[发明专利]一种基于周期性预测神经网络的工业数据故障预测方法

摘要

本发明提出了一种基于周期性预测神经网络的工业数据故障预测方法，包括如下步骤：(1)设计模式探索分支环，建立设备运行状态模式，用于存储和表示设备的各种运行状态以及时序关系。(2)设计周期性预测神经网络，用于在云环境下，根据当前一个周期的时间序列预测下一个状态以及其故障的概率。(3)在云环境下通过运行过程中动态节点的选择、数据对偶，迭代挖掘未发生的新故障，建立数据实验机制，从而在实时云环境下实现故障预测。一种基于周期性预测神经网络的工业数据故障预测方法，将工业数据故障预测以及神经网络相结合，并通过设计基于周期性预测神经网络模型提高算法执行率的同时算法预测精度。

主权项

1.一种基于周期性预测神经网络的工业数据故障预测方法，其特征在于，采用周期性预测神经网络模型方法，并结合工业海量数据，进行设备故障预测，包括以下步骤：周期性预测神经网络模型主要基于GRU，即门控递归单元。针对周期性数据的特点，重新设计周期性预测神经网络模型，重点在于设计神经元连接方式和损失函数。神经网络输出模块设计为两个，一个输出下一步状态V_i+1，一个输出对于下一步状态的评估结果P_i+1。Q(s_i)＝(V_i+1，P_i+1)   (1)周期性预测神经网络模型输入的s_i为当前数据节点往前推一个周期的数据状态变化轨迹，输出的V_i+1为选择下一个数据节点和选择它之后的故障概率P_i+1。周期性预测神经网络模型的结构如图1所示。输出值为上一状态值和候选值与这个更新比例叠加得到。决定了当前输入值与上一状态输入值在当前候选值中所占的比例大小。的计算公式为：在这里相当于已经接收的状态值h_t‑1和当前的状态值x_t的一个累加和，W_z和U_z是相应的权重。当前候选值的计算公式为：在此r_t代表重置门，⊙代表多选状态。当r_t等于0时，把前边输入的所有状态值全部忘掉，不会对新输入的值有任何影响。r_t的计算公式为：其损失函数设计为综合评估期望与交叉熵的函数，y_d为预测结果，为期望结果，p_d为预测概率，为期望概率，λ为经验参数，控制均方差在该损失函数中所占的权重：α为L2正则项参数，w为神经网络中的相关参数，L2正则化的解都比较小，抗扰动能力强，有利于提高周期性预测神经网络模型的性能。