[发明专利]结合BP神经网络与二参数威布尔分布的故障率预测方法

摘要

本发明结合BP神经网络与二参数威布尔分布的故障率预测方法涉及工程实际应用过程中设备可靠性领域，更具体地涉及利用BP神经网络与二参数威布尔分布相结合的方法对设备故障率进行预测。本发明的技术方案如下所示：结合BP神经网络与二参数威布尔分布的故障率预测方法如下：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充。其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测。最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导。

主权项

1.一种结合BP神经网络与二参数威布尔分布的故障率预测方法，其特征在于：首先，利用BP神经网络建立数据预测模型及故障状态预测模型，对故障时刻数据集进行扩充；包括以下步骤：（1）根据指定设备确定输入、输出向量；（2）根据输入、输出向量构造BP神经网络预测模型；（3）对BP神经网络进行网络训练；（4）输入测试集样本到预测模型中，通过对输入样本得到的预测值与实际值之间的对比分析，根据其误差是否小于设定的阈值判断此模型是否可用，若不可用则执行步骤（5）；（5）对模型中中间层进行调整或选用其他方法，直至满足设定阈值；其次，根据由BP神经网络预测模型所得的故障数据，对故障数据集进行扩充，再利用二参数威布尔分布对设备故障率进行预测，包括以下步骤：（1）基于故障数据扩充集建立二参数威布尔分布规律的设备故障率模型；（2）对所述故障率模型进行参数估计，从而得到故障率函数，故障模型参数包括形状参数、特征寿命参数；（3）根据所述故障率函数即可预测得到未来时刻点对应故障率或未来时间段平均故障率；最后，可根据此方法预测所得到的未来时刻点对应故障率或未来时间段平均故障率对实际生产提出建设性意见为设备检维修计划作出指导；利用BP神经网络对已有数据进行预测，从而完成数据的扩充，并建立故障状态预测模型，进一步对参数数据进行分析；（1）根据指定设备确定输入输出向量；根据BP神经网络中传递函数的特性，需要对全部数据进行归一化处理，将数据换算为[0,1]之间的数据，公式如下所示：其中：χmin、χmax表示输入数据的最小、最大值，χi表示原始数据，χi’表示原始数据对应得到归一化处理后的数据；（2）根据输入输出向量构造BP 神经网络模型；根据输入向量的元素量确定输入层的神经元数量；根据输入层和输出层的神经元数量确定BP 神经网络中间层神经元数量，其中，BP神经网络中间层的神经元传递函数采用S 型正切函数；根据输出向量的元素量确定输出层的神经元数量，其中，输出层神经元传递函数采用S 型对数函数；（3）对BP 神经网络进行网络训练；根据所构造BP 神经网络模型的神经元数量设定训练参数，其中所述训练参数包括：训练次数、训练目标以及学习速度；当BP 神经网络结构比较复杂，神经元个数比较多时，可适当增大训练次数和学习速率；（4）输入测试样本对训练后的BP 神经网络进行网络测试；（5）针对测试结果使用BP神经网络再预测其故障状态，或者对预测值使用反归一化并与设定危险阈值进行对比，判断其危险状态。