一种基于逻辑回归与灰色理论的极地气象设备健康度预测方法

1.本发明属于数字孪生领域，具体涉及一种极地气象设备健康度预测的方法。


背景技术：

2.当前，极地地区已经成为每个国家进行气候观测，能源开采等重要的战略要地。同时极地的气候观测，数据采集也对极地的科学研究具有重大意义。因此我们需要对极地气象设备进行实时的健康维护。然而极地环境中，由于环境恶劣，易出现极端低温，那么采用人力对极地气象设备进行运行维护十分的困难。并且当设备出现健康原因的损坏，那么其停机的时间也会相对较长，其停机期间的极地气象数据也无法进行采集和获取。基于以上原因我们需要将数字孪生技术应用于极地气象设备当中，并提前对设备的健康度进行预测，以尽可能的避免因极地气象设备较长停机导致的较多气象数据缺失的情况出现。
3.然而，目前大部分数字孪生健康度预测模型的构建大多采用以下两种方式，基于装备机理构建的方式，以及基于数据驱动的方式。基于装备机理构建的方式需要对每个设备进行详细的建模，同时需要详细的设备参数。同时极地环境下，各种环境因素对装备寿命退化机理也会产生影响，这些都难以用机理模型进行表征。然而在众多采用数据驱动的方式来构建数字孪生模型的方法中，往往又都依赖于足够的历史数据，同时当环境发送变化后，之前训练好的模型不再适用新的环境。然而极地环境复杂多变，同时设备寿命相对较短，极地数据较难获取，数据量也相对较少，那么直接采用目前较为通用的数字孪生健康度预测模型的构建方式则不太适用。
4.综上所述，研究适合极地气象设备健康度预测的数字孪生模型具有重要的研究意义，即该模型不需要依赖于大量的历史数据，同时该模型可以在各种环境下进行实时的动态构建并且能够对未来一定时间的设备健康度进行评估预测。


