[发明专利]一种基于混合神经网络模型的机电设备健康状态预测方法

说明书

本发明公开了一种基于混合神经网络模型的机电设备健康状态预测方法，包括收集机电设备工况参数时间序列历史数据样本和健康状态标志的时间序列历史数据样本；针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模型，并通过各自相应的LSTM网络模型自动提取各种类型的工况参数的特征；为LSTM网络模型的输出层向量中每个特征输出赋予不同的权值，获取各个LSTM网络模型的输出层向量的加权输出等步骤。优点是：针对每个工况参数，设置一个LSTM网络模型，可以充分挖掘工况参数和机电设备健康状态之间的时序依赖关系，并充分考虑不同工况参数对机电设备健康状态之间的不同影响，设置不同的参数值，从而使得机电设备的健康状态预测更为准确。

技术领域

本发明涉及机电设备健康状态预测技术领域，尤其涉及一种基于混合神经网络模型的机电设备健康状态预测方法。

背景技术

随着工业信息化技术的不断发展进步,机电设备越来越向着精密化,复杂化以及智能化方向发展,其在给人类生产生活创造便利的同时,也给设备的故障预测和健康管理带来新的挑战。一旦机电设备发生故障而失效,则会影响整个生产系统的健康运行,导致严重的生产事件发生,更甚者会造成生命和财产的严重损失。

目前，已经存在基于工况参数对机电设备健康状态进行预测的方法，这些方法存在的问题如下：

1)基于线性模型Linear model或支持向量机模型SVM；假设各个时刻的工况参数是相互独立的，由于无法有效挖掘工况参数和设备健康状态之间的时序依赖关系，在实际应用过程中无法有效提升预测精度；

2)基于单个工况参数的时序模型，如循环神经网络RNN或长短时记忆网络LSTM；由于不能够考虑不同工况参数对设备健康状态之间的不同影响，导致的特征表征不全面，从而使得预测精度较低。

发明内容

本发明的目的在于提供一种基于混合神经网络模型的机电设备健康状态预测方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于混合神经网络模型的机电设备健康状态预测方法，包括如下步骤，

S1、收集机电设备工况参数时间序列历史数据样本和健康状态标志的时间序列历史数据样本；

S2、针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模型，并通过各自相应的LSTM网络模型自动提取各种类型的工况参数的特征；

S3、为LSTM网络模型的输出层向量中每个特征输出赋予不同的权值，获取各个LSTM网络模型的输出层向量的加权输出；

S4、利用全连接神经网络模型，整合每种工况参数的LSTM网络模型，获取机电设备的健康状态预测输出；

S5、利用每种工况参数的LSTM网络模型、每个LSTM网络模型对应的特征加权输出以及全连接神经网络模型组成一个完整的机电设备健康状态预测模型；并使用步骤S1中收集到的机电设备工况参数和健康状态标志的时间序列历史数据样本，对机电设备健康状态预测模型进行训练，获取训练好的机电设备健康状态预测模型；

S6、实时采集机电设备的工况参数数据，并将其输入到训练好的机电设备健康状态预测模型，进行预测判断。

优选的，机电设备的工况参数包括机电设备的电流、电压、速度、振动和温度；所述健康状态标识用于表征机电设备的多状态，机电设备的状态包括完全故障状态、最佳工作状态和亚健康工作状态。

优选的，步骤S2具体包括如下内容，

S21、针对每种类型的工况参数的时间序列历史数据样本，分别建立相应的LSTM网络模型；