一种复杂装备退化阶段的预测方法

技术领域

本发明涉及复杂装备退化阶段预测技术领域，尤其涉及一种复杂装备退化阶段的预测方法。

背景技术

复杂装备的部件众多，传感器监测参数关联性耦合性复杂，融合机械、液压、电气、电子各类器件。受工作负载和工作环境的影响，复杂设备不可避免的发生退化，而其退化阶段通常分为健康阶段(缓慢退化)、退化阶段(快速退化)和临近失效阶段。因此，准确而及时的退化阶段预测能够预测复杂设备的状态，提前进行装备的预防性维护，保障复杂设备的运行。

复杂装备维护长期依赖定期维护，定期维护具有多、繁的特点，增加了装备保障的支出。随着故障预测与健康管理技术的发展，预防性维修保障成为装备维护的主流。

因此如何提供一种提高复杂装备退化阶段预测的准确率和快速性的复杂装备退化阶段预测方法，成为了本领域技术人员急需解决的技术问题。

发明内容

本发明目的是提供了一种复杂装备退化阶段的预测方法，以解决上述问题。

本发明解决技术问题采用如下技术方案：

一种复杂装备退化阶段的预测方法，所述方法包括如下步骤：

步骤S1：建立线性自回归模型与非线性神经网络混合的多维参数预测模型；

步骤S2：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；

步骤S3：通过步骤S1所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；

步骤S4：将步骤S3得到的各参数的预测值输入步骤S2所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。

进一步地，所述非线性神经网络，包括隐含层和输出层，所述隐含层包括线性自回归模型，线性自回归模型与非线性神经网络模型并行。

进一步地，所述多维参数预测模型的建立具体步骤如下：

步骤S1.1：将复杂装备在整个生命周期过程中多源传感器采集得到的信号数据构成历史数据库；

步骤S1.2：对历史数据库数据进行数据预处理；

步骤S1.3：通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择；

步骤S1.4：结合S1.2、S1.3处理的输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型。

进一步地，所述在线监测数据在输入多维参数预测模型前先对在线监测数据进行数据预处理，并选择相关的特征作为输入。

进一步地，所述非线性神经网络模型通过历史数据训练，调整模型结构与模型参数。

进一步地，所述k均值聚类模型的建立包括如下步骤，

S2.1选取监测数据空间中的K个对象作为初始中心，即各退化阶段中心；

S2.2根据数据对象与S2.1所述各退化阶段中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心所对应的退化阶段；

S2.3更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；

S2.4判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，重新划分类别。

进一步地，所述数据预处理的方法包括缺失值填充、异常值剔除和数据归一化以及噪声去除。

进一步地，所述监测数据为多维时间序列数据。

进一步地，所述历史数据训练包括如下步骤，

步骤一、根据构建的预测模型的输入输出结构，基于时序监测数据构造监督式的样本，并划分训练集和测试集；

步骤二、设定模型超参数，初始化网络中神经元参数，并设计损失函数、参数优化器及训练收敛结束条件；

步骤三、输入训练样本，进行前向传播计算；

步骤四、计算模型损失函数，并判断损失函数是否收敛；

步骤五、若损失函数收敛，则训练完成；否则误差反向传播，优化模型参数，迭代重复步骤三和步骤四，直到损失函数满足要求或满足训练结束条件，并判断预测精度是否满足要求。

一种复杂装备退化阶段的预测系统，所述系统包括如下模块：

第一计算模块：用于建立线性自回归模型与非线性神经网络混合的多维参数预测模型；

第二计算模块：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；

第一执行模块：用于通过第一计算模块所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；

第二执行模块：用于将第一执行模块得到的各参数的预测值输入第二计算模块所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。

有益效果：

本发明公开提供了一种复杂装备退化阶段的预测方法，基于k均值聚类方法对多维传感器参数聚类得到各退化阶段的退化中心，基于线性自回归模型与非线性神经网络混合的多维参数预测模型对关键参数进行预测，将预测结果输入k均值聚类模型对退化阶段进行预测。

附图说明

图1为本发明提供的一种复杂装备退化阶段的预测方法流程图。

图2为本发明k均值退化阶段划分的流程图。

图3为本发明基于线性自回归模型与非线性神经网络混合的多维参数预测模型结构图。

图4为本发明多维参数预测模型训练的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明公开了一种复杂装备退化阶段的预测方法，包括如下步骤：

