[发明专利]基于自动机器学习的实验室设备剩余使用寿命预测方法

权利要求书

1.一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，包括以下步骤：

S1、获取设备的原始时序信号数据；

S2、使用TSFRESH算法提取原始时序信号的时序特征；

S3、根据特征的权重系数对时序特征进行筛选，得到特征子集；

S4、使用层次任务规划网络为特征子集匹配机器学习管道；

S5、将特征子集输入机器学习管道，得到对应设备的剩余使用寿命。

2.根据权利要求1所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，所述机器学习管道包括预处理器和分类器，所述预处理器用于对特征子集进行数据预处理，所述分类器将预处理后的特征子集映射到预测算法上。

3.根据权利要求1所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，得到机器学习管道后，使用超参数优化方法对机器学习管道的参数进行调优。

4.根据权利要求3所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，所述超参数优化方法包括随机搜索、网格搜索或贝叶斯优化。

5.根据权利要求1所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，所述步骤S3具体如下：

S31、使用假设检验法获取时序特征的评估结果；

S32、根据评估结果结合故障提取率获取特征的权重系数；

S33、根据权重系数大小对特征进行排序及筛选。

6.根据权利要求5所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，所述步骤S31中，对于不同的时序特征采用不同的假设检验方法：

若特征和标签都是二分类的，则使用fisher检验；

若特征是二分类而标签是连续值，则使用K-S检验；

若特征是连续值而标签是二分类，则使用K-S检验或者曼-惠特尼U检验；

若特征和标签都是连续值，则使用kendall相关系数检验。

7.根据权利要求1所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，使用非对称损失函数对预测结果进行评估。

8.根据权利要求7所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，所述非对称损失函数L(D_test)的表达式如下：

式中，N表示设备数量，a_k为设备k的剩余寿命估计精度。

9.根据权利要求1所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，设备的原始时序信号数据获取方法如下：

采集设备上传感器的原始数据，经过提取、变换和加载，组合成为便于分析的统一原始时序信号数据源。

10.根据权利要求1所述的一种基于自动机器学习的实验室设备剩余使用寿命预测方法，其特征在于，得到原始时序信号后使用数据清洗、数据集成、数据变换和数据归约对数据进行预处理。