[发明专利]一种基于IAALO-SVM与相似性度量的故障预测方法

摘要

本发明公开一种基于IAALO‑SVM与相似性度量的故障预测方法，步骤如下：步骤一：选取关键故障器件；步骤二：提取电路系统特征参数；步骤三：训练支持向量机回归模型；步骤四：计算相似性距离；步骤五：进行寿命融合。本发明将实测数据与离线数据相结合，针对时间序列相似性度量方法展开深入研究，有效避免了自适应蚁狮优化支持向量机单步循环迭代方法能够较多步预测实现更长时间内的准确预测，但仍具有随着预测时刻距离初始训练样本越远，预测误差越大，随之计算而出的剩余使用寿命的误差也越大的缺点。同时针对待测序列数据特点，选择动态时间规整方法挖掘待测对象与离线数据的相似度，充分利用了离线数据对待测对象进行故障预测。

主权项

1.一种基于IAALO‑SVM与相似性度量的故障预测方法，其特征在于：该方法步骤如下：步骤一：选取关键故障器件根据不同电路特征，对电路进行失效模式及失效机理分析，文献调研后选取关键的故障器件；步骤二：提取电路系统特征参数确定关键故障器件后，对故障器件失效机理进行分析调研，采取频响电压为特征参数，提取电路系统特征参数；步骤三：训练支持向量机回归模型S31、按照步骤二的方式提取电路系统特征参数，确定频响电压的故障阈值，通过仿真得到对应的系统固定频率的频响电压值；S32、因频响电压达到阈值时认定电路故障，截取全寿命周期直至故障发生前的特征参数值作为一条退化轨迹；S33、通过蒙特卡罗仿真得到多条退化轨迹，分为训练集与测试集；训练集用于训练支持向量机回归模型，即输入到支持向量机回归模型中，使其进行学习其规律；测试集中的数据用于计算相似性距离，也可输入到后面已优化的支持向量机中进行预测；步骤四：计算相似性距离将测试集和训练集的数据基于动态时间规整方法进行相似性度量，得到两者之间的相似性距离；步骤五：进行寿命融合两个数据集的相似性距离d越小，代表两个序列的相似性越高，对应序列的预测结果所占权重就越大，即权重与距离成反比，假设序列预测结果所占权重则某一时刻最终寿命预测融合结果为t_i为输入到不同模型中预测结果。