步骤S1、积累复杂装备在整个生命周期过程中多源传感器采集得到的信号数据，形成历史数据库；

步骤S2、对原始数据进行数据预处理，包括噪声去除和归一化的操作；

步骤S3、通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择；

步骤S4、建立k均值聚类模型，将步骤S2、S3中处理过的数据作为输入，调整模型参数获得各退化阶段的聚类中心；

步骤S5、结合S2、S3处理的输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型；

步骤S6、利用历史数据训练构建的神经网络模型，调整模型结构与模型参数直至预测精度满足需求；

步骤S7、将复杂装备的在线监测数据输入S6中得到的混合网络的预测模型，获得各参数的预测值；

步骤S8、将S7中的预测结果输入S4中的k均值聚类模型度量预测状态与各退化中心的距离；

步骤S9、根据S8的计算结果进行退化阶段匹配，输出复杂装备退化阶段的预测结果。

本实施例中，所述步骤S2具体包括：

对数据进行预处理，包括缺失值填充和归一化处理；

对数据进行预处理，包括缺失值填充、异常值剔除和数据归一化以及噪声去除；

对缺失值采用移动平均法进行填充，即将缺失值前的一段数据计算平均值作为缺失值；对异常值采用3σ法则进行异常判断，同样采用移动平均法填充；对各变量进行归一化处理，归一化计算公式为

本实施例中，所述步骤S3具体包括：

对每一个监测变量，依次计算该监测变量与其他监测变量之间的皮尔逊系数；对于两个监测变量构成的时间序列X和Y，皮尔逊系数的计算公式为：

计算各个监测变量的皮尔逊系数矩阵，相关性较高的变量只保留其中一个。

本实施例中，所述步骤S4具体包括：

依据经验选取监测数据空间中的K个对象作为初始中心，即各退化阶段中心；对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的退化阶段；更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，重新划分类别。

本实施例中，所述步骤S5，具体步骤包括：

所构建的多维参数预测模型是一个为多变量时间序列预测设计的深度学习模型，多维时间序列先输入卷积层，利用卷积层的优势发现多维输入变量之间的局部依赖模式，再输入递归层捕获复杂的长期依赖关系。同时该模型将传统的线性自回归模型与非线性神经网络部分并行，自行将输入的时间序列分解成线性低频和非线性高频两块来进行预测，这使得非线性深度学习模型对于具有尺度变化的时间序列更具鲁棒性。

