基于支持向量机的多维度多步骤寿命预测方法技术

本发明专利技术公开了一种基于支持向量机的多维度多步骤寿命预测方法。其特征在于包括如下步骤：1)采集数据，得到构造运行数据特征值；2)特征值预处理，对原始数据作滤波处理和归一化处理；3)选取样本数据，建立多维训练数据集和测试集；4)建模参数优化；5)利用训练数据集训练多维度多步骤寿命预测方法的模型；6)输入测试集数据得到预测的结果。本发明专利技术公开了一种多维度多步骤的寿命预测模型，该模型可以实现系统的寿命预测，且该模型可以实现系统的跨步预测，实现系统劣化的提前预警。

【技术实现步骤摘要】

本专利技术属于设备故障诊断领域，涉及特征数值的计算及寿命预测模型建立的方式方法。
技术介绍
如何有效进行某个构件的寿命预测是目前研究的一大难点，众多工作人员及科研人员都在这一研究上进行了很多探索。目前状态监测系统已经得到了广泛应用，而如何有效将监测系统与实际剩余寿命预测相结合，是一大研究亮点。传统的基于支持向量机的寿命预测方法是单维度、单步骤的，即采用一维数据进行模型的训练，并且只能预测得到已知数据点的下一时间点的数据特征，这使得寿命预测受到很大的限制，本专利技术中提到的多维度多步骤的寿命预测方法正是基于此问题提出来的，可以实现更当前已知数据点更靠后的某一时间段的运行状况。
技术实现思路
本专利技术的目的是应用现代先进人工智能技术与状态监测技术相结合，提供一套智能的、实时的、准确的多维度多步骤的寿命预测方法。该方法可以对应用监测数据进行寿命预测，准确率高，适用于多种场合的寿命预测。基于支持向量机的多维度多步骤寿命预测方法，其特征在于具体步骤如下：1)采集运行数据：通过某类监测系统得到系统运行阶段的实时数据；2)特征值求取：根据已知数据，得到特征值数据集作为该构件的寿命预测输入值；3)特征值预处理：利用平滑滤波算法对特征值进行平滑预处理，并对特征值进行归一化处理；4)构建训练数据集和测试数据集：选取样本数据以构建训练集和测试集；5)依据构件运行特征数值，优化模型参数：利用支持向量机，得到训练模型的最优输入参数及训练所得模型；6)利用训练得到的寿命预测模型，进行结果预测：利用多维度多步骤寿命预测模型，输入测试数据进行结果预测，得到预测结果。进一步，传感器采集的信号包括各类运行参数，各类反映变化趋势的数据；对于某系统，通过实验方法观测得到一组单变量的时间序列，对该时间序列数据求取多个特征值序列，用作寿命预测的样本数据输入。所述步骤4)包括：训练集矩阵为，训练数据集包括训练模型所需要的输入和输出，构造方法如下所示:tr_y=St+1+sSt+v+1+s...St+v*(fd-2)+1+sSt+v*(fd-1)+1+s]]>上式中各参数的意义：tr_x：训练数据集的输入矩阵；tr_y：训练数据集的输出矩阵；Si：特征值样本数据；i代表时间点；t：表示从第t个数据点开始取点；t表示时间；v：取样间隔；e：取样长度；fd：嵌入维数；s:预测步数；上式中v、e、fd的确定方法为：根据cao算法的相关计算，确定该输入的嵌入维数fd；fw＝fd*v+efw表示在时间序列上总取样长度，取样间隔v取3～5，e的取值根据上式进行计算。所述步骤4)包括：测试数据集为test_x表示输入，test_y表示预测得到的结果，构造方法如下：test_y=T1T2...Tfd]]>上式各参数的意义：test_x：寿命预测的测试数据集矩阵，即输入；test_y：寿命预测的结果，即输出；fd：嵌入维数；e：取样长度；以某段特征值数据的重构相空间test_x作为输入，计算得到输出，该输出向量即为该段数据的寿命结果；所述步骤5)包括：根据样本特征数值，利用支持向量机训练模型：Y＝M(X)M表示通过支持向量机训练得到的寿命预测模型；其中X表示从t时刻开始的一段样本数据点，将其转换成fd维的重构相空间矩阵，然后将该矩阵输入到训练所得的模型中，得到Y为得到的预测结果，表示t+s+e+1时刻到t+s+e+fd+1时刻的预测数据，得到某段数据s步以后的预测结果，实现多步骤的寿命预测，多个特征值的输入得到多特征值的预测结果。本专利技术可以进行某系统的寿命实时预测，在其工作状态下即可进行工作，适应性强，可以用于多种工作场合。本专利技术的第一方面，公开了基于支持向量机的多维度多步骤寿命预测模型的训练集的构造方法，并确定了基于一种cao算法的嵌入维数的确定方法。本专利技术的第二方面，公开了一种多维度多步骤的寿命预测模型，该模型可以实现系统的寿命预测。本专利技术的第三方面改进了寿命预测模型，使得该模型可以实现系统的跨步预测，实现系统劣化的提前预警。附图说明图1：特征值数据变化趋势图图2：滤波平滑处理过的样本数据图3：实际数据与预测数据比较图图4：预测数据与原始数据的整体拟合图5：本专利技术流程示意图具体实施方式下面将结合附图对本专利技术的具体的寿命预测流程做进一步说明。如图5所示，本专利技术的具体流程如下所示：1、对于某动力系统轴承运行参数，通过实验方法，应用在线监测系统利用传感器观测得到一组单变量的时间序列数据。2、特征值求取：使用劣化程度比较明显的时间序列数据作为输入，将该数据带入峭度值计算公式，求解峭度特征数值作为寿命预测的的输入值。3、特征值预处理：利用平滑滤波算法对故障特征值进行平滑预处理，并对特征数值进行归一化处理。4、选取样本数据，建立训练集和测试集。训练数据集包括模型训练所需要的输入和输出，构造方法如下所示:tr_y1＝[S101S104...S110S118]上式中各参数的意义：tr_x：训练数据集的输入矩阵；tr_y：训练数据集的输出矩阵；S：特征值样本数据集；t：表示从第t个数据点开始取点；v：取样间隔；e：单位取样长度；fd：嵌入维数；s:多步骤预测步数；上式中v、e、fd的确定为：1)处理数据，并根据上述特征公式计算特征数值；2)根据cao算法的相关计算，确定该输入的嵌入维数5；3)t取样本数据点中的第80个点，确定取样间隔v＝3；4)s表示预测步数，取s＝20,根据要预测的实际需要选择。5)相关参数确定以后，训练得到寿命预测的模型。测试数据集中test_x2表示输入，test_y2表示预测得到的结果，是一个5维的向量：test_y2＝[T375T376...T379]上式各参数的意义：test_x2：寿命预测的测试数据集矩阵，即输入；test_y2：寿命预测的结果，即输出；fd：嵌入维数；e：取样长度；上述参数意义一致，根据训练的到的模型，输入得到预测结果。根据样本特征数值训练寿命预测模型：Y＝M(X)其中test_x2表示从第355时刻开始到第363时刻的一段样本数据点将其转换成5维的重构相空间矩阵，然后将该矩阵输入到训练所得的模型中，得到test_y2为得到的预测结果，表示第375时本文档来自技高网...

