[發明專利]一種基于物聯網邊緣計算的工業設備健康預測方法

在審

• 申請號: 202210281870.5
• 申請日: 2022-03-22
• 公開（公告）號: CN114611372A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 劉洋;謝穎;付曉晨
• 申請（專利權）人: 合肥金人科技有限公司
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06K9/62;G06N3/00
• 代理公司: 合肥洪雷知識產權代理事務所(普通合伙) 34164
• 代理人: 趙可

1.一種基于物聯網邊緣計算的工業設備健康預測方法，其特征在于,步驟為：

步驟S1：對工業設備的狀態數據進行收集構成樣本數據集A，兩個缺失數據間的所有數據組成部分數據集B，利用灰色動態預測模型對采集缺失的數據進行填補，對前向填補值和后向填補值進行加權平均；

步驟S2：將采集和填補的數據按不同比例分成訓練集、驗證集與測試集，不同的數據集里數據比例不同，利用訓練集里的數據來訓練模型；將訓練好的模型在驗證集上進行驗證，利用測試集上的誤差作為最終模型在應對現實場景中的泛化誤差；

步驟S3：利用改進粒子群優化模型減小非線性多分類均衡支持向量機樣本量不平衡引起的誤差，然后對參數進行初始化；

步驟S4：利用支持向量機中的參數代表改進粒子群優化模型的粒子，利用核函數計算各個粒子的適應度值，對樣本數少的粒子，增大均衡因子抵消由于樣本數不平衡引起的偏差；

步驟S5：對各個粒子的個體極值以及個體極值中的最優值進行比較與更新；

步驟S6：更新各個粒子的速度與位置以及更新慣性權重初始值與最終值，在更新開始時的慣性權重大于在更新后期的慣性權重；

步驟S7：對終止條件進行判斷，當終止條件達到最大迭代次數，則終止迭代，同時將最優解進行輸出；當終止條件沒有達到最大迭代次數，返回步驟S4繼續迭代；

步驟S8：迭代結束后，將最優解代入支持向量機中重新進行訓練，再利用分類模型對設備的狀態數據進行分類；

步驟S9：對步驟S8的預測結果利用健康度對工業設備進行定性評價，評價結果分為三種健康、亞健康、損壞。

2.如權利要求1所述的一種基于物聯網邊緣計算的工業設備健康預測方法，其特征在于，所述樣本數據集為A=（A(1),A(2),…,A(n)），在樣本數據集中缺失的數據A(i)向前尋找一個相鄰的缺失數據A(i-1)，并由A(i)和A(i-1)這兩個缺失數據間的所有數據組成部分數據集B，然后利用灰色動態預測模型計算出缺失數據前向填補值:

其中ψ表示灰色動態預測模型的系數，b、c由最小二乘法得出，表示灰色動態預測模型的參數；

在樣本數據集中缺失數據A(i)向后尋找一個相鄰的缺失數據A(i+1)，A(i)和A(i+1)這兩個缺失數據間的所有數據組成部分數據集B，然后利用灰色動態預測模型計算出缺失數據后向填補值:

將和進行加權平均得到：

并將作為缺失數據的填補值。

3.如權利要求1所述的一種基于物聯網邊緣計算的工業設備健康預測方法，其特征在于，步驟S2中，工業設備的狀態數據分成訓練集、驗證集與測試集的比例為3:1:1。

4.如權利要求1所述的一種基于物聯網邊緣計算的工業設備健康預測方法，其特征在于，所述步驟S3中，初始化的參數包括動態權重的初始值與最終值、學習因子、最大跌迭次數。

5.如權利要求1所述的一種基于物聯網邊緣計算的工業設備健康預測方法，其特征在于，所述步驟S6中各個粒子的速度與位置更新的表達式為：

其中，P_i表示個體最優值，P_g表示全局最優值，d=1,2…,D；D表示D維的一個搜索空間；表示迭代K次時粒子的位置，i＝1,2…,n；k表示目前迭代次數；c1、c2表示非負的學習因子；r1、r2為（0,1）的隨機數；ｗ表示慣性權重。

6.如權利要求5所述的一種基于物聯網邊緣計算的工業設備健康預測方法，其特征在于，所述慣性權重w的表達式為：

其中：ｗ_s表示慣性權重的初始值，ｗ_f表示慣性權重的最終值；ｋ表示目前迭代次數；K_ｍａｘ表示最大迭代次數。