本发明专利技术结合BP神经网络与二参数威布尔分布的故障率预测方法涉及工程实际应用过程中设备可靠性领域，更具体地涉及利用BP神经网络与二参数威布尔分布相结合的方法对设备故障率进行预测。本发明专利技术的技术方案如下所示：结合BP神经网络与二参数威布尔分布的故障率预测方法如下：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充。其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测。最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导。
【技术实现步骤摘要】
本专利技术结合BP神经网络与二参数威布尔分布的故障率预测方法涉及工程实际应用过程中设备可靠性领域，更具体地涉及利用BP神经网络与二参数威布尔分布相结合的方法对设备故障率进行预测。
技术介绍
设备的可靠性对于企业的正常运行有着尤为重要的作用，特别是一些主要设备在企业的整个生产过程中有着举足轻重的地位。目前对于设备故障率的计算，大多仍然基于传统的方法，随机性较大，且依赖于大量历史数据。针对故障率的计算方法，大多仍是基于传统的用停用时间和计划使用时间的比值进行计算，但是这种方法对于刚刚投产使用、故障数据贫乏的设备进行计算时，存在着很大的误差，且这种方法计算得到的故障率是离散的，存在很大的随机性，不能对未来故障情况进行准确预测。
技术实现思路
本专利技术目的是针对上述不足之处，提供一种结合BP神经网络与二参数威布尔分布的故障率预测方法，是基于BP神经网络与二参数威布尔分布相结合的方法对设备的故障率进行合理预测，从而为设备的检维修计划作出指导，对系统的安全生产现状进行预警，使企业管理人员可根据预测结果提早做出相应预防措施，从而规避危险到来。本专利技术提出了一种故障率的动态预测模型。相比传统的故障率计算方法，此方法可解决故障历史数据贫乏情况下的设备故障预测问题，为企业中大型设备的检维修提供一些指导性意见。为解决以上技术问题，本专利技术的技术方案如下所示：结合BP神经网络与二参数威布尔分布的故障率预测方法如下：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充。主要包括以下步骤：（1）根据指定设备确定输入、输出向量；（2）根据输入、输出向量构造BP神经网络预测模型；（3）对BP神经网络进行网络训练；（4）输入测试集样本到预测模型中，通过对输入样本得到的预测值与实际值之间的对比分析，根据其误差是否小于设定的阈值判断此模型是否可用，若不可用则执行步骤（5）；（5）对模型中中间层进行调整或选用其他方法，直至满足设定阈值。其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测，包括以下步骤：（1）基于故障数据扩充集建立二参数威布尔分布规律的设备故障率模型；（2）对所述故障率模型进行参数估计，从而得到故障率函数，故障模型参数包括形状参数、特征寿命参数；（3）根据所述故障率函数即可预测得到未来时刻点对应故障率或未来时间段平均故障率。最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导。本专利技术结合BP神经网络和二参数威布尔分布两种方法的优点对故障率进行预测，其优点有：（1）BP 神经网络模型是一种运用多层网络的“逆推”学习算法，实现了从输入到输出的任意非线性映射，通过模型的自动学习，可获得要预测所得的结果。（2）对于BP 神经网络数据预测模型所得预测值的故障状态的判断，提供两种方法，使用过程中可根据实际情况下两种方法所得的误差率进行选择，更具灵活性、适用性。（3）在可靠性建模过程中，常用的分布类型有指数分布、正态分布、指数分布、威布尔分布以及伽玛分布等。其中，前三种分布类型比例占80%以上，而指数分布和正态分布是威布尔分布的特例，又由于二参数威布尔分布在数据拟合中极具弹性，所以本专利技术选用威布尔分布规律建立设备故障率模型。（4）根据此方法建立得到的故障率预测模型，对于设备故障数据要求较低，对于大多数刚刚投产使用、故障数据贫乏的设备均可适用，从而解决了之前使用传统故障率计算方法随机性大、数据要求高的问题。附图说明以下将结合附图对本专利技术作进一步说明：图1是本专利技术方法的时间与不可靠度拟合曲线图。图2是本专利技术方法实施的流程图。具体实施方式以下结合附图1、2对本专利技术结合BP神经网络与二参数威布尔分布的故障率预测方法进行详细说明，本专利技术的实施方式以及实施实例是为了解释目的的优选方案，并不是对本专利技术范围的限制。参照附图1、2，结合BP神经网络与二参数威布尔分布的故障率预测方法如下：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充；包括以下步骤：（1）根据指定设备确定输入、输出向量；（2）根据输入、输出向量构造BP神经网络预测模型；（3）对BP神经网络进行网络训练；（4）输入测试集样本到预测模型中，通过对输入样本得到的预测值与实际值之间的对比分析，根据其误差是否小于设定的阈值判断此模型是否可用，若不可用则执行步骤（5）；（5）对模型中中间层进行调整或选用其他方法，直至满足设定阈值；其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测，包括以下步骤：（1）基于故障数据扩充集建立二参数威布尔分布规律的设备故障率模型；（2）对所述故障率模型进行参数估计，从而得到故障率函数，故障模型参数包括形状参数、特征寿命参数；（3）根据所述故障率函数即可预测得到未来时刻点对应故障率或未来时间段平均故障率；最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导。