[发明专利]基于集成混合模型的故障预测方法、装置及相关设备

权利要求书

1.一种基于集成混合模型的故障预测方法，其特征在于，包括：

获取终缩聚反应器的搅拌器的初始的震动特征数据并对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据；

获取终缩聚反应器的减速箱的环境特征数据，并集合所述环境特征数据与震动特征数据进行归一化处理，得到标准特征数据；

基于所述标准特征数据，根据预训练的SVM模型进行故障预测，得到第一历史预测值，所述第一历史预测值为多类故障的预测概率分布向量；

基于所述标准特征数据，根据预训练的CNN-LSTM2 模型进行故障预测，得到第二历史预测值；

建立真实值与所述第一历史预测值及第二历史预测值的线性组合关系，根据所述线性组合关系确定初始关系函数；

根据预设的CPSO算法优化所述初始关系函数的参数，确定最终关系函数；

基于第一目标预测值和第二目标预测值，根据所述最终关系函数计算得到最终预测值，并根据所述最终预测值确定故障，所述第一目标预测值和第二目标预测值为通过所述SVM模型、CNN-LSTM2模型对目标预测时刻的标准特征数据进行故障预测后分别得到的预测值。

2.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述对初始的震动特征数据进行变分模态分解，得到最终的震动特征数据包括：

将初始的震动特征数据对应时域信号的本征模态函数进行变换，得到初始的震动特征数据对应的调幅-调频信号；

引入二次惩罚因子与乘法算子，再进行迭代更新、等距变换，得到最终的震动特征数据。

3.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述归一化处理的公式如下：

其中，x_j为归一化后的数值，x_i为归一化前当前维度的目标数据，x_min为当前维度中数据的最小值，x_max为当前维度中数据的最大值。

4.根据权利要求1所述的基于集成混合模型的故障预测方法，其特征在于，所述基于所述标准特征数据，根据预训练的CNN-LSTM2 模型进行故障预测，得到第二预测值包括：

将所述标准特征数据进行图像化处理，得到灰度图；

根据预置的CNN模型的卷积层对所述灰度图进行空间特征提取，得到所述标准特征数据的空间特征向量；

将所述空间特征向量输入所述CNN模型中的压平层进行一维化处理，得到所述标准特征数据的时序特征向量；

基于所述时序特征向量，根据预置的LSTM2 模型进行故障预测，得到第二历史预测值。