一种基于大数据的故障预测方法与流程

1.本发明涉及武器设备故障预测技术领域，具体涉及一种基于大数据的故障预测方法。


背景技术：

2.随着科学技术和工业发展，机械设备向着大型化、高速化、复杂化发展。因此，现在的武器装备通常由众多部件组成，其结构层次多，不同零部件之间关系复杂，耦合性强。武器装备系统一旦发生故障，常常会危及人员的生命。
3.因此，为了提高武器装备系统的可靠性与安全性，需要开展装备的故障预测，随时监控武器装备的状态数据，从而预测其将发生的故障。
4.现有基于主元分析的故障估计方法被成功用于故障预测中，但对于多工况过程的数据，基于主元分析的故障估计方法却不能够非常准确地进行故障预测，当复杂系统运行在多个做工情况时，传感器的数据将会根据当前的工作模式发生变化，整个系统数据间的关系将会非常复杂，单一的模型很难去准确预测各方情况。


技术实现要素：

5.针对现有技术中的上述不足，本发明提供的一种基于大数据的故障预测方法解决了现有针对装备故障预测的方法对复杂的系统存在预测不准确的问题。
6.为了达到上述发明目的，本发明采用的技术方案为：一种基于大数据的故障预测方法，包括以下步骤：s1、从大数据中，提取装备正常工作状态下的基于时间序列的数据集和异常状态下的基于时间序列的数据集；s2、根据正常工作状态下的基于时间序列的数据集和异常状态下的基于时间序列的数据集，构建异常数据集；s3、对异常数据集提取异常数据特征，构建事件集；s4、采用事件集对故障预测模型进行训练，得到训练完成的故障预测模型；s5、通过传感器采集装备数据，对装备数据进行滤波处理；s6、计算并将滤波处理后的装备数据的异常数据特征输入训练完成的故障预测模型，得到装备将发生的故障类型。
7.进一步地，所述s2中将正常工作状态下的基于时间序列的数据集和异常状态下的基于时间序列的数据集中相同时间点的数据点进行对比，提取异常数据，构建为异常数据集。
8.进一步地，所述步骤s3包括以下分步骤：s31、对异常数据集，提取异常数据特征；s32、根据异常数据特征，找到对应的故障事件；s33、将异常数据特征和故障事件构建为事件集。
9.进一步地，所述s31中提取异常数据特征的公式为：其中，为异常数据特征，为同类故障事件数据的样本数据量，为第个异常数据，为样本数据量中的数据均值，为第一权重参数，为第二权重参数。
10.上述进一步方案的有益效果为：通过异常数据特征去表征数据的异常情况，相比于原始数据更能体现数据的异常情况，使得预测精度更高。
11.进一步地，所述s4中故障预测模型包括：第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、第一注意力融合模块、第二注意力融合模块、第一拼接模块和全连接层；所述第一特征提取单元的输入端分别与第二特征提取单元的输入端、第三特征提取单元的输入端和第四特征提取单元的输入端连接，并作为故障预测模型的输入端；所述第一注意力融合模块的第一输入端与第一特征提取单元的输出端连接，其第二输入端与第二特征提取单元的输出端连接，其输出端与第一拼接模块的第一输入端连接；所述第二注意力融合模块的第一输入端与第三特征提取单元的输出端连接，其第二输入端与第四特征提取单元的输出端连接，其输出端与第一拼接模块的第二输入端连接；所述全连接层的输入端与第一拼接模块的输出端连接，其输出端作为故障预测模型的输出端。
12.进一步地，所述第一特征提取单元的卷积层的卷积核大小为1*1，第二特征提取单元的卷积层的卷积核大小为3*3，第三特征提取单元的卷积层的卷积核大小为5*5，第四特征提取单元的卷积层的卷积核大小为7*7。
13.上述进一步方案的有益效果为：4种不同尺寸的卷积核，从四种维度提取特征，并引入注意力融合模块，对重点特征进行关注。
14.进一步地，所述第一注意力融合模块和第二注意力融合模块包括：第一卷积层、第二卷积层、第三卷积层、全局平均池化层、加权全局平均池化层、全局最大池化层和第二拼接模块；所述第一卷积层的输入端分别与第二卷积层的输入端和第三卷积层的输入端连接，并作为第一注意力融合模块或第二注意力融合模块的输入端；所述全局平均池化层的输入端与第一卷积层的输出端连接，其输出端与第二拼接模块的第一输入端连接；所述加权全局平均池化层的输入端与第二卷积层的输出端连接，其输出端与第二拼接模块的第二输入端连接；所述全局最大池化层的输入端与第三卷积层的输出端连接，其输出端与第二拼接模块的第三输入端连接；所述第二拼接模块的输出端作为第一注意力融合模块或第二注意力融合模块的输出端。
15.上述进一步方案的有益效果为：将全局平均池化层、加权全局平均池化层和全局最大池化层关注的特征进行融合，使得数据特征丰富，防止重要特征的丢失。
16.进一步地，所述步骤s5中滤波公式为：
其中，为第个滤波数据，为第个滤波数据，为数据个数，为个滤波数据的均值，为第个装备数据，为个装备数据的均值，为第个装备数据，为第个滤波数据。
