【技术实现步骤摘要】
本专利技术涉及机器设备健康监测，具体而言，涉及一种基于增量训练的真空干泵剩余寿命预测方法、装置及介质。
技术介绍
1、在工业领域，真空干泵设备的广泛应用对设备的安全运行至关重要。为了保障设备的稳定性和可靠性，及时诊断设备潜在隐患，避免经济损失和人员伤亡，采用先进的技术手段进行预测真空干泵的剩余寿命变得尤为关键。通过实时监测和分析真空干泵设备的运行数据，结合机器学习和人工智能等先进技术，可以准确地预测设备的剩余寿命。
2、传统的剩余寿命预测方法中，通常采用批量学习(batch learning)的方式，即使用静态的数据集进行离线训练。现有技术cn202311116724.8“基于xgboost算法的真空干泵在线实时剩余寿命预测方法”使用静态的数据集进行离线训练，即非增量训练，或者称为批量训练，指的是在训练模型时一次性使用全部可用的数据集。这种方法存在以下问题：(1)无法适应真空干泵运行状态的实时变化，模型一旦训练完成，对新数据的适应性不强，除非重新进行训练；(2)需要一次性处理整个数据集，计算资源的需求较高；(3)需要将整个数据集加载到内存中，内存需求大，对于大规模数据集可能不现实。
3、有鉴于此，申请人在研究了现有的技术后特提出本申请。
技术实现思路
1、本专利技术旨在提供一种基于增量训练的真空干泵剩余寿命预测方法、装置、设备及介质，以解决现有方法存在无法适应运行状态的实时变化、计算资源需求高以及内存需求大的问题。
2、为解决上述技术问题，本专利
3、一种基于增量训练的真空干泵剩余寿命预测方法，包括：
4、实时获取真空干泵运行时的特征数据；
5、将所述特征数据输入预先训练的增量学习预测模型进行剩余寿命预测，获取预测结果；其中，所述预测结果包括真空干泵的预警级别，所述预警级别用以表示距离宕机时刻的时长；
6、所述预先训练的增量学习预测模型通过以下步骤训练得到：
7、获取多台宕机真空干泵的历史数据集，并进行预处理，以提取每次宕机运行时段的数据，获取第一宕机时段数据集；其中，所述历史数据集包含真空干泵的多个状态信息；
8、根据所述第一宕机时段数据集，计算各个数据集中每个时刻距离宕机时刻的时长，并根据所述时长，设置预警级别标签；
9、根据所述第一宕机时段数据集，采用删除缺失数据的方法，获取第二宕机时段数据集；
10、根据所述第二宕机时段数据集，以天为时间窗口进行分割，并对分割后的每段数据进行特征处理，获取样本数据集，以解决按小时分割时预测结果易被误判的情况；
11、根据所述样本数据集，构建初始化增量学习预测模型；
12、持续获取已知的δt时间步长下新的真空干泵数据集，对数据集预处理后，作为新的训练样本数据集输入初始化增量学习预测模型进行增量训练，采用lightgbm增量学习方法，更新模型的权重以适应新数据，获得更新后的增量学习预测模型，更新后的增量学习预测模型的参数θnew通过以下公式获得；
13、θnew＝θold+δθ
14、其中，θold表示更新前的预测模型参数，δθ是基于新样本数据集对模型参数的调整。
15、优选地,采用lightgbm增量学习方法，更新模型的权重以适应新数据时，权重ω的更新公式和目标函数xobj的表达式为：
16、
17、
18、其中，gj为一阶倒数、hj为二阶倒数、j为叶子的序号、λ为正则化参数限制叶子节点分数、t为叶子节点数、为学习率限制叶子节点个数。
19、优选地,还包括在对初始化增量学习预测模型进行增量训练时，通过在损失函数中加入一个额外的正则化项来减缓模型旧知识的遗忘，所述正则化项与模型参数的变化相关联，损失函数公式为：
20、jtotal(θ；xnew)＝j(θ；xnew)+λr(θ,θold)
21、其中，jtotal表示总的损失函数，j(θ；xnew)表示新数据上的损失，r(θ,θold)表示正则化项，λ表示控制正则化强度的超参数，θ表示模型参数，xnew表示新的训练样本数据集。
22、优选地,根据所述第一宕机时段数据集，计算各个数据集中每个时刻距离宕机时刻的时长，并根据所述时长，设置预警级别标签，具体包括：
23、根据所述宕机时段数据集，计算各个数据集中每个时刻距离宕机时刻的时长rul；其中，rul＝tend-tcurrent，式中：tend为宕机时间，tcurrent为采集数据的当前时刻；
24、根据所述每个时刻距离宕机时刻的时长rul，为数据集的各个时刻设置预警级别标签；其中，所述预警级别标签的预警级别由当前的剩余寿命所决定，当rul<＝7时，预警级别标签设为1，表示在七天内会宕机；当rul>7时，预警级别标签设置为0，表示在7天内不会宕机。
25、优选地,所述特征处理包括归一化处理和降维处理，其中所述归一化处理是对数据集中的每一个时间窗口的数据进行均值归一化处理，所述均值归一化处理的公式为：
26、
27、其中，xi′为归一化后的数据、xi为归一化前的数据、为时间窗口内某个特征的最小值、为时间窗口内某个特征的最大值，e(xi)为时间窗口内某个特征的平均值；
28、优选地,所述降维处理是提取原来1秒的数据中权重高于阈值的部分特征，再将高于阈值的部分特征对应的数据处理构建成1小时数据。
