一种基于大数据的故障预测方法与流程

技术特征：
1.一种基于大数据的故障预测方法，其特征在于，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。2.根据权利要求1所述的基于大数据的故障预测方法，其特征在于，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。3.根据权利要求1所述的基于大数据的故障预测方法，其特征在于，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。4.根据权利要求3所述的基于大数据的故障预测方法，其特征在于，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。5.根据权利要求1所述的基于大数据的故障预测方法，其特征在于，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。6.根据权利要求5所述的基于大数据的故障预测方法，其特征在于，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。7.根据权利要求5所述的基于大数据的故障预测方法，其特征在于，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。8.根据权利要求1所述的基于大数据的故障预测方法，其特征在于，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。

技术总结
本发明属于武器设备故障预测技术领域，本发明的一种基于大数据的故障预测方法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。度。度。


技术研发人员：魏强 杨金龙 易明权
受保护的技术使用者：四川观想科技股份有限公司
技术研发日：2022.06.17
技术公布日：2022/7/22