[發(fā)明專利]基于增量式Informer算法的設(shè)備健康狀態(tài)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211040870.2
• 申請(qǐng)日: 2022-08-29
• 公開（公告）號(hào): CN115618708A
• 公開（公告）日: 2023-01-17
• 發(fā)明（設(shè)計(jì)）人: 丁潔;趙徐姚
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06F18/214;G06F119/02
• 代理公司: 南京千語(yǔ)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32394
• 代理人: 尚于杰

本發(fā)明公開了一種基于增量式Informer算法的設(shè)備健康狀態(tài)預(yù)測(cè)方法，包括S1構(gòu)建設(shè)備狀態(tài)數(shù)據(jù)集，獲取設(shè)備上傳感器采樣信息與工況信息；S2對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并分為若干個(gè)批次序列子集；S3：將數(shù)據(jù)子集進(jìn)行第一次增量式Informer訓(xùn)練，將M₁作為當(dāng)前模型M_cur；S4：使用模型M₁對(duì)未來(lái)一個(gè)周期時(shí)刻的設(shè)備健康狀態(tài)進(jìn)行預(yù)測(cè)；S5：根據(jù)預(yù)測(cè)數(shù)據(jù)和工況，判斷設(shè)備的健康狀態(tài)；若狀態(tài)不良則發(fā)出預(yù)警；S6：收集下一批傳感器的數(shù)據(jù)，直至滿足下一周期預(yù)測(cè)的需求，并微調(diào)當(dāng)前模型，持續(xù)增量式訓(xùn)練現(xiàn)有模型M_cur，重復(fù)步驟S5和步驟S6。本發(fā)明所述方法，能夠持續(xù)有效地預(yù)測(cè)設(shè)備未來(lái)健康狀態(tài)，解決預(yù)測(cè)算法長(zhǎng)時(shí)序預(yù)測(cè)能力差、模型訓(xùn)練效率低、無(wú)法適時(shí)更新模型的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明屬于技術(shù)設(shè)備運(yùn)行狀態(tài)檢測(cè)領(lǐng)域，具體涉及一種基于增量式Informer算法的設(shè)備健康狀態(tài)預(yù)測(cè)方法。

背景技術(shù)

利用傳感器收集的設(shè)備信息對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，不僅可以根據(jù)需求對(duì)設(shè)備進(jìn)行調(diào)整，符合生產(chǎn)要求，還可以提前檢修設(shè)備，減少損失，防患未然。主流的設(shè)備故障預(yù)測(cè)方法有兩大類：基于物理模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法。前者對(duì)先驗(yàn)知識(shí)的要求較高，對(duì)于未知模型和復(fù)雜模型難以實(shí)現(xiàn)，后者現(xiàn)主要發(fā)展的是基于機(jī)器學(xué)習(xí)的預(yù)測(cè)方法。傳統(tǒng)的時(shí)序預(yù)測(cè)方法如LSTM、RNN、ARIMA等模型都可以進(jìn)行時(shí)序建模，但是大多容易出現(xiàn)梯度消失和梯度爆炸問(wèn)題，難以用于長(zhǎng)時(shí)間序列預(yù)測(cè)問(wèn)題(LSTF)；而目前的算法大多是一次性將已有的數(shù)據(jù)放入模型進(jìn)行訓(xùn)練，在實(shí)際應(yīng)用中，隨著時(shí)間的推移，收集到可用于訓(xùn)練的數(shù)據(jù)越來(lái)越多，模型的預(yù)測(cè)精度會(huì)逐漸降低，而且將新的數(shù)據(jù)集合并重復(fù)訓(xùn)練則比較耗時(shí)，容易造成災(zāi)難性遺忘問(wèn)題。

為了解決上述問(wèn)題，如Haoyi Zhou等對(duì)Transformer進(jìn)行改造，如下論文： ZhouH,Zhang S,Peng J,et al.Informer:Beyond efficient transformer for longsequence ti meseries forecasting[C]//Proceedings of the AAAI Conference onArtificial Intelligence.20 21,35(12):11106-11115.，提出了用于高效解決LSTF問(wèn)題的Informer模型，不僅提高了預(yù)測(cè)能力，且提高了長(zhǎng)序列預(yù)測(cè)的推理速度。該方法設(shè)計(jì)了ProbSparse自注意機(jī)制，有效減少時(shí)間復(fù)雜度和內(nèi)存使用；其注意力蒸餾和生成式解碼器能夠有效地處理長(zhǎng)序列輸入，提高了長(zhǎng)序列預(yù)測(cè)的推理速度，但仍是離線模型，難以根據(jù)新生成的數(shù)據(jù)流做出相應(yīng)的調(diào)整。又如李孟萱等人對(duì)LSTM進(jìn)行改造，如下論文：李孟萱.可增量的集成式LSTM時(shí)間序列預(yù)測(cè)研究[D]中南財(cái)經(jīng)政法大學(xué)， 2020.DOI:10.27660/d.cnki.gzczu.2020.000122。該文提出了可增量式的集成式LSTM，實(shí)現(xiàn)了LSTM的并行訓(xùn)練和增量更新，但仍未能夠很好地解決LSTF問(wèn)題，而且每次需要重新訓(xùn)練多個(gè)弱學(xué)習(xí)器，學(xué)習(xí)過(guò)程較為繁瑣。

發(fā)明內(nèi)容

本發(fā)明目的在于提出一種基于增量式Informer算法的設(shè)備健康狀態(tài)預(yù)測(cè)方法，解決現(xiàn)有技術(shù)中預(yù)測(cè)算法長(zhǎng)時(shí)序預(yù)測(cè)能力差、模型訓(xùn)練效率低、無(wú)法適時(shí)更新模型的技術(shù)問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

基于增量式Informer設(shè)備健康狀態(tài)預(yù)測(cè)訓(xùn)練方法，包括以下步驟：

步驟S1：構(gòu)建設(shè)備狀態(tài)數(shù)據(jù)集，獲取相關(guān)設(shè)備上傳感器采樣信息與工況信息，采集數(shù)據(jù)的時(shí)間間隔為t，總時(shí)長(zhǎng)為N個(gè)月，N為大于等于3的正整數(shù)；

步驟S2，對(duì)步驟S1獲得的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并將得到的樣本數(shù)據(jù)按順序分為若干個(gè)批次序列子集，作為后續(xù)模型的輸入數(shù)據(jù)；