技术实现要素：

5.要解决的技术问题
6.为了避免现有技术的不足之处，本发明提供一种基于逻辑回归与灰色理论的极地气象设备健康度预测方法，其不仅适用于极地环境多变的场景，同时也考虑到了极地环境下数据获取和采集相对困难，数据量相对较少的特点。
7.技术方案
8.一种基于逻辑回归与灰色理论的极地气象设备健康度预测方法，其特征在于：
9.step 1选取衡量极地气象设备寿命健康的特征数据，并将这些数据打上标签。
10.step 2建立逻辑回归函数，并对逻辑回归函数的参数进行求解。
11.step 3根据逻辑回归函数将衡量极地气象设备寿命健康的特征数据转化为设备的健康度数据。
12.step 4获取极地气象设备近期的历史健康度数据。
13.step 5对极地气象设备近期的历史健康度数据进行背景值优化。
14.step 6在优化后的健康度数据上建立灰色预测模型。
15.step 7判断极地气象设备未来一段时间(中短期)寿命是否即将到期。
16.本发明进一步的技术方案：所属步骤step1中的选取衡量极地气象设备寿命健康的特征数据，并将这些数据打上标签的方法为：
17.step 1.1将极地气象设备的数据根据时间戳进行可视化，将表现为随着时间发展其数据呈现线性或非线性下降趋势的数据作为衡量极地气象设备寿命健康的特征数据。
18.step 1.2将衡量极地气象设备寿命健康的特征数据打上标签，可以认为当数据随着时间下降到某一固定值时，其设备的健康度较差，并将该固定值以下的数据标记为0，其余的标记为1(当已有数据量不足时，可以自己构建训练逻辑回归参数的数据集，只需要满足标签标记的规则即可)。
19.本发明进一步的技术方案：所属步骤step2中的建立逻辑回归函数，并对逻辑回归函数的参数进行求解的方法为：
20.step 2.1建立逻辑回归函数其中hdi和y表示衡量极地气象设备寿命健康的特征数据的标签，xi表示衡量极地气象设备寿命健康的特征数据，βi为逻辑回归的参数。
21.step 2.2根据step2.1的公式可以得到pi(hdi＝0|xi)＝1-pi(hdi＝1|xi)，由此可以得到，对于样本数据(x,y)，对于这个样本，它的标签是y的概率可以定义为p(y|x,β)＝(g
β
(x))y(1-g
β
(x))
1-y
，将此概率可以作为设备的健康度水平，其值为0-1之间，数值越接近1表示设备越健康，否则设备健康度越差。
22.step2.3根据p(y|x,β)＝(g
β
(x))y(1-g
β
(x))
1-y
，可以得到其对数似然函数，并通过梯度下降法进行参数βi的求解。
23.本发明进一步的技术方案：所属步骤step3中的根据逻辑回归函数将衡量极地气象设备寿命健康的特征数据转化为设备的健康度数据的方法为：
24.step 3.1对于已知参数βi的逻辑回归函数其中hd为设备的健康度，只需将衡量极地气象设备寿命健康的特征数据带入公式即可得到设备当前的健康度。
25.本发明进一步的技术方案：所属步骤step4中的获取极地气象设备近期的历史健康度数据的方法为：
26.step 4.1极地气象设备近期的历史健康度数据包括设备当前的健康度数据以及设备过去一段时间的历史健康度数据。其中设备当前的健康度数据可通过step3.1中的步骤得到，设备过去一段时间的历史健康度数据可通过数字孪生平台所构建的数据库中进行获取。
27.本发明进一步的技术方案：所属步骤step5中的对极地气象设备近期的历史健康度数据进行背景值优化的方法为：
28.step 5.1极地气象设备近期的历史健康度数据进行背景值优化采用基于密度聚类的方式，将噪声健康度数据修改为hdi＝0.2
×
hd
i-1
0.8
×
hd
i 1
i≥2，hdi表示当前时间戳
的设备健康度，其中基于密度聚类的相似度度量采用马氏距离。
29.本发明进一步的技术方案：所属步骤step6中的在优化后的健康度数据上建立灰色预测模型的方法为：
30.step 6.1灰色预测模型基于gm(1,1)进行构建，gm(1,1)表示1阶的，1个变量(健康度)的微分方程型模型。
31.step 6.2构建灰色预测模型的输入x
(0)
(t)＝{x
(0)
(1),x
(0)
(2),...,x
(0)
(n)}，并将x
(0)
(t)进行累加得到x
(1)
(t)＝{x
(1)
(1),x
(1)
(2),...x
(1)
(n)}，其中
32.step 6.3根据x
(1)
(t)得到z
(1)
(t)＝{z
(1)
(1),z
(1)
(2),...,z
(1)
(n)}，其中
33.step 6.4根据x
(0)
(t)和z
(1)
(t)以及灰色预测模型的最小二乘法，得到其中
34.step 6.5由此可以得到累加的预测值由和做差可以得到预测值同时约定
35.本发明进一步的技术方案：所属步骤step7中的判断极地气象设备未来一段时间(中短期)寿命是否即将到期的方法为：
36.step 7.1根据灰色预测模型，可由极地气象设备近期的健康度数据x
(0)
(t)＝{x
(0)
(1),x
(0)
(2),...,x
(0)
(n)}预测设备未来中短期的健康度数据{x
(0)
(n 1),x
(0)
(n 2),...,x
(0)
(n m)}，中短期表现为
37.step 7.2如果{x
(0)
(n 1),x
(0)
(n 2),...,x
(0)
(n m)}中的数据有小于0.3的数值，那么认为该设备寿命快要到期，需要提前去对设备维修。否则可以认为该设备未来一段时间状态良好，不需要对设备进行维修。
