[发明专利]改进SVR算法的电子设备故障预测方法

权利要求书

1.一种改进SVR算法的电子设备故障预测方法，其特征在于，具体包括如下步骤：

1)数据准备并选取：从电子设备状态数据集中选取几组较为完整的全生命周期监测数据，从中选择能够表征电子设备不同故障类型且能被连续监测和记录的特征参量，作为设备的退化特征变量；

2)对步骤1)选取的完整的全生命周期监测数据进行数据预处理：数据为测量的状态数据和时间序列二维数据，将二维数据参考退化特征变量进行划分，划分为训练集和测试集，并且在训练集和测试集中将相邻的每四个数据划分为一组，为后续的多步预测做准备；

3)建立SVR预测模型：将步骤2)训练集送入SVR预测模型进行模型训练，并用测试集对训练后模型进行验证，获取预测效果；

4)通过粒子群算法对步骤3)建立的SVR预测模型进行参数优化，得出最优的平滑参数C以及核函数系数σ²；

5)基于粒子群算法改进后SVR模型设计了递归多步预测的方法，并以此绘制设备状态劣化曲线：

递归多步预测思想为以下公式所示：

prediction(t)＝model(obs(t-1),obs(t-2),...,obs(t-m))

prediction(t+1)＝model(prediction(t),obs(t-1),obs(t-2),...,obs(t-m+1))

其中，prediction(t)为t时刻根据SVR预测模型所得的预测数据、model为代入最优参数后的SVR预测模型，obs(t-1),obs(t-2),...,obs(t-n)为t时刻前监测器所测得的实际训练数据，prediction(t+1)为结合递归多步预测后根据SVR预测模型所得的预测数据，步骤2)中相邻的每四个数据划分为一组，这里的m为4，即通过t时刻前4个时刻的数据以及t时刻的预测数据作为训练数据，来预测第t+1时刻的数据，并以此类推生成预测数据；

根据预测数据，绘制设备状态劣化曲线；

6)根据数据劣化曲线，设计基于滑动时间窗口的故障预警。

2.根据权利要求1所述改进SVR算法的电子设备故障预测方法，其特征在于，所述步骤2)在划分数据集的基础上将高斯白噪声加入到数据集中来实现数据增强，具体以下表达式表示：

其中x(n)为数据集中实际信号，s(n)为加入噪声后的信号，n为信号采样的时刻，N为总的信号采样数；通过设定信噪比SNR的值来设定输入噪声的大小。

3.根据权利要求1或2所述改进SVR算法的电子设备故障预测方法，其特征在于，所述步骤4)具体实现步骤包括：

4.1)种群初始化：初始化SVR模型参数，包括惩罚因子C，核函数参数σ²，生成初始种群；

4.2)构造适应度函数：适应度函数f(x)用SVR预测模型的拟合误差来构造；

4.3)粒子群算法参数设定：设定算法中的种群规模，最大遗传代数和算法终止条件；

4.4)计算个体极值和全局最优解：输入SVR预测模型进行训练并根据适应度函数计算个体极值和全局最优解；

4.5)更新速度和位置：根据计算的个体极值和全局最优解更新每个粒子的速度和位置；

4.6)判断是否满足终止条件：可将适应度值是否达到要求作为算法的终止条件，也可将设定的最大遗传代数作为终止条件；若不满足算法终止条件，则返回4.4)操作继续执行，直到满足算法终止条件；

4.7)得到最优的平滑参数C和核系数σ²。

4.根据权利要求3所述改进SVR算法的电子设备故障预测方法，其特征在于，所述步骤6)实现方法：在数据劣化曲线，采用指定单位长度的时间框勾选时间序列上的健康度值，用时间框内的计算所得的平均值代替指定时间对应的值，在滑动时间窗口的基础上设定阈值模型：

其中E_max为设备平均健康值的最大值，k为预警阈值系数，E_an为故障预警阈值，再根据每一个时间窗口所输出的值与E_an比较，来判断是否报警。