[发明专利]一种基于物联网边缘计算的工业设备健康预测方法

权利要求书

1.一种基于物联网边缘计算的工业设备健康预测方法，其特征在于,步骤为：

步骤S1：对工业设备的状态数据进行收集构成样本数据集A，两个缺失数据间的所有数据组成部分数据集B，利用灰色动态预测模型对采集缺失的数据进行填补，对前向填补值和后向填补值进行加权平均；

步骤S2：将采集和填补的数据按不同比例分成训练集、验证集与测试集，不同的数据集里数据比例不同，利用训练集里的数据来训练模型；将训练好的模型在验证集上进行验证，利用测试集上的误差作为最终模型在应对现实场景中的泛化误差；

步骤S3：利用改进粒子群优化模型减小非线性多分类均衡支持向量机样本量不平衡引起的误差，然后对参数进行初始化；

步骤S4：利用支持向量机中的参数代表改进粒子群优化模型的粒子，利用核函数计算各个粒子的适应度值，对样本数少的粒子，增大均衡因子抵消由于样本数不平衡引起的偏差；

步骤S5：对各个粒子的个体极值以及个体极值中的最优值进行比较与更新；

步骤S6：更新各个粒子的速度与位置以及更新惯性权重初始值与最终值，在更新开始时的惯性权重大于在更新后期的惯性权重；

步骤S7：对终止条件进行判断，当终止条件达到最大迭代次数，则终止迭代，同时将最优解进行输出；当终止条件没有达到最大迭代次数，返回步骤S4继续迭代；

步骤S8：迭代结束后，将最优解代入支持向量机中重新进行训练，再利用分类模型对设备的状态数据进行分类；

步骤S9：对步骤S8的预测结果利用健康度对工业设备进行定性评价，评价结果分为三种健康、亚健康、损坏。

2.如权利要求1所述的一种基于物联网边缘计算的工业设备健康预测方法，其特征在于，所述样本数据集为A=（A(1),A(2),…,A(n)），在样本数据集中缺失的数据A(i)向前寻找一个相邻的缺失数据A(i-1)，并由A(i)和A(i-1)这两个缺失数据间的所有数据组成部分数据集B，然后利用灰色动态预测模型计算出缺失数据前向填补值:

其中ψ表示灰色动态预测模型的系数，b、c由最小二乘法得出，表示灰色动态预测模型的参数；

在样本数据集中缺失数据A(i)向后寻找一个相邻的缺失数据A(i+1)，A(i)和A(i+1)这两个缺失数据间的所有数据组成部分数据集B，然后利用灰色动态预测模型计算出缺失数据后向填补值:

将和进行加权平均得到：

并将作为缺失数据的填补值。

3.如权利要求1所述的一种基于物联网边缘计算的工业设备健康预测方法，其特征在于，步骤S2中，工业设备的状态数据分成训练集、验证集与测试集的比例为3:1:1。

4.如权利要求1所述的一种基于物联网边缘计算的工业设备健康预测方法，其特征在于，所述步骤S3中，初始化的参数包括动态权重的初始值与最终值、学习因子、最大跌迭次数。

5.如权利要求1所述的一种基于物联网边缘计算的工业设备健康预测方法，其特征在于，所述步骤S6中各个粒子的速度与位置更新的表达式为：

其中，P_i表示个体最优值，P_g表示全局最优值，d=1,2…,D；D表示D维的一个搜索空间；表示迭代K次时粒子的位置，i＝1,2…,n；k表示目前迭代次数；c1、c2表示非负的学习因子；r1、r2为（0,1）的随机数；ｗ表示惯性权重。

6.如权利要求5所述的一种基于物联网边缘计算的工业设备健康预测方法，其特征在于，所述惯性权重w的表达式为：

其中：ｗ_s表示惯性权重的初始值，ｗ_f表示惯性权重的最终值；ｋ表示目前迭代次数；K_ｍａｘ表示最大迭代次数。