[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

说明书

本发明实施例公开了基于集成混合模型的故障预测方法、装置及相关设备。该方法包括获取终缩聚反应器的搅拌器的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；基于标准特征数据，分别根据预训练的SVM模型及CNN‑LSTM²模型进行故障预测，得到第一历史预测值和第二历史预测值；建立真实值与第一历史预测值及第二历史预测值的初始关系函数；根据预设的CPSO算法优化初始关系函数的参数，确定最终关系函数；根据最终关系函数计算得到最终预测值，由最终预测值确定故障。该方法有效提高故障预测的准确率。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种基于集成混合模型的故障预测方法、装置及相关设备。

背景技术

SSP(聚酯固相缩聚)生产线中，搅拌器作为主反应器的主要组件，体积最大并且结构也是相对最复杂，而且与其他设备是串联关系。如果发生故障，一方面需要停掉整个生产线对其进行故障诊断与维修，从而造成非计划停机的设备闲置损失；另一方面，突发性的非计划停机，也会造成设备中的化学材料反应物质由于反应不充分，而造成原材料浪费。

故障预测现在是工业互联网应用的核心内容，而传统的支持向量机(SVM)，随机森林算法(RF)，梯度下降树(GBDT)等机器学习算法，对高维非线性的模型处理效果不是很理想，预测结果不够准确，从而无法提前进行设备维护，导致设备发生故障时，造成人力及材料的浪费。

发明内容

本发明实施例提供了一种基于集成混合模型的故障预测方法、装置及相关设备，旨在解决现有技术中终缩聚反应器故障预测不准确的问题。

第一方面，本发明实施例提供了一种基于集成混合模型的故障预测方法，其包括：

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。

第二方面，本发明实施例提供了一种基于集成混合模型的故障预测装置，其包括：

分解模块，用于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；

归一化模块，用于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；

第一预测模块，用于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；

第二预测模块，用于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，得到第二预历史测值；