[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

说明书

本发明公开了一种基于物联网边缘计算的工业设备健康预测方法,该方法的步骤为样本数据集采集，对缺失的数据进行填补；将采集和填补的数据按不同比例进行分类；利用改进粒子群优化模型对参数进行初始化；利用支持向量机中的参数代表粒子，并计算适应度值；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；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；对终止条件进行判断；利用分类模型对设备的状态数据进行分类；对预测结果进行定性评价；该发明利用灰色动态预测模型进行填补，保证数据的完整性，利用改进的粒子群算法对工业设备健康状态进行预测，设立预测标准对预测结果评估，保证预测结果的准确性。

技术领域

本发明涉及工业设备健康领域,尤其涉及一种基于物联网边缘计算的工业设备健康预测方法。

背景技术

“工业4.0”改革加速了传感器技术、无线通信技术及计算系统发展，大量的监测数据涌入工业制造领域，同时也为设备健康监测系统研究带来了前所未有的挑战。随着现代化工业技术的蓬勃发展，工业设备的可靠性和维护水平已成为保证系统正常运行的必要条件。在实际生产过程中，随着设备使用时间的增加，设备的性能在不断衰退，若不进行有效的维护，设备可能会失灵或者发生故障，从而会影响企业的生产效益．所以在设备的健康状态严重之前，对设备进行实时的处理，可以避免一些成本高昂的维修，降低设备的维护成本，提高设备的利用率。

发明专利申请CN109635958A公开了一种基于边缘计算的预测性工业设备维护方法及维护系统，包括以下步骤:S1:采集工业数据;S2:对工业数据进行预处理,得到标准工业数据;S3:进行特征选择,得到最终特征;S4:构建异常检测模型,并将标准工业数据及最终特征输入异常检测模型,对标准工业数据进行异常检测;S5:构建健康预测模型,判断标准工业数据对应的工业设备是否产生健康,若是则下发预警信息,若否则进入步骤S1。一种维护系统,包括依次连接的工业设备,边缘网关和服务器。

现有方法中对所采集的工业设备数据仅进行预处理，并未考虑当采集的设备数据出现部分丢失，造成样本量少且存在样本量不均衡的情况，同时也并未设立预测标准对预测结果进行评估，最终导致后续的预测不准确。

发明内容

为了克服现有技术存在的缺点与不足,本发明提供一种基于物联网边缘计算的工业设备健康预测方法。

本发明所采用的技术方案是，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。