29、优选地,所述历史数据集包含真空干泵运行时的各个时刻的状态信息；其中，所述状态信息包括设备型号α1、运行时间α2、运行状态α3、下泵电流α4、上泵电流α5、下泵功率α6、上泵功率α7、下泵转速α8、上泵转速α9、下泵温度α10、上泵温度α11、氮气流量α12、排气压力α13。
30、优选地,根据所述样本数据集，构建初始化增量学习预测模型，具体包括：
31、将所述样本数据集，划分为训练集和测试集；其中，70％的样本数据作为训练集，30％的样本数据作为测试集；
32、通过训练集构建基于增量训练的剩余寿命的待测试预测模型；
33、将测试集输入待测试预测模型进行预测，并根据预测结果计算误报率、迟报率、漏报率和置信度θzhixin；
34、当置信度大于预设值时，将待测试预测模型作为最终预测模型；否则，增加历史数据集重新训练；
35、其中，记真实预警级别标志为1的时间为treal_start，记预测预警级别为1的时间为tpred_start；若真空干泵的treal_start不为空，即该真空干泵有宕机，且tpred_start不为空，即该真空干泵的预警级别有被标记为1，当treal_start早于tpred_start时，则预测结果为迟报；若真空干泵的treal_start不为空，即该真空干泵有宕机，且tpred_start不为空，即该真空干泵的预本文档来自技高网...
【技术保护点】
1.一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,采用LightGBM增量学习方法，更新模型的权重以适应新数据时，权重ω的更新公式和目标函数Xobj的表达式为：
3.根据权利要求1所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,还包括在对初始化增量学习预测模型进行增量训练时，通过在损失函数中加入一个额外的正则化项来减缓模型旧知识的遗忘，所述正则化项与模型参数的变化相关联，损失函数公式为：
4.根据权利要求1所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,根据所述第一宕机时段数据集，计算各个数据集中每个时刻距离宕机时刻的时长，并根据所述时长，设置预警级别标签，具体包括：
5.根据权利要求4所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,所述特征处理包括归一化处理和降维处理，其中所述归一化处理是对数据集中的每一个时间窗口的数据进行均值归一化处理，所述均值归一化处理的公式为：
6.根据权利
7.根据权利要求6所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,所述历史数据集包含真空干泵运行时的各个时刻的状态信息；其中，所述状态信息包括设备型号α1、运行时间α2、运行状态α3、下泵电流α4、上泵电流α5、下泵功率α6、上泵功率α7、下泵转速α8、上泵转速α9、下泵温度α10、上泵温度α11、氮气流量α12、排气压力α13。
8.根据权利要求1至7任意一项所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,根据所述样本数据集，构建初始化增量学习预测模型，具体包括：
9.一种基于增量训练的真空干泵剩余寿命预测装置，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如权利要求1-8任意一项所述的一种基于增量训练的真空干泵剩余寿命预测方法。
...【技术特征摘要】
1.一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,采用lightgbm增量学习方法，更新模型的权重以适应新数据时，权重ω的更新公式和目标函数xobj的表达式为：
3.根据权利要求1所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,还包括在对初始化增量学习预测模型进行增量训练时，通过在损失函数中加入一个额外的正则化项来减缓模型旧知识的遗忘，所述正则化项与模型参数的变化相关联，损失函数公式为：
4.根据权利要求1所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,根据所述第一宕机时段数据集，计算各个数据集中每个时刻距离宕机时刻的时长，并根据所述时长，设置预警级别标签，具体包括：
5.根据权利要求4所述的一种基于增量训练的真空干泵剩余寿命预测方法，其特征在于,所述特征处理包括归一化处理和降维处理，其中所述归一化处理是对数据集中的每一个时间窗口的数据进行均值归一化处理，所述均值归一化处理的公式为：
6.根据权利要求5所述的一种...
【专利技术属性】
技术研发人员：王成，陈浩楠，缑锦，陈珞瑶，陈善焱，黄玉钊，杜宏锟，
申请(专利权)人：华侨大学，
类型：发明
国别省市：
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。