【技术实现步骤摘要】
本专利技术涉及故障预测，具体是指基于人工智能的船载通讯硬件故障预测方法及系统。
技术介绍
1、船载通讯硬件故障预测方法是一种利用人工智能和数据分析技术来实时监测和预测船载通讯硬件的故障。但是一般船载通讯硬件故障预测方法存在无法适应船载通讯环境下的数据噪声和异常情况，特别是在通讯硬件传感器数据不稳定时出现误判严重的问题；一般船载通讯硬件故障预测方法存在对模型参数调整时存在早期收敛导致次优解影响故障预测准确性，收敛速度慢导致故障预测效率低的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的船载通讯硬件故障预测方法及系统，针对一般船载通讯硬件故障预测方法存在无法适应船载通讯环境下的数据噪声和异常情况，特别是在通讯硬件传感器数据不稳定时出现误判严重的问题，本方案通过预测不确定度分析量化预测可靠性，通过引入邻域信息构建临界状态误差校正，减少故障预测误差的波动，基于时间衰减系数的引入构建动态损失权重调整，能够更好地应对船舶通讯硬件在长期使用过程中可能遇到的故障，减少误判和漏判，提高船载通讯硬件故障预测准确性；针对一般船载通讯硬件故障预测方法存在对模型参数调整时存在早期收敛导致次优解影响故障预测准确性，收敛速度慢导致故障预测效率低的问题，本方案基于适应度值动态调整影响因子，能够在较难预测的时刻进行更细致的搜索，从而提升整体故障预测的效果；通过引入随机扰动避免模型陷入局部最优解，进而优化模型的故障预测性能，位置修正有助于模型在面对极端环境下的硬件故障预测中
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的船载通讯硬件故障预测方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：建立船载通讯硬件故障预测模型；
6、步骤s3：船载通讯硬件故障预测。
7、进一步地，在步骤s1中，所述数据采集是采集历史硬件故障检测数据；所述历史硬件故障检测数据是船载通讯硬件产生的传感器数据、系统日志和硬件状态，得到时间序列数据，并将硬件状态作为数据标签。
8、进一步地，在步骤s2中，所述数据预处理是对采集的数据进行归一化处理、缺失值处理、异常值处理和滑动窗口处理；所述归一化处理是对所有特征进行归一化操作，使得各特征具有相同的量纲；所述缺失值处理是对缺失数据进行插值补全；所述异常值处理是识别并剔除明显异常的数据点；所述滑动窗口处理是对时间序列数据进行滑动窗口处理，生成样本集。
9、进一步地，在步骤s3中，所述建立船载通讯硬件故障预测模型具体包括以下步骤：
10、步骤s31：特征提取；船载通讯硬件故障预测模型使用gru提取时序特征，对于样本集输入，特征提取网络输出特征；
11、步骤s32：状态估计；通过softmax函数估计硬件状态的概率分布；
12、步骤s33：预测不确定度分析；通过概率分布计算预测不确定度分析，预测不确定度越高，模型对当前时刻的状态预测越不可靠；
13、步骤s34：构建临界状态误差校正；临界状态是硬件状态发生急剧变化的时刻，通过对状态变化的二阶差分计算，检测临界状态；在检测到的临界状态内，计算模型预测的故障时刻与真实故障时刻之间的误差，在临界状态的邻域内寻找最小加权误差；
14、步骤s35：动态损失权重调整；通过sigmoid函数将预测不确定度转换为权重，并对权重进行归一化，然后重新加权损失函数，并基于临界状态误差校正得到船载通讯硬件故障预测模型的损失函数；
15、步骤s36：模型判定；将样本集随机划分为训练集和测试集；当船载通讯硬件故障预测模型对训练集损失收敛时，船载通讯硬件故障预测模型训练完成；预先设有预测阈值，当训练完成的船载通讯硬件故障预测模型对测试集的预测正确率高于预测阈值时，船载通讯硬件故障预测模型建立完成，否则转至步骤s37进行模型参数调整；
16、步骤s37：模型参数调整；具体包括：
17、步骤s371：基于检测的阈值、温度参数、平衡邻域内误差项的权重系数、各时刻对应权重、时间衰减系数、权重参数、线性变换的权重矩阵和偏置向量构建参数调整空间；随机初始化搜索种群中个体位置；当基于个体位置训练的船载通讯硬件故障预测模型对测试集的预测正确率作为个体适应度值；
18、步骤s372：设计影响因子；基于个体适应度值动态调整影响因子；
19、步骤s373：位置更新；基于随机扰动值和邻域位置进行位置更新；
20、步骤s374：位置修正；通过控制位置更新的非线性区间分布对更新后的位置进行修正；
21、步骤s375：当基于个体位置训练完成的船载通讯硬件故障预测模型对测试集的预测正确率高于预测阈值时，搜索完成；若达到最大迭代次数，则返回步骤s371；否则返回步骤s372。
