专利摘要
本发明涉及复杂工业设备故障预测技术领域，具体涉及一种基于在线学习的复杂工业关键部件故障预测方法及系统，通过建立基于在线学习的复杂工业关键部件故障预测体系，再通过规范化的故障预测结果不确定性评估体系改进故障预测体系，构建组合预测模型体系，将获取到的复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果，能有效提高制造过程中复杂工业关键部件的故障预测精确度。
权利要求
1.一种基于在线学习的复杂工业关键部件故障预测方法，其特征在于，包括以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
其中，所述步骤A具体包括：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系。
2.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法，其特征在于，所述步骤B具体包括：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或不确定性指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
3.根据权利要求1所述的一种基于在线学习的复杂工业关键部件故障预测方法，其特征在于，所述步骤C具体包括：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性；
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
4.一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
其中，所述步骤A中控制模块读取所述指令具体执行步骤为：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系。
5.根据权利要求4所述的一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，所述步骤B中控制模块读取所述指令具体执行步骤为：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或不确定性指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
6.根据权利要求4所述的一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，所述步骤C中控制模块读取所述指令具体执行步骤为：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性；
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
说明书
技术领域
本发明涉及复杂工业设备故障预测技术领域，具体涉及一种基于在线学习的复杂工业关键部件故障预测方法及系统。
背景技术
随着世界经济的不断发展，复杂工业的发展越来越多的受到重视，现已成为衡量综合实力的标志。随着越来越多的工业设备投入使用，如何能够保证这些复杂工业健康稳定的运行成了至关重要的问题。复杂工业设备运行在严苛的环境中，环境变化、性能耗损等原因都有可能使得复杂工业设备出现故障，为设备管理工作增加难度。当复杂工业设备发生故障时，需要耗费大量的人力、物力去诊断和解决故障，如果能在故障发生之前通过对复杂工业设备各方面性能、数据的观察推断出可能发生的故障并提前预警，采取预防措施就可以在制造过程中对复杂工业关键部件进行故障预测，从而把故障发生的概率降低在最小的范围之内，保证复杂工业设备运行的可靠性，因此制造过程中的故障预测在复杂工业设备领域具有很强的现实意义。
如何提高制造过程中复杂工业设备故障预测的精确度，特别是关键部件的故障预测精确度成为关键问题。
发明内容
本发明提供一种基于在线学习的复杂工业关键部件故障预测方法及系统，能有效提高制造过程中复杂工业关键部件故障预测的精确度。
本发明提供的一种基于在线学习的复杂工业关键部件故障预测方法及系统，所述方法包括以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A具体包括：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；通过故障预测体系的性能评估技术，对在线流数据进行制造过程新增知识在线学习方法的故障分类特征提取及异常识别、基于在线学习的预测特征提取和故障预测。
进一步，所述步骤B具体包括：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，验证复杂环境下评估体系有效性和规范性，形成规范化的不确定性评估流程与量化评估方法，改进故障预测体系；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C具体包括：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A中控制模块读取所述指令具体执行步骤为：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；
进一步，所述步骤B中控制模块读取所述指令具体执行步骤为：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
本发明的有益效果是：本发明公开一种基于在线学习的复杂工业关键部件故障预测方法及系统，通过建立基于在线学习的复杂工业关键部件故障预测体系，再通过规范化的故障预测结果不确定性评估体系改进故障预测体系，构建组合预测模型体系，将获取到的复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果，能有效提高制造过程中复杂工业关键部件的故障预测精确度。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种基于在线学习的复杂工业关键部件故障预测的方法流程示意图；
图2是本发明的故障预测体系的方法结构示意图；
图3是本发明的故障预测结果不确定性评估体系的方法结构示意图；
图4是本发明一种基于在线学习的复杂工业关键部件故障预测方法的结构示意图。
具体实施方式
参考图1—4，本发明提供的一种基于在线学习的复杂工业关键部件故障预测方法及系统，所述方法包括以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A具体包括：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；通过故障预测体系的性能评估技术，对在线流数据进行制造过程新增知识在线学习方法的故障分类特征提取及异常识别、基于在线学习的预测特征提取和故障预测。
进一步，所述步骤B具体包括：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，验证复杂环境下评估体系有效性和规范性，形成规范化的不确定性评估流程与量化评估方法，改进故障预测体系；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C具体包括：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
一种基于在线学习的复杂工业关键部件故障预测系统，其特征在于，包括控制模块和存储控制指令的存储模块，控制模块读取所述指令执行以下步骤：
A、建立基于在线学习的复杂工业关键部件故障预测体系；
B、建立规范化的故障预测结果不确定性评估体系，从而改进故障预测体系，构建组合预测模型体系；
C、获取复杂工业关键部件的健康特征指数作为输入数据，通过组合预测模型体系获得预测结果；
进一步，所述步骤A中控制模块读取所述指令具体执行步骤为：
通过在线流数据预处理、在线异常检测、在线学习方法评估进行基于在线学习的异常检测；
通过不确定性源分析，测度指标分析，验证与确认体系进行预测性能评估；
通过基于在线学习的异常检测和预测性能评估，结合预测特征在线提取、健康状态趋势评估和故障预测模型，建立基于在线学习的复杂工业关键部件故障预测体系；
进一步，所述步骤B中控制模块读取所述指令具体执行步骤为：
根据复杂工况条件下故障预测体系不确定性的影响因素，建立描述不确定性指标或指标体系，在此基础上建立不确定性评估体系，所述评估体系包括评估模型和评估指标体系；
根据故障预测体系和不确定性评估体系，形成规范化的不确定性评估流程与量化评估方法；
采用测试数据评估建立的故障预测模型体系，验证复杂环境下不确定性评估体系的有效性和规范性，确定制造过程关键部件故障预测不确定性主要来源，改进故障预测体系。
进一步，所述步骤C中控制模块读取所述指令具体执行步骤为：
根据在线学习制造过程中复杂工业关键部件新增数据特点，结合分析关键故障预测的需求，建立预测特征提取算法，并基于在线学习的预测组合提取算法的并行处理框架，提升算法的效率和收敛性。
采用自组织映射神经网络，构建能够评估关键部件健康状态趋势的模型，通过所述模型获取复杂工业关键部件的健康特征指数，将健康特征指数作为量化关键部件状态的量值；
结合基于相似性测量、支持向量机、神经网络和受限玻尔兹曼基的故障预测模型，将健康特征指数作为改进后的故障预测体系的输入数据，获得一定置信度下的预测结果。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。
基于在线学习的复杂工业关键部件故障预测方法及系统专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0