[发明专利]一种提升设备剩余寿命预测准确度的方法

说明书

本发明公开了一种提升设备剩余寿命预测准确度的方法，先运用随机森林分类器对给定的且尚未完成分类的设备状态监测数据集进行分类，再对预测模型的训练样本进行人为去噪处理，运用深度学习中的长短期记忆网络模型对添加噪声后的样本进行训练，最后对其对应分类标签的设备进行剩余寿命预测。经验证，设备的剩余寿命预测准确度有大幅度提高，取得了较好的预测效果。

技术领域

本发明涉及人工智能预测技术领域，特别涉及通过设备状态监测信息来预测设备剩余寿命的预测技术。

背景技术

现如今，合理的设备维护保养是企业生产管理中的重要一环。维护保养计划提前制定是保证设备长时间良好运行的关键，这能大幅提升企业效益。一直以来，企业往往采用事后纠正性维修和定周期维护保养相结合的方法来维护保养设备，这即纵容了设备故障的发生，也可能产生许多不必要的维修，从而增加维护保养成本。

如果采用预测性维护方法，即根据设备运行时传感器的检测数据和设备输入的生产参数，分析确认设备运行状况，制定与之对应的设备维护方案进行维护，不但可以有效避免故障的发生，同时也能使设备避免进行无用修理，大幅降低维护成本。

针对使用机器学习预测进行剩余寿命预测过程中测试集尚未分类这一问题，由于不同类别的样本之间往往差异较大，如果直接进行训练和测试，精度可能较差。

发明内容

为了解决上述问题，本发明中在设备剩余寿命预测前运用随机森林分类器先行对测试集样本根据训练集的分类情况进行分类，然后对训练集在训练前进行去噪处理，可以有效减少数据缺失、数据肮脏等对预测准确度的影响，提升系统的鲁棒性。

本发明中的一种提升设备剩余寿命预测准确度的方法，包括以下步骤：

步骤S1：使用随机森林分类器对未分类的测试集样本进行分类；

步骤S2：运用去噪处理对数据的噪声进行控制和处理，提升预测结果的准确性，减少数据缺失和数据肮脏带来的敏感性问题；

步骤S3：通过长短期记忆网络分析设备状态监测信息，预测设备剩余寿命。

上述方案中，所述步骤S1包括：

步骤S11：分析输入的设备状态监测信息，根据已知的已分类好的训练集确定未分类测试集样本的类型，将这一类型的信息作为训练随机森林时的输出；

步骤S12：对输入的设备状态监测信息进行数据预处理，将同一台设备按每一时刻进行拆开，将某一设备某一时刻的设备状态监测信息作为随机森林训练时的一条输入信息；

步骤S13：在输入的训练集样本中加入人为根据训练集样本类型制定的分类标签，再训练随机森林分类器；

步骤S14：在测试集中的信息将同一台设备按每一时刻进行拆开，随后输入到训练好的随机森林分类器模型中进行测试；

步骤S15：测试结果根据机器做一次投票归类。

上述方案中，所述步骤S13中训练随机森林分类器前需要设定调整随机森林分类器的参数。

上述方案中，所述步骤S15中投票归类采用简单多数制。

上述方案中，所述步骤S2包括：

步骤S21：引入人为加入的噪声，将输入的训练集样本训练特征中的随机一部分数据置0，期间控制好置0数据的比例；

步骤S22：将人为噪音化的数据输入长短期记忆网络模型进行后续的训练测试预测；

步骤S23：得到预测后的结果。

上述方案中，所述步骤S3包括：