[发明专利]一种基于ELM-CHMM的电源故障预测方法

说明书

一种基于ELM‑CHMM的电源故障预测方法，本发明涉及电源故障预测方法。本发明的目的是为了解决现有方法故障预测准确度低的问题。过程为：将电压信号数据分为训练和测试数据集，对训练数据集进行预处理，得到重构后的电压信号矩阵；建立ELM模型；把测试数据集输入ELM模型中，输出经过ELM模型预测的电压信号；提取训练数据集的特征参数；建立CHMM状态预测模型；提取经过ELM模型预测的电压信号数据的特征参数，分别输入到CHMM模型中；得到ELM‑CHMM模型，得到待测电源故障的状态。本发明用于电源故障预测领域。

技术领域

本发明涉及基于ELM-CHMM的电源故障预测方法。

背景技术

船用电源系统负责船舶用电设备的电能供应，保证了船上各种复杂电子设备的正常、稳定工作及船上工作人员的生活需求，是船舶的“血液”。因此船用电源系统的稳定性、可靠性至关重要，为了给船上用电设备提供稳定的供电保障，需要对电源的故障进行实时准确的预测。

由于船舶长期工作在海上，会受到恶劣环境因素比如受潮、腐蚀、振动、冲击等影响，同时还会受到其他设备辐射干扰，导致电源发生故障可能性大大提高，严重影响其性能和寿命。一旦船用电源发生故障，可能会导致船上部分用电设备损坏，甚至导致船舶无法正常工作，威胁船上人员安全。因此，应采取适当的方法及时有效地发现潜在故障，便于工作人员及时采取预防性维修，减小损失。

传统的各类拟合、预测问题中，广泛应用的方法是单隐层前馈神经网络利用样本数据进行训练，拟合映射函数，适用于数据量大且非线性的数据建模问题。同时存在很多缺点，比如计算量大，训练时间长、传统前馈神经网络很容易陷入局部最优，难以得到全局最优解、对参数选择敏感等问题，因此不适用于准确度要求较高的故障预测场景。

近年来，一种简单、有效的单隐层前馈神经网络SLFNs学习算法——极限学习机(ELM)被提出并得到广泛应用。类比于生物大脑根据不同的应用，调节隐含层到输出层的连接来实现压缩、特征学习、稀疏编码、聚类、回归拟合和分类。ELM算法在发挥传统单隐含层前馈神经网络优点的基础上，克服了传统神经网络的瓶颈，避免了梯度下降法的多次迭代求解，有效地提升计算速度，避免局部最小问题获得全局最优解，实现了尽可能少的人为干预，得到较高的准确度。

发明内容

本发明的目的是为了解决现有方法故障预测准确度低的问题，而提出一种基于ELM-CHMM的电源故障预测方法。

一种基于ELM-CHMM的电源故障预测方法具体过程为：

步骤一、采集船用电源轻度退化、中度退化、重度退化、完全故障的四种状态的电压信号数据，将每一种状态的电压信号数据分为训练数据集和测试数据集，对训练数据集的电压信号数据进行预处理，得到重构后的电压信号矩阵

式中，X、Y为重构后的船用电源输出电压信号矩阵，为一维矩阵[x₁,x₂...x_m]，为一维矩阵[x₂,x₃...x_m+1]，为一维矩阵[x_N-m,x_N-m+1...x_N-1]，x_m+1为第m个时间点向后1个时间点的电源电压，x_m+2为第m个时间点向后2个时间点的电源电压，x_N为第N个时间点输出的电源电压；

步骤二、将步骤一重构后的电压信号矩阵X作为ELM模型的输入，将步骤一重构后的电压信号矩阵Y作为ELM模型的输出；

用输入输出电压信号矩阵，训练ELM模型，得到ELM模型参数，建立完ELM模型；

把步骤一中测试数据集对应的电压信号输入到建立完的ELM模型中，输出经过ELM模型预测的电压信号；

所述ELM模型为极限学习机模型；