[发明专利]一种高温试验设备的故障预测方法

权利要求书

1.一种高温试验设备的故障预测方法，其特征在于，包括：

采集正常情况下高温试验设备温度上升过程的温度数据，得到正常阶段温度数据；

采集异常情况下高温试验设备温度上升过程的温度数据，得到异常阶段温度数据；

根据正常阶段温度数据和异常阶段温度数据，筛选出异常温度特征；

将异常温度特征与故障标签构建为训练集；

采用训练集训练分类器，得到训练完成的分类器；

根据训练完成的分类器，得到测试高温试验设备的故障程度。

2.根据权利要求1所述的高温试验设备的故障预测方法，其特征在于，在采集正常情况下或者异常情况下的温度数据后，对采集的温度数据进行降噪处理，得到正常阶段温度数据或者异常阶段温度数据，其中，降噪处理公式为：

其中，为降噪处理后第t时刻的正常阶段温度数据或者异常阶段温度数据，为降噪处理后第t-1时刻的正常阶段温度数据或者异常阶段温度数据，λ为降噪权重，x_t-n为第t-n时刻采集的温度数据，x_t-(n+1)为第t-(n+1)时刻采集的温度数据，x_t为第t时刻采集的温度数据，x_t-1为第t-1时刻采集的温度数据，N为采集的温度数据的数量。

3.根据权利要求1所述的高温试验设备的故障预测方法，其特征在于，所述根据正常阶段温度数据和异常阶段温度数据，筛选出异常温度特征包括：

将正常阶段温度数据按等时间间隔进行划分，计算每个时间段的正常温度表征量；

将异常阶段温度数据按等时间间隔进行划分，计算每个时间段的异常温度表征量；

根据同一时间段的正常温度表征量，从每个时间段的异常温度表征量中筛选出异常温度特征。

4.根据权利要求3所述的高温试验设备的故障预测方法，其特征在于，所述计算每个时间段的正常温度表征量的公式为：

其中，为第k个时间段的正常温度表征量，T为时间段的时间长度，为时间段中第i时刻的正常阶段温度数据，为时间段中正常阶段最大温度数据，为时间段中正常阶段最小温度数据。

5.根据权利要求3所述的高温试验设备的故障预测方法，其特征在于，所述计算每个时间段的异常温度表征量的公式为：

其中，为第k个时间段的异常温度表征量，T为时间段的时间长度，为时间段中第i时刻的异常阶段温度数据，为时间段中异常阶段最大温度数据，为时间段中异常阶段最小温度数据。

6.根据权利要求3所述的高温试验设备的故障预测方法，其特征在于，所述根据同一时间段的正常温度表征量，从每个时间段的异常温度表征量中筛选出异常温度特征包括：

根据同一时间段的正常温度表征量和异常温度表征量，计算异常程度值；

在异常程度值高于异常程度阈值时，将对应的异常温度表征量筛选出来，作为异常温度特征。

7.根据权利要求6所述的高温试验设备的故障预测方法，其特征在于，所述计算异常程度值的公式为：

其中，R为异常程度值，为第k个时间段的异常温度表征量，为第k个时间段的正常温度表征量，Q为调节系数。

8.根据权利要求1所述的高温试验设备的故障预测方法，其特征在于，所述分类器采用BP神经网络。

9.根据权利要求1所述的高温试验设备的故障预测方法，其特征在于，所述训练分类器的损失函数为：

Loss＝{ln[1+(y_j-y′_j)²]}^α

其中，Loss为损失函数，y_j为第j次训练分类器的输出，y′_j为第j次训练的故障标签，α为指数系数，e为自然底数。