[发明专利]一种基于熵特征的设备故障预测方法及系统

权利要求书

1.一种基于熵特征的设备故障预测方法，其特征在于，所述方法包括：

获取待测设备预设时刻的振动信号；

对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；

将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；

基于所述故障概率对所述待测设备进行故障预测。

2.如权利要求1所述的方法，其特征在于，所述对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据，包括：

获取所述振动信号数据的概率分布；

利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据。

3.如权利要去2所述的方法，其特征在于，所述利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据，包括：

按下式确定所述振动信号b对应的瑞利熵：

式中，H_α(P_b)为振动信号b对应的瑞利熵，P_b为振动信号b对应的概率分布，α为瑞利熵引入的来处理P的敏感性的参数，p_n(x)为概率分布P_b中第n个概率分布的概率方程，P_b＝[p₁,...,p_n,...p_N]，p_n为振动信号b对应的概率分布中的第n个概率分布。

4.如权利要求1所述的方法，其特征在于，所述设备故障概率预测模型的训练过程包括：

获取历史时段内各时刻振动信号经特征提取后各时刻的振动信号对应的瑞利熵特征时序数据；

利用移动平滑算法对所述各时刻的振动信号对应的瑞利熵特征时序数据进行平滑处理，得到平滑后的各时刻的振动信号对应的瑞利熵特征；

基于平滑后的各时刻的振动信号对应的瑞利熵特征以及高斯过程回归算法对高斯过程回归模型进行训练，得到训练好的设备故障概率预测模型。

5.如权利要求4所述的方法，其特征在于，所述对高斯过程回归模型进行训练时使用平方指数协方差函数mse，通过极大似然估计来求解核函数的超参数。

6.一种基于熵特征的设备故障预测系统，其特征在于，所述系统包括：

第一获取模块，用于获取待测设备预设时刻的振动信号；

第二获取模块，用于对所述获取的振动信号进行特征提取获取所述预设时刻的振动信号对应的瑞利熵特征数据；

第三获取模块，用于将所述振动信号对应的瑞利熵特征数据输入预先训练好的设备故障概率预测模型中，获取所述待测设备预设时刻对应的故障概率；

预测模块，用于基于所述故障概率对所述待测设备进行故障预测。

7.如权利要求6所述的系统，其特征在于，所述第二获取模块，包括：

获取单元，用于获取所述振动信号数据的概率分布；

确定单元，用于利用所述振动信号数据的概率分布确定所述振动信号对应的瑞利熵特征数据。

8.如权利要求6所述的系统，其特征在于，所述设备故障概率预测模型的训练过程包括：

获取历史时段内各时刻振动信号经特征提取后各时刻的振动信号对应的瑞利熵特征时序数据；

利用移动平滑算法对所述各时刻的振动信号对应的瑞利熵特征时序数据进行平滑处理，得到平滑后的各时刻的振动信号对应的瑞利熵特征；

基于平滑后的各时刻的振动信号对应的瑞利熵特征以及高斯过程回归算法对高斯过程回归模型进行训练，得到训练好的设备故障概率预测模型。

9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如权利要求1-5中任一的方法。

10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1-5中任一的方法。