本实施例中，所述步骤S6具体包括：

对历史数据进行训练集和测试集划分，若历史数据量不够大则采用五折交叉验证的方法对模型进行训练，待模型预测收敛、预测性能达到需求完成模型训练。

本实施例中，所述步骤S7具体包括：

采集复杂设备的在线数据，并执行步骤S2进行数据预处理，根据步骤S3的结论选取相应的参数，输入步骤S6训练得到的混合模型中，得到各参数的预测结果。

本实施例中，所述步骤S8具体包括：

将步骤S7中得到的预测结果输入步骤S4学习得到的k均值聚类模型，得到与各聚类中心的欧氏距离。

本实施例中，所述步骤S9具体包括：

将步骤S8中的欧式距离计算结果进行排序，并与退化阶段进行匹配。

实施例2

如图1所示，本发明提供了一种复杂装备退化阶段的预测方法，在案例2中以航空发动机作为应用案例，包括如下步骤：

步骤1、积累复杂装备历史工作过程中多源传感器采集的运行状态数据。复杂装备的监测数据主要包括系统的温度、压力和转速等表征装备运行状态的信息。

步骤2、对采集到的各类数据进行数据清洗的工作，具体包括缺失值填充、异常值剔除、噪声去除和归一化处理的操作。

具体地，数据预处理各步骤详细说明如下：

步骤2.1、数据缺失值填充：对存在缺失值的位置，使用该位置前五个数值的平均值作为缺失值的数值；

步骤2.2、数据异常值的剔除：计算数据的均值和方差，对于和均值差值大于3σ的数值，视为异常值，进行剔除，并进行缺失值的填充；

步骤2.3、噪声去除：对传感器记录的存在高频噪声的数据，考虑采集频率等因素设计低通滤波器滤除高频噪声；

步骤2.4、归一化：对各变量进行归一化处理，归一化计算公式为

步骤3、通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择，筛选出具有不同变化规律的参数。

步骤3.1、对每一个监测变量，依次计算该监测变量与其他监测变量之间的皮尔逊系数；例如对于两个监测变量构成的时间序列X和Y，皮尔逊系数的计算公式为：

步骤3.2、计算各个监测变量的皮尔逊系数矩阵，相关性较高的变量只保留其中一个，从而达到数据约简的目的。

步骤4、建立k均值聚类模型，将步骤S2、S3中处理过的数据作为输入，调整模型参数获得各退化阶段的聚类中心；

具体地，如图2所示，k均值模型构建的详细流程如下：

步骤4.1、依据经验选取监测数据空间中的K个对象作为初始中心，即各退化阶段中心；

步骤4.2、对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的退化阶段；

步骤4.3、更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；

步骤4.4、判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，重新划分类别。

步骤5、结合处理的历史输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型；

具体地，如图3所示，模型构建的详细结构如下：

步骤5.1、网络的输入和输出都包括N维参数，其中输入为经过数据预处理和关联性分析后的数据，同时输入数据为多维时间序列数据。

步骤5.2、输入多维数据的时间步长为m，输出的多维数据时间步长为1，利用前m步的监测的传感器数据预测未来1步的传感器数据。

步骤5.3、网络的隐含层由卷积层和循环层交替连接，同时隐含层包含线性自回归模型，多维时间序列先输入卷积层，利用卷积层的优势发现多维输入变量之间的局部依赖模式，再输入递归层捕获复杂的长期依赖关系。同时该模型将传统的线性自回归模型与非线性神经网络部分并行，这使得非线性深度学习模型对于具有尺度变化的时间序列更具鲁棒性。

步骤6、利用历史数据训练构建的神经网络模型，调整模型结构与模型参数直至预测精度满足需求；

具体地，如图4所示，模型构建的详细结构如下：

步骤6.1、根据构建的预测模型的输入输出结构，基于时序监测数据构造监督式的样本，并划分训练集和测试集；

步骤6.2、设定模型超参数，初始化网络中神经元参数，并设计损失函数、参数优化器及训练收敛结束条件；

步骤6.3、输入训练样本，进行前向传播计算；

步骤6.4、计算模型损失函数，并判断损失函数是否收敛；

步骤6.5、若损失函数收敛，则训练完成；否则误差反向传播，优化模型参数，迭代重复步骤6.3、6.4，直到损失函数满足要求或满足训练结束条件，并计算预测值

步骤7、将复杂装备的在线监测数据输入S6中得到的混合网络的预测模型，获得各参数的预测值；

具体地，对多维参数预测的详细流程如下：

步骤7.1、对在线的数据进行数据预处理，并选择相关的特征作为输入；

步骤7.2、利用训练好的预测模型进行预测。

步骤8、将步骤S7中得到的预测结果输入步骤S4学习得到的k均值聚类模型，得到与各聚类中心的欧氏距离。

步骤9、根据S8的计算结果进行退化阶段匹配，输出复杂装备退化阶段的预测结果。

本发明通过建立线性模型和非线性模型的混合预测模型，融合了二者的优点，改善了传统方法对多维数据多输入多输出预测效果差的问题；通过k均值聚类的方法改善了只依赖固定阈值与人工经验退化阶段划分的不足。

实施例三：

一种复杂装备退化阶段的预测系统，所述系统包括如下模块：

第一计算模块：用于建立线性自回归模型与非线性神经网络混合的多维参数预测模型；

第二计算模块：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；

第一执行模块：用于通过第一计算模块所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；

第二执行模块：用于将第一执行模块得到的各参数的预测值输入第二计算模块所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。

工作原理：

本发明基于k均值聚类对退化阶段进行聚类，基于线性自回归模型与非线性神经网络混合的多维参数预测模型对传感器的多维参数进行预测；基于混合模型的预测结果和均值聚类模型对复杂装备即将进入的退化阶段进行预测。基于深度学习和统计模型预测以及无监督学习的理论，预测了复杂装备即将进入的退化状态，为复杂装备预防性维修和稳定高效的运行提供了有力保障。

本发明针对现有方法存在的不足，提出了一种基于深度学习和统计模型预测以及无监督学习的理论的退化阶段预测方法。在对复杂装备多维监测数据进行数据预处理和关联性分析的基础上，基于多维参数预测模型，对复杂装备产生的多维监测数据进行预测，进而依据建立的k均值聚类模型对预测数据进行退化阶段划分，实现对复杂装备的退化阶段预测。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。