[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

说明书

本发明涉及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，包括获取设备的原始时序信号数据；使用TSFRESH算法提取原始时序信号的时序特征；根据特征的权重系数对时序特征进行筛选，得到特征子集；使用层次任务规划网络为特征子集匹配机器学习管道；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。与现有技术相比，本发明具有预测结果更精确等优点。

技术领域

本发明涉及故障预测与健康管理领域，尤其是涉及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。

背景技术

随着科学技术的不断进步，工业水平的不断提高，政府、高校及其他企事业单位对实验室建设的重视程度与日俱增。先进的仪器设备和研究手段大幅提升了实验效率及研究领域，自动化、信息化已经成为实验室未来的重要发展趋势。应教育事业的发展需求，高校投入了更多的专项资金用于实验室的规划和建设。实验室仪器和设备的更新换代，对实验室管理也提出了更高的要求。如何能够高效、智能地实现实验室及设备管理，使其最大程度地发挥作用，是实验室管理中的一项重要课题。同时，为了确保实验工作的有序顺利进行，以及保障人身及财产安全，实验室的安全管理工作至关重要。由于高校实验室的设备众多、运行时间长、负荷大、人员密集，环境较为复杂，若一但发生事故，将产生较大的影响和危害。因此，运行维护和日常保养是实验室管理的重要工作。安全管理应以预防为主，从源头降低或杜绝事故发生的概率；提高设备的可靠性，延长设备的无故障运行时间，从而提高实验室的整体利用率。

在现有技术中，可通过对实验室设备的剩余使用寿命进行预测来对设备进行及时维护，但现有的预测方法无法实现对剩余使用寿命的精准预测，继而无法保证设备的可靠运行，实用性较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供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。

本发明的目的可以通过以下技术方案来实现：

一种基于自动机器学习(AutoML)的实验室设备剩余使用寿命预测方法，包括以下步骤：

S1、获取设备的原始时序信号数据；

S2、使用时间序列特征提取(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(HTN)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(RUL)。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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；