【技术保护点】
基于支持向量机的多维度多步骤寿命预测方法，其特征在于具体步骤如下：1)采集运行数据：通过某类监测系统得到系统运行阶段的实时数据；2)特征值求取：根据已知数据，得到特征值数据集作为该构件的寿命预测输入值；3)特征值预处理：利用平滑滤波算法对特征值进行平滑预处理，并对特征值进行归一化处理；4)构建训练数据集和测试数据集：选取样本数据以构建训练集和测试集；5)依据构件运行特征数值，优化模型参数：利用支持向量机，得到训练模型的最优输入参数及训练所得模型；6)利用训练得到的寿命预测模型，进行结果预测：利用多维度多步骤寿命预测模型，输入测试数据进行结果预测，得到预测结果。

【技术特征摘要】
1.基于支持向量机的多维度多步骤寿命预测方法，其特征在于具体步骤如下：
1)采集运行数据：通过某类监测系统得到系统运行阶段的实时数据；
2)特征值求取：根据已知数据，得到特征值数据集作为该构件的寿命预测输入值；
3)特征值预处理：利用平滑滤波算法对特征值进行平滑预处理，并对特征值进行归一
化处理；
4)构建训练数据集和测试数据集：选取样本数据以构建训练集和测试集；
5)依据构件运行特征数值，优化模型参数：利用支持向量机，得到训练模型的最优输入
参数及训练所得模型；
6)利用训练得到的寿命预测模型，进行结果预测：利用多维度多步骤寿命预测模型，输
入测试数据进行结果预测，得到预测结果。
2.根据权利要求1所述的方法，其特征值在于：传感器采集的信号包括各类运行参数，
各类反映变化趋势的数据；
对于某系统，通过实验方法观测得到一组单变量的时间序列，对该时间序列数据求取
多个特征值序列，用作寿命预测的样本数据输入。
3.根据权利1要求所述的方法：其特征在于：所述步骤4)包括：训练集矩阵为，训练数据
集包括训练模型所需要的输入和输出，构造方法如下所示:
上式中各参数的意义：
tr_x：训练数据集的输入矩阵；
tr_y：训练数据集的输出矩阵；
Si：特征值样本数据；i代表时间点；
t：表示从第t个数据点开始取点；t表示时间；
v：取样间隔；
e：取样长度；
fd：嵌入...

【专利技术属性】
技术研发人员：马波，王星，江志农，彭琦，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11