[發明專利]一種故障發生時間預測方法及裝置

在審

• 申請號: 202010181809.4
• 申請日: 2020-03-16
• 公開（公告）號: CN111400964A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 呂佳朋;史賢俊;秦亮;聶新華;翟禹堯;秦玉峰
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/20;G06N3/00;G06F119/02
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王宇楊

1.一種故障發生時間預測方法，其特征在于，包括：

獲取待預測時間序列信息，將所述待預測時間序列信息輸入預設GPR模型中，得到預處理后的待預測時間序列信息；

將所述預處理后的待預測時間序列信息輸入預設GPR-Adaboost模型，得到待預測時間序列對應的預測物理量信息，以根據所述待預測時間序列對應的預測裝備物理量信息進行故障發生時間預測；

其中，所述GPR-Adaboost模型是通過將多個預設GPR模型作為Adaboost模型的基本學習機訓練得到的。

2.根據權利要求1所述故障發生時間預測方法，其特征在于，在所述獲取待預測時間序列信息，將所述待預測時間序列信息輸入預設GPR模型中，得到預處理后的待預測時間序列信息的步驟之前，所述方法還包括：

從裝備歷史數據庫中獲取多個帶時間序列的裝備物理量歷史信息；

將所述多個帶時間序列的裝備物理量歷史信息按照時間順序進行排序，得到排序后的裝備物理量歷史信息；

將所述排序后的裝備物理量歷史信息劃分為多組訓練集；

將所述多組訓練集輸入GPR模型，采用非線性免疫粒子群算法對多個GPR模型進行超參數計算，當滿足預設條件時，得到多個預設GPR模型。

3.根據權利要求2所述故障發生時間預測方法，其特征在于，所述采用非線性免疫粒子群算法對多個GPR模型進行超參數計算，當滿足預設條件時，得到多個預設GPR模型的步驟，具體包括：

初始化抗體粒子群信息，計算每個抗體粒子對抗原的親和度信息，并確定個體極值信息和全局極值信息；

針對于每個抗體粒子，根據每個抗體粒子親和度信息更新所述個體極值信息和全局極值信息；

更新權重因子信息，并更新抗體粒子的位置信息和速度信息，經過多組免疫抑制機制調節，當經過預設粒子群迭代次數后，得到多個預設GPR模型。

4.根據權利要求2所述故障發生時間預測方法，其特征在于，在所述將所述預處理后的待預測時間序列信息輸入預設GPR-Adaboost模型的步驟之前，所述方法還包括:

獲取目標訓練集和待預測時間序列信息；

將所述目標訓練集和所述待預測時間序列信息輸入多個預設GPR模型中，得到預處理后的目標訓練集信息和預處理后的待預測時間序列信息；

根據目標訓練集中的時間序列信息和所述預處理后的目標訓練集信息，計算得到目標閾值信息；

采用連續型Adaboost模型對多個預設GPR模型進行組合，得到預設GPR-Adaboost模型。

5.根據權利要求4所述故障發生時間預測方法，其特征在于，所述采用連續型Adaboost模型對多個預設GPR模型進行組合，得到預設GPR-Adaboost模型的步驟，具體包括：

初始化預處理后的目標訓練集信息的權重信息，基于所述預處理后的目標訓練集信息調用預設GPR模型，計算每個預設GPR模型的相對誤差信息；

根據每個預設GPR模型的相對誤差信息設置每個GPR模型的權值更新參數信息，并根據所述權值更新參數信息對GPR模型的樣本權值進行更新，經過預設迭代次數，得到預設GPR-Adaboost模型。

6.根據權利要求1所述故障發生時間預測方法，其特征在于，所述根據所述待預測時間序列對應的預測裝備物理量信息進行故障發生時間預測的步驟，具體包括：

獲取預設故障閾值信息；

將所述待預測時間序列對應的預測裝備物理量信息與預設故障閾值信息進比較，獲取預測裝備物理量信息大于預設故障閾值信息的目標時間序列，根據所述目標時間序列確定故障發生時間。