[發明專利]基于增量式Informer算法的設備健康狀態預測方法

在審

• 申請號: 202211040870.2
• 申請日: 2022-08-29
• 公開（公告）號: CN115618708A
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 丁潔;趙徐姚
• 申請（專利權）人: 河海大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06F119/02
• 代理公司: 南京千語知識產權代理事務所(普通合伙) 32394
• 代理人: 尚于杰

1.基于增量式Informer算法的設備健康狀態預測方法，其特征在于，包括如下步驟：

步驟S1：構建設備狀態數據集，獲取相關設備上傳感器采樣信息與工況信息，采集數據的時間間隔為t，總時長為N個月，N為大于等于3的正整數；

步驟S2：對步驟S1獲得的數據進行數據預處理，并將得到的樣本數據按順序分為若干個批次序列子集，作為后續模型的輸入數據；

步驟S3：將步驟S2獲得的數據子集進行第一次增量式Informer訓練，訓練結束后，保留模型M₁的各項參數和用于預測的樣本數據，并將M₁作為當前模型M_cur；

步驟S4：使用步驟S3保存的模型M₁對未來一個周期時刻的設備健康狀態進行預測，并保存用于預測的歷史數據和預測數據；

步驟S5：根據預測數據和工況，判斷設備的健康狀態；若狀態不良則向設備管理人員發出預警；

步驟S6：繼續收集下一批傳感器的數據，直至滿足下一周期預測的需求，將新收集的數據用于微調當前模型，持續增量式訓練現有模型M_cur，重復步驟S5和步驟S6。

2.根據權利要求1所述的基于增量式Informer算法的設備健康狀態預測方法，其特征在于，所述步驟S2中，數據的預處理預處理具體包括如下步驟：

步驟S21：對所得數據樣本的三類數據特征進行缺失值填充：對于設備屬于時間上下文關聯的可用常數度量的數據，采用基于KNN異常填充的思想，計算缺失值時間附近K個特征值之和，取平均值來插補缺失值；對于工況信息數據，屬于數值等級的屬性，采用該特征中出現頻率最多的值來插補缺失值；

步驟S22：根據Z-score標準化方法對步驟S21獲得的特征進行標準化處理，其轉化函數為：

其中，x′為變換后的數據，x為樣本真實數據，為所有樣本數據的均值，σ為所有樣本數據的標準差；

步驟S23：采用基于K-means++的離散點檢測方式，對S22獲得的特征數據進行異常值檢測，并處理數據異常值；

步驟S24：采用基于PCA的降低特征維度方式對S23獲得的特征進行特征篩選，降低樣本特征數量，減少計算開銷；

步驟S25：將時間特征轉換成一定維度的時間戳；

步驟S26：在步驟S25處理完成的數據上使用一個時間長度為T的時間窗口進行滑動取樣，其中T等于用于預測的歷史數據長度和預測數據長度之和，得到N個序列子集并按時間先后進行排序。

3.根據權利要求2所述的基于增量式Informer算法的設備健康狀態預測方法，其特征在于，所述步驟S23包括如下步驟：

首先，按照工況標記分別進行檢測，從步驟S22獲得的樣本中隨機選取1個作為初始質心，計算每個樣本到質心的距離，采用歐式距離表示；

其次，計算每個樣本點被選為下一個質心概率，概率的計算公式為：

其中，D(y)為樣本y到質心的歐式距離，χ為質心以外的所有樣本點，P(y)為被選中的概率，∑_x∈χD(x)²為樣本質心以外的所有樣本點到質心的歐式距離的平方和，P(y)為被選中的概率；

接著選取概率最接近0.5的點作為下一個質心，重復上述步驟，直至質心的數量達到K個；

最后計算所有樣本點到質心的距離，如果樣本點距離超過相應閾值，則標記為離散點；將標記為離散點的樣本替換為其附近K個值的平均值，從而確保數據的準確性。

4.根據權利要求3所述的基于增量式Informer算法的設備健康狀態預測方法，其特征在于，所述步驟S24包括如下步驟：

首先對步驟S22獲得的樣本計算協方差矩陣，協方差矩陣的計算公式為：

其中，x_i,y_i為不同特征在不同樣本上的取值，為特征在樣本集中的均值，cov(x,y)為協方差矩陣，n為樣本數量；

接著求出cov(x,y)的特征值λ和特征向量ν，將特征值λ進行數值比較排序，剔除末尾的特征值；

最后將樣本集映射到上述保留的特征向量構建的空間中，完成降維工作。