38.有益效果
39.本发明提供的一种基于逻辑回归与灰色理论的极地气象设备健康度预测方法，首先通过逻辑回归函数将衡量极地气象设备健康的实时数据转换为极地气象设备的健康度，其中逻辑回归函数的参数由极大似然函数采用梯度下降法进行求解。其次考虑到极地环境下数据相对较少，同时极地环境中不同季度气温多变，因此需要大量数据并进行长期预测的模型不适合极地环境，故采用了灰色理论模型，通过近期设备的健康度数据来对设备未来中短期的健康度进行预测，并在灰色理论模型构建前，通过基于马氏距离的密度聚类来修改构建灰色模型的背景值，其在一定程度提高了灰色模型的预测精度。最后采用降水仪
在不同低温环境下的测试数据验证了该模型的有效性和一定的先进性。本发明方法不仅适用于极地环境多变的场景，同时也考虑到了极地环境下数据获取和采集相对困难，数据量相对较少的特点。
附图说明
40.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
41.图1极地气象设备健康度预测的方法构建流程；
42.图2极地气象设备(降水仪)健康预测数字孪生框架；
43.图3降水仪脉冲光源健康度随时间变化趋势；
44.图4mgm(1,1)与lstm的预测效果对比；
45.图5mgm(1,1)与迁移学习的lstm的预测效果对比。
具体实施方式
46.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
47.实施例1：
48.步骤1选取衡量极地气象设备寿命健康的特征数据，并将这些数据打上标签。
49.步骤1.1此处选取了降水仪脉冲光源的功率作为衡量极地气象设备寿命健康的特征数据，降水仪脉冲光源的功率表现为随着时间推移，由于脉冲光源的老化，其输出功率呈现线性或非线性下降的趋势。
50.步骤1.2降水仪的脉冲光源在满功率运行下的输出功率为1w左右，故将0-0.5w以下的功率标记为0，其余的标记为1。
51.步骤2建立降水仪脉冲光源的逻辑回归函数，并对逻辑回归函数的参数进行求解。
52.步骤2.1建立逻辑回归函数其中hdi和y表示降水仪脉冲光源的输出功率的标签，x1表示降水仪脉冲光源的输出功率，β0和β1为逻辑回归的参数。
53.步骤2.2根据步骤2.1的公式可以得到pi(hdi＝0|x1)＝1-pi(hdi＝1|x1)，由此可以得到，对于样本数据(x1,y)，对于这个样本(降水仪脉冲光源功率，标签)，它的标签是y的概率可以定义为p(y|x1,β)＝(g
β
(x1))y(1-g
β
(x1))
1-y
，将此概率可以作为降水仪脉冲光源的健康度水平，其值为0-1之间，数值越接近1表示降水仪越健康，否则降水仪健康度越差。
54.步骤2.3根据p(y|x1,β)＝(g
β
(x1))y(1-g
β
(x1))
1-y
，可以得到其对数似然函数，并通过梯度下降法进行参数βi的求解。解得：β0＝-4.23958011，β1＝8.89139928。由此得到其中x1表示降水仪脉冲光源得输出功率，hd
脉冲光源
表示降水仪脉冲光源的健康度，即降水仪的健康度。
55.步骤3根据降水仪脉冲光源的逻辑回归函数将降水仪脉冲光源的输出功率转化为设备的健康度数据。
56.步骤3.1根据公式其中x1表示降水仪脉冲光源得输出功率。其转化后的降水仪健康度随时间变化的趋势如图3所示。
57.步骤4获取降水仪脉冲光源近期的历史健康度数据。
58.步骤4.1降水仪脉冲光源近期的历史健康度数据为数据库中最近插入的80条时间戳数据。当数据库的数据量不满足80条时间戳数据时，可以认为降水仪脉冲光源在寿命退化的初期，其健康度较为良好，不对其进行预测计算。
59.步骤5对降水仪脉冲光源近期的历史健康度数据进行背景值优化。
60.步骤5.1极地气象设备近期的历史健康度数据进行背景值优化采用基于密度聚类的方式，将噪声健康度数据修改为hdi＝0.2
×
hd
i-1
0.8
×
hd
i 1
i≥2，hdi表示当前时间戳的设备健康度，其中基于密度聚类的相似度度量采用时间与设备健康度的马氏距离。
61.步骤6在优化后的健康度数据上建立灰色预测模型。其预测实验将700个时间戳的数据分成了7组，用0-80的健康数据预测80-100的健康数据，用100-180的健康数据预测180-200的健康数据......，用600-680的健康数据预测680-700的健康数据。并将背景值优化后的动态构建灰色预测方法mgm(1,1)和lstm模型、使用迁移学习的lstm模型做对比。其预测结果如图4和图5所示，预测效果如表1所示。
62.其预测效果可以通过均方根误差，平均绝对百分比误差，模型精度来衡量。
63.设其中x
(0)
(i)表示降水仪健康度的实际值，表示降水仪健康度的预测值。那么其残差根据其残差可以计算平均绝对百分比误差均方根误差以及模型精度p＝(1-ε(i))
×
100％。其7组的平均预测效果对比如表1所示。
64.步骤7判断极地气象设备未来一段时间(中短期)寿命是否即将到期。
65.步骤7.1在此处，则用降水仪脉冲光源健康度的前80项数据预测后20项，如果后20项数据有小于0.3的健康度数值，则可以认为降水仪的健康程度即将到期。
66.表1降水仪健康度预测方法效果对比
[0067][0068]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。