[發明專利]基于集成混合模型的故障預測方法、裝置及相關設備

有效

• 申請號: 202110302785.8
• 申請日: 2021-03-22
• 公開（公告）號: CN112966770B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 荊戈;陳嬌嬌;楊華勝;蔣俊峰;張濤
• 申請（專利權）人: 潤聯智能科技股份有限公司
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06N20/20;G06N20/10;G06N3/0464;G06N3/0442;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 周翀

本發明實施例公開了基于集成混合模型的故障預測方法、裝置及相關設備。該方法包括獲取終縮聚反應器的減速箱的震動特征數據以及終縮聚反應器的減速箱的環境特征數據，集合環境特征數據與震動特征數據得到數據集并從所述數據集篩選出輸入特征數據；基于輸入特征數據，分別通過CNN?LSTMsupgt;2/supgt;模型、SVM模型、CatBoost模型以及KNN算法進行設備狀態預測，得到相應的預測結果；基于預測結果以及真實值構建非線性關系，確定關系函數，根據關系函數計算最終預測值，并根據最終預測值確定故障。該方法相比傳統單一的預測方法，有效提高故障預測的準確率。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及一種基于集成混合模型的故障預測方法、裝置及相關設備。

背景技術

SSP(聚酯固相縮聚)生產線中，攪拌器作為主反應器的主要組件，體積最大并且結構也是相對最復雜，而且與其他設備是串聯關系。如果發生故障，一方面需要停掉整個生產線對其進行故障診斷與維修，從而造成非計劃停機的設備閑置損失；另一方面，突發性的非計劃停機，也會造成設備中的化學材料反應物質由于反應不充分，而造成原材料浪費。

故障預測現在是工業互聯網應用的核心內容，而傳統的支持向量機(SVM)，隨機森林算法(RF)，梯度下降樹(GBDT)等機器學習算法，對高維非線性的模型處理效果不是很理想，預測結果不夠準確，從而無法提前進行設備維護，導致設備發生故障時，造成人力及材料的浪費。

發明內容

本發明實施例提供了一種基于集成混合模型的故障預測方法、裝置及相關設備，旨在解決現有技術中終縮聚反應器故障預測不準確的問題。

第一方面，本發明實施例提供了一種基于集成混合模型的故障預測方法，其包括：

獲取終縮聚反應器的減速箱的初始的震動特征數據并對初始的震動特征數據進行變分模態分解，得到最終的震動特征數據；

獲取終縮聚反應器的減速箱的環境特征數據，集合所述環境特征數據與震動特征數據得到數據集并從所述數據集篩選出輸入特征數據；

基于所述輸入特征數據，分別通過預置的CNN-LSTM²模型、SVM模型、CatBoost模型以及KNN算法進行設備狀態預測，得到第一歷史預測值、第二歷史預測值、第三歷史預測值和第四歷史預測值；

基于所述第一歷史預測值、第二歷史預測值、第三歷史預測值以及第四歷史預測值構建向量矩陣，建立所述向量矩陣與真實值的非線性關系，并根據所述向量矩陣與真實值確定所述非線性關系對應的關系函數；

分別通過所述CNN-LSTM²模型、SVM模型、CatBoost模型以及KNN模型對目標特征數據進行設備狀態預測，得到第一目標預測值、第二目標預測值、第三目標預測值以及第四目標預測值；基于所述第一目標預測值、第二目標預測值、第三目標預測值以及第四目標預測值，根據所述關系函數計算最終預測值，并根據所述最終預測值確定設備狀態。

第二方面，本發明實施例提供了一種基于集成混合模型的故障預測裝置，其包括：

分解模塊，用于獲取終縮聚反應器的減速箱的初始的震動特征數據并對初始的震動特征數據進行變分模態分解，得到最終的震動特征數據；

篩選模塊，用于獲取終縮聚反應器的減速箱的環境特征數據，集合所述環境特征數據與震動特征數據得到數據集并從所述數據集篩選出輸入特征數據；

訓練模塊，用于基于所述輸入特征數據，分別通過預置的CNN-LSTM²模型、SVM模型、CatBoost模型以及KNN算法進行設備狀態預測，得到第一歷史預測值、第二歷史預測值、第三歷史預測值和第四歷史預測值；