[發(fā)明專利]一種故障發(fā)生時(shí)間預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010181809.4
• 申請(qǐng)日: 2020-03-16
• 公開（公告）號(hào): CN111400964A
• 公開（公告）日: 2020-07-10
• 發(fā)明（設(shè)計(jì)）人: 呂佳朋;史賢俊;秦亮;聶新華;翟禹堯;秦玉峰
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍海軍航空大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N20/20;G06N3/00;G06F119/02
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王宇楊

本發(fā)明實(shí)施例提供一種故障發(fā)生時(shí)間預(yù)測(cè)方法及裝置，該方法包括：獲取待預(yù)測(cè)時(shí)間序列信息，將待預(yù)測(cè)時(shí)間序列信息輸入預(yù)設(shè)GPR模型中，得到預(yù)處理后的待預(yù)測(cè)時(shí)間序列信息；將預(yù)處理后的待預(yù)測(cè)時(shí)間序列信息輸入預(yù)設(shè)GPR?Adaboost模型，得到待預(yù)測(cè)時(shí)間序列對(duì)應(yīng)的預(yù)測(cè)物理量信息，以根據(jù)待預(yù)測(cè)時(shí)間序列對(duì)應(yīng)的預(yù)測(cè)裝備物理量信息進(jìn)行故障發(fā)生時(shí)間預(yù)測(cè)；其中，GPR?Adaboost模型是通過將多個(gè)預(yù)設(shè)GPR模型作為Adaboost模型的基本學(xué)習(xí)機(jī)訓(xùn)練得到的。通過將預(yù)處理后的待預(yù)測(cè)時(shí)間序列信息輸入預(yù)設(shè)GPR?Adaboost模型，得到最終獲得的故障時(shí)間預(yù)測(cè)，從而準(zhǔn)確的實(shí)現(xiàn)對(duì)于裝備故障發(fā)生時(shí)間的預(yù)測(cè)。

技術(shù)領(lǐng)域

本發(fā)明涉及故障預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種故障發(fā)生時(shí)間預(yù)測(cè)方法及裝置。

背景技術(shù)

隨著現(xiàn)代戰(zhàn)爭(zhēng)局勢(shì)的發(fā)展，一線作戰(zhàn)部隊(duì)亟需對(duì)裝備的健康狀況或即將發(fā)生的故障提前獲知，以提前安排作戰(zhàn)方案，避免貽誤作戰(zhàn)最佳時(shí)機(jī)；維修保障人員也希望能在故障發(fā)生之前便采取預(yù)防措施，以降低損失，提高裝備的使用效率。這些實(shí)際的需求使人們意識(shí)到傳統(tǒng)定期維修的維修保養(yǎng)體系已經(jīng)無法適應(yīng)現(xiàn)代作戰(zhàn)的需要。隨著人們對(duì)裝備失效機(jī)理及故障發(fā)生規(guī)律的深入的研究，故障預(yù)測(cè)、剩余壽命管理等新技術(shù)獲得了長(zhǎng)足的發(fā)展并逐漸走向成熟，也使得預(yù)測(cè)性維修成為國(guó)內(nèi)外研究的重點(diǎn)。

在故障預(yù)測(cè)當(dāng)中，對(duì)故障發(fā)生時(shí)間的預(yù)測(cè)是一項(xiàng)重要的研究?jī)?nèi)容，由于電子設(shè)備屬于復(fù)雜的電子系統(tǒng)，涉及濾波、變頻、功放等多種電路，這樣便不能對(duì)每一個(gè)模塊或器件建立相關(guān)的數(shù)學(xué)模型，因此如何更準(zhǔn)確有效的實(shí)現(xiàn)對(duì)于電子設(shè)備的故障發(fā)生時(shí)間進(jìn)行預(yù)測(cè)已經(jīng)成為業(yè)界亟待解決的問題。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種故障發(fā)生時(shí)間預(yù)測(cè)方法及裝置，用以解決上述背景技術(shù)中提出的技術(shù)問題，或至少部分解決上述背景技術(shù)中提出的技術(shù)問題。

第一方面，本發(fā)明實(shí)施例提供一種故障發(fā)生時(shí)間預(yù)測(cè)方法，包括：

獲取待預(yù)測(cè)時(shí)間序列信息，將所述待預(yù)測(cè)時(shí)間序列信息輸入預(yù)設(shè)GPR模型中，得到預(yù)處理后的待預(yù)測(cè)時(shí)間序列信息；

將所述預(yù)處理后的待預(yù)測(cè)時(shí)間序列信息輸入預(yù)設(shè)GPR-Adaboost模型，得到待預(yù)測(cè)時(shí)間序列對(duì)應(yīng)的預(yù)測(cè)物理量信息，以根據(jù)所述待預(yù)測(cè)時(shí)間序列對(duì)應(yīng)的預(yù)測(cè)裝備物理量信息進(jìn)行故障發(fā)生時(shí)間預(yù)測(cè)；

其中，所述GPR-Adaboost模型是通過將多個(gè)預(yù)設(shè)GPR模型作為Adaboost模型的基本學(xué)習(xí)機(jī)訓(xùn)練得到的。

更具體的，在所述獲取待預(yù)測(cè)時(shí)間序列信息，將所述待預(yù)測(cè)時(shí)間序列信息輸入預(yù)設(shè)GPR模型中，得到預(yù)處理后的待預(yù)測(cè)時(shí)間序列信息的步驟之前，所述方法還包括：

從裝備歷史數(shù)據(jù)庫(kù)中獲取多個(gè)帶時(shí)間序列的裝備物理量歷史信息；

將所述多個(gè)帶時(shí)間序列的裝備物理量歷史信息按照時(shí)間順序進(jìn)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(xùn)練集；

將所述多組訓(xùn)練集輸入GPR模型，采用非線性免疫粒子群算法對(duì)多個(gè)GPR模型進(jìn)行超參數(shù)計(jì)算，當(dāng)滿足預(yù)設(shè)條件時(shí)，得到多個(gè)預(yù)設(shè)GPR模型。

更具體的，所述采用非線性免疫粒子群算法對(duì)多個(gè)GPR模型進(jìn)行超參數(shù)計(jì)算，當(dāng)滿足預(yù)設(shè)條件時(shí)，得到多個(gè)預(yù)設(shè)GPR模型的步驟，具體包括：

初始化抗體粒子群信息，計(jì)算每個(gè)抗體粒子對(duì)抗原的親和度信息，并確定個(gè)體極值信息和全局極值信息；

針對(duì)于每個(gè)抗體粒子，根據(jù)每個(gè)抗體粒子親和度信息更新所述個(gè)體極值信息和全局極值信息；

更新權(quán)重因子信息，并更新抗體粒子的位置信息和速度信息，經(jīng)過多組免疫抑制機(jī)制調(diào)節(jié)，當(dāng)經(jīng)過預(yù)設(shè)粒子群迭代次數(shù)后，得到多個(gè)預(yù)設(shè)GPR模型。