[发明专利]一种基于机器学习的故障预测方法

说明书

本发明公开了一种基于机器学习的故障预测方法。本方法为：1)采集待预测对象的设定运行指标数据，得到每一设定运行指标的时间序列数据；采集该待预测对象的历史故障数据；2)对步骤1)采集的数据分别进行特征提取，将提取的特征输入到机器学习系统中进行训练，得到一基础故障预测模型；3)收集该待预测对象运行时的设定运行指标的实时数据，对其进行特征提取并输入该基础故障预测模型，预测该待预测对象当前是否存在故障。本发明提高了设备安全运行效率，缩短维修时间，降低维修费用，延长设备使用寿命，减少或避免由于某些设备发生故障而产生的影响。

技术领域

本发明属于人工智能机器学习领域，涉及一种维护方法，具体为涉及一种基于机器学习的故障预测方法。

背景技术

目前，在人们现实生活中，对于系统和机器的依赖已超乎人们的想象。日常出行要开车、乘坐电梯、搭乘高铁或飞机等，还有在企业制造生产中，机器解放了劳动者，但是这些机器或系统会发生故障，有些故障只是带来不便，而有些故障则生死攸关。

当风险很高的时候，需要对系统进行常规性维护。因为故障的代价要远高于表面上的代价。例如，高铁每天例行检测，汽车隔几个月保养一次，飞机则每天保养一次，如此方法则是导致资源的严重浪费，形成过度，甚至过剩维修保养。

预测性维护能预测故障，提前采取行动，甚至预知何时会出现故障，能极大地节省开销、带来高的可预测性和增强系统的可用性。同时预测性维护避免了两种极端，最大化地利用资源。它将检测异常和故障模式，早早地给出预警信息，避免或最小化故障停机时间，优化周期性的维护操作，从而大大提高维护效率和效益。

发明内容

为了提高设备安全运行效率，缩短维修时间，降低维修费用，延长设备使用寿命，减少或避免由于某些设备发生故障而产生的影响，在一定范围内合理安排维修时间计划，以降低停机造成的损失达到最低限度，本发明提供一种基于机器学习的故障预测方法。

本发明的技术方案为：

一种基于机器学习的故障预测方法，其步骤包括：

1)采集待预测对象的设定运行指标数据，得到每一设定运行指标的时间序列数据；采集该待预测对象的历史故障数据；

2)对步骤1)采集的数据分别进行特征提取，将提取的特征输入到机器学习系统中进行训练，得到一基础故障预测模型；

3)收集该待预测对象运行时的设定运行指标的实时数据，对其进行特征提取并输入该基础故障预测模型，预测该待预测对象当前是否存在故障。

进一步的，机器学习系统对输入特征依次进行去噪、特征工程，训练得到一基础故障预测模型并对该基础故障预测模型进行超参数优化。

进一步的，所述特征工程的处理方法为：对于每一时间序列数据，计算该时间序列数据的滑动窗口方差，将该时间序列数据的多个滑动窗口方差作为一个特征子集；然后对各特征子集进行k-均值聚类，得到最有预测能力的特征子集；计算历史故障数据的滑动窗口方差，得到历史故障数据对应的特征子集。

进一步的，计算所述滑动窗口方差的方法：对于一时间序列数据{x(t)}，设置一宽度为h的诊断窗口，即该诊断窗口内包含h个按采集顺序排列的数据，诊断窗口时刻k时的数据序列为:{x_k}＝{x(k-j)}(j＝h-1,h-2,…,1,0)，其对应的滑动窗口方差是序列{x_k}的样本均值，n_q为k时刻的诊断窗口内的奇异点个数。