所述的结合BP神经网络与二参数威布尔分布的故障率预测方法，其特征在于：利用BP神经网络对已有数据进行预测，从而完成数据的扩充，并建立故障状态预测模型，进一步对参数数据进行分析。（1）根据指定设备确定输入输出向量；根据BP神经网络中传递函数的特性，需要对全部数据进行归一化处理，将数据换算为[0,1]之间的数据，公式如下所示：其中：χmin、χmax表示输入数据的最小、最大值，χi表示原始数据，χi’表示原始数据对应得到归一化处理后的数据。（2）根据输入输出向量构造BP 神经网络模型；根据输入向量的元素量确定输入层的神经元数量；根据输入层和输出层的神经元数量确定BP 神经网络中间层神经元数量，其中，BP神经网络中间层的神经元传递函数采用S 型正切函数；根据输出向量的元素量确定输出层的神经元数量，其中，输出层神经元传递函数采用S 型对数函数。（3）对BP 神经网络进行网络训练；根据所构造BP 神经网络模型的神经元数量设定训练参数，其中所述训练参数包括：训练次数、训练目标以及学习速度。当BP 神经网络结构比较复杂，神经元个数比较多时，可适当增大训练次数和学习速率。（4）输入测试样本对训练后的BP 神经网络进行网络测试；（5）针对测试结果使用BP神经网络再预测其故障状态，或者对预测值使用反归一化并与设定危险阈值进行对比，判断其危险状态。参见附图2，为本专利技术所述的结合BP神经网络与二参数威布尔分布的故障率预测方法的流程图，接下来对该方法所述各步骤进行详细说明。S101根据实例对过程故障原始数据进行处理本专利技术选取某个化工企业液氯储存系统为例，使用神经网络预测得到更多的故障数据。从而使建立威布尔分布模型故障数据集得以扩充。步骤S101可以采用以下实现步骤：取化工企业液氯储存系统投产使用后180天（1月1日至6月30日）的安全仪表对储罐实测的温度、液位、流速、压力作为原始数据。每天记录一次数据，若当天未发生故障，则记录当天上午8时仪表实测数据，若发生故障，则记录故障时刻所对应的实测数据。根据BP神经网络中传递函数的特性，本文档来自技高网...
【技术保护点】
一种结合BP神经网络与二参数威布尔分布的故障率预测方法，其特征在于：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充；包括以下步骤：（1）根据指定设备确定输入、输出向量；（2）根据输入、输出向量构造BP神经网络预测模型；（3）对BP神经网络进行网络训练；（4）输入测试集样本到预测模型中，通过对输入样本得到的预测值与实际值之间的对比分析，根据其误差是否小于设定的阈值判断此模型是否可用，若不可用则执行步骤（5）；（5）对模型中中间层进行调整或选用其他方法，直至满足设定阈值；其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测，包括以下步骤：（1）基于故障数据扩充集建立二参数威布尔分布规律的设备故障率模型；（2）对所述故障率模型进行参数估计，从而得到故障率函数，故障模型参数包括形状参数、特征寿命参数；（3）根据所述故障率函数即可预测得到未来时刻点对应故障率或未来时间段平均故障率；最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导。
【技术特征摘要】
1.一种结合BP神经网络与二参数威布尔分布的故障率预测方法，其特征在于：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充；包括以下步骤：（1）根据指定设备确定输入、输出向量；（2）根据输入、输出向量构造BP神经网络预测模型；（3）对BP神经网络进行网络训练；（4）输入测试集样本到预测模型中，通过对输入样本得到的预测值与实际值之间的对比分析，根据其误差是否小于设定的阈值判断此模型是否可用，若不可用则执行步骤（5）；（5）对模型中中间层进行调整或选用其他方法，直至满足设定阈值；其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测，包括以下步骤：（1）基于故障数据扩充集建立二参数威布尔分布规律的设备故障率模型；（2）对所述故障率模型进行参数估计，从而得到故障率函数，故障模型参数包括形状参数、特征寿命参数；（3）根据所述故障率函数即可预测得到未来时刻点对应故障率或未来时间段平均故障率；最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导。2.根据权利要求1所述的结合BP神经网络与二参数威布尔分布的故障率预测方法，其特征在于：利用BP神经网络对已有数据进行预测，从而完成数据的扩充，并建立故障状态预测模型，进一步对参数数据进行分析；（1）根据指定设备确定输入输出向量；根据BP神经网络中传递函...
【专利技术属性】
技术研发人员：王静虹，李晨阳，蒋军成，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。