[发明专利]一种大数据故障预测方法

说明书

技术领域

本发明涉及大数据预测技术领域，具体涉及一种大数据故障预测方法。

背景技术

大数据预测是基于大数据和预测模型去预测未来某件事情的概率。让分析从“面向已经发生的过去”转向“面向即将发生的未来”是大数据与传统数据分析的最大不同。大数据预测的逻辑基础是，每一种非常规的变化事前一定有征兆，每一件事情都有迹可循，如果找到了征兆与变化之间的规律，就可以进行预测。大数据预测无法确定某件事情必然会发生，它更多是给出一个概率。随着信息革命的深入，大数据时代的预测更加容易，人类的生活正在被大数据预测深刻改变。

BP神经网络由于自学习和自适应能力强而广泛使用在大数据预测领域，但是随着应用范围的逐步扩大，BP神经网络也暴露出了越来越多的缺点和不足。最常见的问题是局部最小化。从数学角度看，由于神经网络对权值与阈值非常敏感，因此以随机数方式初始化的权重和阈值往往会导致每次训练得到不同的结果。

发明内容

有鉴于此，为了解决现有技术中的上述问题，本发明提出一种基于PSO与BP神经网络相结合的大数据故障预测方法。

本发明通过以下技术手段解决上述问题：

一种大数据故障预测方法，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：

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)

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：

与现有技术相比，本发明的有益效果如下：