[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

说明书

本发明公开了一种设备特征参数和故障率的预测方法及系统，所述方法包括：对采集的设备原始特征参数进行离群值与缺失值处理及标准化处理后得到规范化数据，并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，得到生成对抗网络模型；将实时采集新的特征参数作为待测试数据并输入至生成对抗网络模型，对设备的特征参数做出短期预测、中期预测及长期预测，将预测值结合分类模型结果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。本发明提供的设备特征参数和故障率的预测方法及系统，克服了采集数据的严重不均衡问题，实现了不同参数维度的统一及多任务问题的同时解决。

技术领域

本发明涉及大数据分析技术领域，尤其涉及一种设备特征参数和故障率的预测方法及系统。

背景技术

随着设备可靠性提高，企业先进生产管理方式的应用，以及质量监督和安全风险分析等手段的管控，通常在很长的周期内难以检测到设备故障的发生。目前，主要采用机器学习方法中的监督学习和半监督学习进行故障预测，但是使用监督学习和半监督学习这两种方法通常会面临如下问题：第一，算法受到监督信息的偏见的约束，因而监督算法在解决问题时无法去考虑其他可能出现的情况；第二，由于学习在监督或半监督下进行，为算法创建标签需要花费巨大成本，采集周期很长。手动创建的标签越少，算法可以用于训练的数据就越少；第三，半监督学习方法中利用未标记数据，有时不仅不能提高泛化能力，反而会导致性能下降；第四，半监督学习方法中在模型假设不符合真实情况下，或者标记样本与无标记样本差异较大时，会导致性能下降；第五，半监督学习方法中随着训练的不断进行，自动标记的样本噪声会不断积累，模型性能可能会不断下降。

发明内容

本发明的目的在于提供一种设备特征参数和故障率的预测方法及系统，通过离群值与缺失值处理克服了采集数据的严重不均衡问题；采用数据标准化处理实现了不同参数维度的统一，并且实现了多任务问题的同时解决。

为了克服上述现有技术中的缺陷，本发明实施例提供了一种设备特征参数和故障率的预测方法，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。

优选地，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。

优选地，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。

优选地，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。