22、进一步地，在步骤s4中，所述船载通讯硬件故障预测是基于建立完成的船载通讯硬件故障预测模型，实时采集船载通讯硬件产生的传感器数据和系统日志，经预处理后输入至船载通讯硬件故障预测模型中，将模型输出的硬件状态作为船载通讯硬件故障预测结果，以实现船载通讯硬件故障预测。
23、本专利技术提供的基于人工智能的船载通讯硬件故障预测系统，包括数据采集模块、数据预处理模块、船载通讯硬件故障预测模型建立模块和船载通讯硬件故障预测模块；
24、所述数据采集模块采集历史硬件故障检测数据，并将数据发送至数据预处理模块；
25、所述数据预处理模块对采集的数据进行归一化处理、缺失值处理、异常值处理和滑动窗口处理；并将数据发送至船载通讯硬件故障预测模型建立模块；
26、所述船载通讯硬件故障预测模型建立模块通过预测不确定度分析量化预测可靠性，通过引入邻域信息构建临界状态误差校正；基于时间衰减系数的引入构建动态损失权重调整；进而构建损失函数；基于适应度值动态调整影响因子，通过引入随机扰动实现参数调整；进而实现船载通讯硬件故障预测模型建立；并将数据发送至船载通讯硬件故障预测模块；
27、所述船载通讯硬件故障预测模块基于建立完成的船载通讯硬件故障预测模型实现船载通讯硬件故障预测。
28、采用上述方案本专利技术取得的有益效果如下：
29、（1）针对一般船载通讯硬件故障预测方法存在无法适应船载通讯环境下的数据噪声和异常情况，特别是在通讯硬件传感器数据不稳定时出现误判严重的问题，本方案通过预测不确定度分析量化预测可靠性，通过引入邻域信息构建临界状态误差校正，减少故障预测误差的波动，基于时间衰减系数的引入构建动态损失权重调整，能够更好地应对船舶通讯硬件在长期使用过程中可能遇到的故障，减少误判和漏判，提高船载通讯硬件故障预测准确性。
30、（2）针对一般船载通讯硬件故障预测方法存在对模型参数调整时存在早期收敛导致次优解影响故障预测准确性，收敛速度慢导致故障预测效率低的问题，本方案基本文档来自技高网...
【技术保护点】
1.基于人工智能的船载通讯硬件故障预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤S3中，所述建立船载通讯硬件故障预测模型具体包括以下步骤：
3.根据权利要求2所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤S37，所述模型参数调整具体包括：
4.根据权利要求1所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤S1中，所述历史硬件故障检测数据是船载通讯硬件产生的传感器数据、系统日志和硬件状态，得到时间序列数据，并将硬件状态作为数据标签。
5.根据权利要求1所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤S4中，所述船载通讯硬件故障预测是基于建立完成的船载通讯硬件故障预测模型，实时采集船载通讯硬件产生的传感器数据和系统日志，经预处理后输入至船载通讯硬件故障预测模型中，将模型输出的硬件状态作为船载通讯硬件故障预测结果，以实现船载通讯硬件故障预测。
6.根据权利要求1所述的基于人工智能的船载通讯硬件故障预
7.基于人工智能的船载通讯硬件故障预测系统，用于实现如权利要求1-6中任一项所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：包括数据采集模块、数据预处理模块、船载通讯硬件故障预测模型建立模块和船载通讯硬件故障预测模块；
...【技术特征摘要】
1.基于人工智能的船载通讯硬件故障预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤s3中，所述建立船载通讯硬件故障预测模型具体包括以下步骤：
3.根据权利要求2所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤s37，所述模型参数调整具体包括：
4.根据权利要求1所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤s1中，所述历史硬件故障检测数据是船载通讯硬件产生的传感器数据、系统日志和硬件状态，得到时间序列数据，并将硬件状态作为数据标签。
5.根据权利要求1所述的基于人工智能的船载通讯硬件故障预测方法，其特征在于：在步骤s4中，所述船载通讯硬件故障预测是基于建立完成的船载通讯硬件故障预测模型，实时采集船载通讯硬件产生的传感...
【专利技术属性】
技术研发人员：贾建国，毛方迪，章文才，陈宇峰，刘建军，刘帅，
申请(专利权)人：迪泰浙江通信技术有限公司，
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。