[发明专利]一种大数据故障预测方法

权利要求书

1.一种大数据故障预测方法，其特征在于，包括如下步骤：

S1：构造样本：利用数据集中前44个训练数据构造训练矩阵；

T_train＝[T₁ T₂ … T₄₀]

S2：对原始数据进行归一化处理，转换为[0,1]之间的值：

y=(0.8-0.2)×x-min(x)max(x)-min(x)+0.2---(4-1)]]>

S3：根据公式(4-2)确定隐含层节点数N，创建神经网络模型；

N＝M-1(4-2)

M是输入层节点数；

S4：设定PSO算法参数：

学习因子C₁＝C₂＝1.8；惯性权重ω＝0.7；

S5：W_ij为BP神经网络权值，θ_j为BP神经网络偏置值，以W和θ作为粒子，初始化粒子位置X与速度V，种群规模为M＝40，粒子位置初始值为[-1,1]之间的随机值，速度的初始值0；

S6：神经网络的隐藏层与输出层每个节点的输入公式(4-3)与输出公式(4-4)：

I_j＝∑_iW_ijX_i+θ_j(4-3)

Oj=11+e-Ij---(4-4)]]>

其中I_j为j节点的输入值，X_i为输入层对应i节点的输入值，O_j为j节点的输出值；

S7：适应度函数如下：

Erro＝|Y-y|(4-5)

上式为PSO算法的适应度函数，Y为真实值；y为预测值，即输出层的输出值；

S8：粒子群算法的进化方程为

V(t+1)＝ωV(t)+C₁R₁(P_best-X(t))+C₂R₂(G_best-X(t))(4-6)

V(t)为前一次的进化速度，初始值为一个随机数，ω为惯性权重，这里取值为0.7，C₁、C₂为学习因子，这里取值1.8，R₁、R₂为[0,1]之间的随机数，P_best为粒子的个体最优值，G_best为粒子的全局最优值，x(t)为粒子位置，这里指权重W与偏置值θ的值；

S9：粒子位置更新：

X(t+1)＝X(t)+V(t+1)(4-7)

S10：设定迭代的误差精度，返回步骤S8，不断更新粒子的位置，直到达到误差精度；

Erro≤200(4-8)

S11：把粒子X全局最优值作为BP网络参数，预测下一次发生故障的时间；把得到的预测值进行反变换：

x=(y-0.2)×max(x)-min(x)0.8-0.2+min(x)---(4-9)]]>