[发明专利]一种复杂装备退化阶段的预测方法

权利要求书

1.一种复杂装备退化阶段的预测方法，其特征在于，所述方法包括如下步骤：

步骤S1：建立线性自回归模型与非线性神经网络混合的多维参数预测模型；

步骤S2：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；

步骤S3：通过步骤S1所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；

步骤S4：将步骤S3得到的各参数的预测值输入步骤S2所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。

2.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述非线性神经网络，包括隐含层和输出层，所述隐含层包括线性自回归模型和循环层，线性自回归模型与非线性神经网络模型并行，其中线性自回归模型用全连接层模仿自回归预测线性成分，非线性网络则预测高频非线性变化，二者结果相加作为预测向量。

3.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述多维参数预测模型的建立具体步骤如下：

步骤S1.1：将复杂装备在整个生命周期过程中多源传感器采集得到的信号数据构成历史数据库；

步骤S1.2：对历史数据库数据进行数据预处理；

步骤S1.3：通过皮尔逊系数对复杂装备多维参数进行相关性分析，进行特征选择；

步骤S1.4：结合S1.2、S1.3处理的输入数据，构建线性自回归模型与非线性神经网络混合的多维参数预测模型。

4.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述在线监测数据在输入多维参数预测模型前先对在线监测数据进行数据预处理，并选择相关的特征作为输入。

5.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述非线性神经网络模型通过历史数据训练，调整模型结构与模型参数。

6.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述k均值聚类模型的建立包括如下步骤，

S2.1选取监测数据空间中的K个对象作为初始中心，即各退化阶段中心；

S2.2根据数据对象与S2.1所述各退化阶段中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心所对应的退化阶段；

S2.3更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；

S2.4判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，重新划分类别。

7.根据权利要求3或4所述的一种复杂装备退化阶段的预测方法，其特征在于，所述数据预处理的方法包括缺失值填充、异常值剔除和数据归一化以及噪声去除。

8.根据权利要求1所述的一种复杂装备退化阶段的预测方法，其特征在于，所述监测数据为多维时间序列数据。

9.根据权利要求5所述的一种复杂装备退化阶段的预测方法，其特征在于，所述历史数据训练包括如下步骤，

步骤一、根据构建的预测模型的输入输出结构，基于时序监测数据构造监督式的样本，并划分训练集和测试集；

步骤二、设定模型超参数，初始化网络中神经元参数，并设计损失函数、参数优化器及训练收敛结束条件；

步骤三、输入训练样本，进行前向传播计算；

步骤四、计算模型损失函数，并判断损失函数是否收敛；

步骤五、若损失函数收敛，则训练完成；否则误差反向传播，优化模型参数，迭代重复步骤三和步骤四，直到损失函数满足要求或满足训练结束条件，并判断预测精度是否满足要求。

10.一种复杂装备退化阶段的预测系统，其特征在于，所述系统包括如下模块：

第一计算模块：用于建立线性自回归模型与非线性神经网络混合的多维参数预测模型；

第二计算模块：建立用于输出复杂装备退化阶段的预测结果的k均值聚类模型；

第一执行模块：用于通过第一计算模块所述的多维参数预测模型依据输入的复杂装备的在线监测数据计算得出各参数的预测值；

第二执行模块：用于将第一执行模块得到的各参数的预测值输入第二计算模块所述k均值聚类模型度量预测状态与各退化中心的距离，根据预测状态与各退化中心的距离进行退化阶段匹配，输出复杂装备退化阶段的预测结果。