一种面向物联网设备的预测性维护在线动态集成学习方法

本发明涉及物联网设备健康管理和预测性维护，特别是涉及一种面向物联网设备的预测性维护在线动态集成学习方法。

背景技术：

1、随着物联网技术在工业生产、智能制造、能源管理和设备运维等场景中的广泛应用，大量设备通过传感器持续采集温度、振动、电流、压力、转速等多源运行数据。通过对上述多源传感器数据进行分析，可以及时掌握设备运行状态，预测设备健康度变化趋势，并提前制定维护计划，从而减少突发故障造成的停机损失和维护成本。

2、现有预测性维护方法通常依赖固定模型对历史数据进行训练，再利用训练后的模型对设备健康状态或剩余使用寿命进行预测。然而，在实际物联网设备运行过程中，设备工况、环境条件、负载水平以及老化程度会随时间不断变化，导致数据分布发生改变，即产生概念漂移。传统静态模型难以及时适应这种变化，容易出现健康状态预测误差增大、剩余使用寿命估计不准确以及维护指令触发滞后等问题。

3、同时，物联网设备运行数据通常具有复杂的时序特征。一方面，设备退化过程可能表现为缓慢累积的长期趋势变化；另一方面，受设备工作节拍、生产周期或外部环境周期性变化影响，传感器数据中还可能存在明显的周期模式；此外，设备局部异常、冲击扰动、瞬时负载变化或传感器波动又会带来高频结构变化。传统单一预测模型往往难以同时刻画趋势特征、周期特征和高频特征，尤其在发生趋势突变、周期模式切换或高频结构变化时，模型预测稳定性和泛化能力容易下降。

4、此外，物联网设备数量多、数据产生速度快，预测性维护系统不仅需要具备较高的预测准确性，还需要具备在线学习和实时响应能力。部分传统在线学习方法虽然能够随数据流更新模型参数，但对不同类型时序变化的区分能力有限，难以根据概念漂移的具体主导类型进行有针对性的调节。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种面向物联网设备的预测性维护在线动态集成学习方法，本发明解决了现有物联网设备预测性维护方法中，多源传感器数据随设备工况和运行时间动态变化、单一预测模型难以同时捕捉长期退化趋势、周期性波动和突发高频异常，以及设备运行过程中存在概念漂移导致预测模型稳定性下降的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种面向物联网设备的预测性维护在线动态集成学习方法，包括：

4、获取当前时刻的设备特征向量；

5、将所述当前时刻的设备特征向量输入包含趋势专家组件、周期专家组件和高频专家组件的在线异构专家集成池进行加权融合，通过健康度计算规则映射得到初始健康度预测结果；

6、利用自适应窗口漂移检测器进行概念漂移检测；若未检测到概念漂移，则将所述初始健康度预测结果作为最终健康度预测结果；

7、若检测到概念漂移，则分别计算所述趋势专家组件、所述周期专家组件和所述高频专家组件对应的漂移诊断贡献率，并根据所述漂移诊断贡献率的最大值确定概念漂移的主导类型；

8、依据所述主导类型确定待调节的目标基学习器组件，并针对所述目标基学习器组件，根据所述漂移诊断贡献率自适应提高其学习率，保持其他基学习器组件的学习率不变，得到调节参数后的所述在线异构专家集成池；

9、将所述当前时刻的设备特征向量输入所述调节参数后的所述在线异构专家集成池，输出未来时刻的最终设备特征向量综合预测值，以得到所述最终健康度预测结果；

10、基于所述最终健康度预测结果，预测设备的剩余使用寿命，当所述剩余使用寿命低于执行维护所需的最短提前时间阈值时，触发预测性维护指令。

11、本发明公开了以下技术效果：

12、本发明提供了一种面向物联网设备的预测性维护在线动态集成学习方法，本发明构建包含趋势专家组件、周期专家组件和高频专家组件的在线异构专家集成池，能够分别捕捉设备退化趋势、周期模式和高频异常，提高对物联网设备未来状态预测的全面性。

13、本发明基于各基学习器组件的实时损失生成动态置信度权重，并对三个独立的未来时刻的设备特征向量预测值进行加权融合，能够降低单一基学习器组件误差对综合预测结果的影响，提高设备特征向量预测稳定性。

14、本发明通过自适应窗口漂移检测器进行概念漂移检测，并根据各基学习器组件对整体漂移的贡献率确定概念漂移的主导类型，能够提高对趋势突变、周期模式切换和高频结构变化的识别能力。

15、本发明依据所诊断出的主导类型，自适应地调节在线异构专家集成池中对应基学习器组件的内部参数，能够提高模型对设备工况变化和数据分布变化的在线适应能力。

16、本发明通过在线异构专家集成池、动态置信度权重、概念漂移检测和动态调节机制，提高了物联网设备健康度预测结果和剩余使用寿命预测的准确性与稳定性，可为预测性维护指令的触发提供可靠依据。

1.一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，包括：

2.根据权利要求1所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，所述获取当前时刻的设备特征向量，包括：

3.根据权利要求1所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，将所述当前时刻的设备特征向量输入包含趋势专家组件、周期专家组件和高频专家组件的在线异构专家集成池进行加权融合，通过健康度计算规则映射得到初始健康度预测结果，包括：

4.根据权利要求1所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，所述分别计算所述趋势专家组件、所述周期专家组件和所述高频专家组件对应的漂移诊断贡献率，包括：

5.根据权利要求4所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，所述对应的漂移诊断贡献率的计算表达式为：

6.根据权利要求5所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，所述目标基学习器组件的新学习率的表达式为：

7.根据权利要求1所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，将所述当前时刻的设备特征向量输入所述调节参数后的所述在线异构专家集成池，输出未来时刻的最终设备特征向量综合预测值，以得到所述最终健康度预测结果，包括：

8.根据权利要求1所述的一种面向物联网设备的预测性维护在线动态集成学习方法，其特征在于，所述剩余使用寿命的计算表达式为：；