[发明专利]一种基于堆栈模型的故障预测方法及系统

说明书

本发明涉及故障预测及健康管理领域，公开了一种基于堆栈模型的故障预测方法及系统，以融合不同预测方法，在处理不同特点的数据时充分发挥各自优点，提高系统预测精度。该方法包括确定堆栈模型的层数，选择每层堆栈模型所用的预测方法；将得到的原始数据集划分为第一层训练数据集和第一层测试数据集；采用K折交叉验证方法将第一层训练数据集分为训练集和验证集并对训练集进行训练以得到第一层堆栈模型；分别用训练学习好的第一层堆栈模型，测试对应验证集及测试集，将得到验证集及测试集的预测值，分别作为下一层的训练数据集和测试数据集；重复上述步骤计算所有层堆栈模型，根据最后一层堆栈模型对测试数据集的预测结果得到最终的预测结果。

技术领域

本发明涉及故障预测及健康管理领域，尤其涉及一种基于堆栈模型的故障预测方法及系统。

背景技术

随着现代科技工业技术尤其是信息技术的迅速发展，在轨道交通、船舶、工业应用等各个领域的工程系统日趋复杂，系统的复杂性、综合化、智能化程度不断提高。伴随着复杂系统的发展其研制、生产尤其是维护和保障的成本越来越高。同时，由于组成环节和影响因素的增加，发生故障和功能失效的几率逐渐加大，因此，系统故障诊断和维护逐渐成为研究者关注的焦点。在实际情况中，存在一类具有退化过程的故障，即，某性能随时间变化而逐渐退化变差，但仍能工作。如何对该类故障进行预测成为一个需要解决的问题。因此，以预测技术为核心的故障预测和健康管理(Prognostics and Health Management,PHM)策略获得越来越多的重视和应用,如何提高预测的效率和精度，降低维修费用，是故障预测和健康管理的要求和目标。

基于数据驱动的故障预测方法通过传感器所获取的历史运行数据，采用数学模型认识或学习被测对象部件/系统的健康/非健康行为，并对未来被测对象部件/系统行为进行预测，它无需建立部件/系统的复杂数学或物理模型而获得广泛的关注和应用。历史运行数据各有特点，如高维、不平衡、非线性、异构等，而不同预测方法对不同特点数据的表达能力存在差异，单一的预测方法难以适应复杂系统复杂数据特点，从而影响故障预测的精度。

因此，现需提供一种能有效融合各种不同预测方法，使其在处理不同特点的数据时充分发挥各自优点，提高预测精度的故障预测方法及系统。

发明内容

本发明针对上述问题提供了一种基于堆栈模型的故障预测方法及系统，以能有效融合不同预测方法，在处理不同特点的数据时充分发挥各自优点，提高系统预测精度。

为实现上述目的，本发明提供了一种基于堆栈模型的故障预测方法，包括以下步骤：

S1:确定堆栈模型的层数，为堆栈模型的每一层设定所用的预测方法；根据待预测对象的历史退化数据集得到原始数据集，将所述原始数据集输入至所述堆栈模型的第一层；

S2:在所述堆栈模型的第一层中，将所述原始数据集划分为第一层训练数据集和第一层测试数据集；采用K折交叉验证方法将第一层训练数据集分为K组不同的训练集和验证集；采用第一层所用的预测方法对K组不同的训练集进行训练，得到第一层堆栈模型；

S3:采用所述第一层堆栈模型测试第一层的验证集，得到验证集预测值；用所述第一层堆栈模型对所述测试数据集进行预测，得到测试数据集预测值；将第一层作为当前层；

S4:根据所述验证集预测值构建当前层的验证集预测值矩阵，将所述验证集预测值矩阵作为当前层的下一层的训练数据集以采用对应层的预测方法训练得到下一层的堆栈模型；并根据所述测试数据集预测值构建当前层的测试数据集预测值矩阵，将所述测试数据集预测值矩阵作为当前层的下一层的测试数据集以对对应层的堆栈模型进行预测；

S5:将所述当前层的下一层作为新的当前层，重复上述S4；直至训练完最后一层的堆栈模型；

S6：采用最后一层的堆栈模型预测的测试数据集作为最终的预测结果。