[发明专利]一种设备的特征参数和故障率的预测方法及系统

权利要求书

1.一种设备特征参数和故障率的预测方法，其特征在于，包括：

对采集的设备特征参数进行离群值与缺失值处理及标准化处理，得到特征参数规范化数据；

将所述规范化数据输入至生成对抗网络进行训练，利用Adam优化器结合最小化交叉熵模型损失函数不断更新所述生成对抗网络的参数，当达到规定的训练迭代次数或辨别器无法分辨真假即判别概率为0.5时停止训练，得到生成对抗网络模型；

实时采集新的特征参数作为待测试数据，将所述待测试数据输入至所述生成对抗网络模型，对设备的特征参数做出短期预测、中期预测及长期预测三种方式的回归值预测，将所述预测后的值结合分类模型对设备状态进行二值化信号输出，进而判断设备的故障状态。

2.根据权利要求1所述的设备特征参数和故障率的预测方法，其特征在于，所述预测模型利用动态滑动窗技术，所述训练包括对所述规范化数据中各个参数的平稳波动部分进行跟踪。

3.根据权利要求1所述的设备特征参数和故障率的预测方法，其特征在于，所述对采集的设备特征参数进行离群值与缺失值处理，包括：

计算第一周期内特征参数的每个时刻的实测值与均值的差值，根据所述差值计算第一周期内的相对误差和平均绝对相对偏差，当所述相对误差大于等于所述平均绝对相对偏差的四倍，则判断为离群点；

采用四倍标准差法处理所述离群点；

按照预设时间间隔进行特征参数采样，当采样率周期大于预设时间时，通过中位数插值法对所述特征参数进行拟合；否则，计算所述特征参数的平均数；

通过中位数插值法对所述缺失值进行填充。

4.根据权利要求1所述的设备特征参数和故障率的预测方法，其特征在于，所述标准化处理，包括：采用如下公式对特征参数进行处理：

其中，特征i的输入数据为x⁽ⁱ⁾、平均值为μ_x、方差为σ_x。

5.根据权利要求1所述的设备特征参数和故障率的预测方法，其特征在于，在所述对采集的原始数据进行离群值与缺失值处理及标准化处理之前，还包括，对所述原始数据进行.xml数据解析，所述原始数据为.xml格式。

6.根据权利要求1所述的设备特征参数和故障率的预测方法，其特征在于，所述训练中的神经网络采用卷积神经网络和循环神经网络。

7.一种设备特征参数和故障率的预测系统，其特征在于，包括：

数据采集单元，用于对采集的设备特征参数进行离群值与缺失值处理及标准化处理，得到特征参数规范化数据；

模型构建单元，用于将所述规范化数据输入至生成对抗网络进行训练，利用Adam优化器结合最小化交叉熵模型损失函数不断更新所述生成对抗网络的参数，当达到规定的训练迭代次数或辨别器无法分辨真假即判别概率为0.5时停止训练，得到生成对抗网络模型；

故障预测单元，用于实时采集新的特征参数作为待测试数据，将所述待测试数据输入至所述生成对抗网络模型，对设备的特征参数做出短期预测、中期预测及长期预测三种方式的回归值预测，将所述预测后的值结合分类模型对设备状态进行二值化信号输出，进而判断设备的故障状态。

8.根据权利要求7所述的设备特征参数和故障率的预测系统，其特征在于，还包括，所述预测模型利用动态滑动窗技术，所述训练包括对所述规范化数据中各个参数的平稳波动部分进行跟踪。

9.一种计算机终端设备，其特征在于，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6任一项所述的设备特征参数和故障率的预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的设备特征参数和故障率的预测方法。