据权利要求4所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述模型预测值与建立的线性组合，每个模型在适应度函数中占有不同的权重，因此适应度的函数值必须是非负数，那么预测值与真实值的偏差可以表示为：
6.根据权利要求1所述的基于融合模型
7.根据权利要求6所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，我们使用了一种无监督的动态误差阈值设定方法，来评估真实值与模型预测值之间的差异，若误差值高于当前阈值，则触发系统异常报警，在每个时间步t，若模型预测值为对应的设备真实值为y(t)，那么在t时刻的误差值可以表示为：在时间段(t-h,t)内的所有误差值，可以组成一个一维向量：e＝[e(t-h)，e(t-1)，e(t)]，其中h是时间段长度，经过实验，当h＝30时(秒)，可以获得较好的效果，为了减弱部分突变值对预测结果的干扰，我们对误差向量进行指数加权平均(EWMA)，得到误差平滑向量：误差阈值从集合中确定，具体的获取方法为：
...【技术特征摘要】
1.一种基于融合模型的大型模锻压力机故障预警方法，其特征在于，包括：
2.根据权利要求1所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述步骤一中的训练数据集和测试数据集的数据采集通过各项传感器进行。
3.根据权利要求1所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述步骤二中的小波分解采用哈尔小波haarwavelet、daubechies小波、coiflet小波中的一种，从而将信号或图像通过一系列的低通和高通滤波器进行分解，低通滤波器用于提取信号或图像的低频信息，而高通滤波器用于提取高频信息。
4.根据权利要求1所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述步骤六混合模型中不同模型所占的权重可以通过求解适应度函数来获得。
5.根据权利要求4所述的基于融合模型的大型模锻压力机故障预警方法，其特征在于，所述模型预测值与建立的线性组合，每个模型在适应度函数中占有不同的权重，因此适应度的函数值必须是非负数，那么预测值与真实值的偏差可以表示为：
6.根据权利要...
【专利技术属性】
技术研发人员：袁超，张田民，张浩，凌云汉，石一磬，苏子宁，于振军，杨博，吴帆，李志成，
申请(专利权)人：中国机械总院集团北京机电研究所有限公司，
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。