17.综上，本发明的有益效果为：本发明通过对比正常状态下的数据集和异常状态下的数据集，从而确定异常数据集，但异常数据集本身数据量非常庞大，且其无法明显体现出数据的异常，因此，将其转为异常数据特征，通过故障预测模型找到异常数据特征与故障事件之间的对应关系，无需再分析各个传感数据间复杂的关系，且故障预测模型是针对整个复杂系统，因此，相比于通过单一模型去预测故障，具有更精确的预测精度。
附图说明
18.图1为一种基于大数据的故障预测方法的流程图；图2为故障预测模型的结构示意图；图3为第一注意力融合模块和第二注意力融合模块的结构示意图。
具体实施方式
19.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
20.如图1所示，一种基于大数据的故障预测方法，包括以下步骤：s1、从大数据中，提取装备正常工作状态下的基于时间序列的数据集和异常状态下的基于时间序列的数据集；在大数据中，可提取装备正常工作状态和异常状态下的温度、压力、电流、电压、负载和热量等数据。
21.s2、根据正常工作状态下的基于时间序列的数据集和异常状态下的基于时间序列的数据集，构建异常数据集；时间序列是用于比对的，因此时间序列起点可为武器装备启动点，也可以是两个数据集任意相同的时间点。
22.所述s2中将正常工作状态下的基于时间序列的数据集和异常状态下的基于时间序列的数据集中相同时间点的数据点进行对比，提取异常数据，构建为异常数据集。
23.s3、对异常数据集提取异常数据特征，构建事件集；所述步骤s3包括以下分步骤：s31、对异常数据集，提取异常数据特征；所述s31中提取异常数据特征的公式为：
其中，为异常数据特征，为同类故障事件数据的样本数据量，为第个异常数据，为样本数据量中的数据均值，为第一权重参数，为第二权重参数。
24.s32、根据异常数据特征，找到对应的故障事件；s33、将异常数据特征和故障事件构建为事件集。
25.本实施例通过异常数据特征去表征数据的异常情况，相比于原始数据更能体现数据的异常情况，使得预测精度更高。
26.s4、采用事件集对故障预测模型进行训练，得到训练完成的故障预测模型；如图2所示，所述s4中故障预测模型包括：第一特征提取单元、第二特征提取单元、第三特征提取单元、第四特征提取单元、第一注意力融合模块、第二注意力融合模块、第一拼接模块和全连接层；所述第一特征提取单元的输入端分别与第二特征提取单元的输入端、第三特征提取单元的输入端和第四特征提取单元的输入端连接，并作为故障预测模型的输入端；所述第一注意力融合模块的第一输入端与第一特征提取单元的输出端连接，其第二输入端与第二特征提取单元的输出端连接，其输出端与第一拼接模块的第一输入端连接；所述第二注意力融合模块的第一输入端与第三特征提取单元的输出端连接，其第二输入端与第四特征提取单元的输出端连接，其输出端与第一拼接模块的第二输入端连接；所述全连接层的输入端与第一拼接模块的输出端连接，其输出端作为故障预测模型的输出端。
27.所述第一特征提取单元的卷积层的卷积核大小为1*1，第二特征提取单元的卷积层的卷积核大小为3*3，第三特征提取单元的卷积层的卷积核大小为5*5，第四特征提取单元的卷积层的卷积核大小为7*7。
28.4种不同尺寸的卷积核，从四种维度提取特征，并引入注意力融合模块，对重点特征进行关注。
29.如图3所示，所述第一注意力融合模块和第二注意力融合模块包括：第一卷积层、第二卷积层、第三卷积层、全局平均池化层、加权全局平均池化层、全局最大池化层和第二拼接模块；所述第一卷积层的输入端分别与第二卷积层的输入端和第三卷积层的输入端连接，并作为第一注意力融合模块或第二注意力融合模块的输入端；所述全局平均池化层的输入端与第一卷积层的输出端连接，其输出端与第二拼接模块的第一输入端连接；所述加权全局平均池化层的输入端与第二卷积层的输出端连接，其输出端与第二拼接模块的第二输入端连接；所述全局最大池化层的输入端与第三卷积层的输出端连接，其输出端与第二拼接模块的第三输入端连接；所述第二拼接模块的输出端作为第一注意力融合模块或第二注意力融合模块的输出端。
30.将全局平均池化层、加权全局平均池化层和全局最大池化层关注的特征进行融
合，使得数据特征丰富，防止重要特征的丢失，拼接模块用于将数据进行拼接后输入到后续模块。
31.s5、通过传感器采集装备数据，对装备数据进行滤波处理；所述步骤s5中滤波公式为：其中，为第个滤波数据，为第个滤波数据，为数据个数，为个滤波数据的均值，为第个装备数据，为个装备数据的均值，为第个装备数据，为第个滤波数据。
32.s6、计算并将滤波处理后的装备数据的异常数据特征输入训练完成的故障预测模型，得到装备将发生的故障类型。
33.在步骤s6中计算滤波处理后的装备数据的异常数据特征的公式与步骤s31中的相同。
34.本发明通过对比正常状态下的数据集和异常状态下的数据集，从而确定异常数据集，但异常数据集本身数据量非常庞大，且其无法明显体现出数据的异常，因此，将其转为异常数据特征，通过故障预测模型找到异常数据特征与故障事件之间的对应关系，无需再分析各个传感数据间复杂的关系，且故障预测模型是针对整个复杂系统，因此，相比于通过单一模型去预测故障，具有更精确的预测精度。