【技術實現步驟摘要】
本專利技術涉及故障預測，尤其涉及一種柴油發電機組故障預測方法、模型、及儲存介質。
技術介紹
1、柴油發電機組因其良好的適應性和經濟性，在通信、工業等各個行業領域中得到了廣泛應用。它們能夠在市電不穩定或無法供應的情況下提供可靠的電力支持，保障企業的正常運營。然而，柴油發電機組在運行過程中難免會出現各種故障，如潤滑系統問題、增壓器故障、燃油系統異常等。這些故障不僅會影響企業的生產進程，甚至可能造成重大經濟損失。因此，對柴油發電機組進行故障預測具有重要意義，它可以幫助維護人員提前采取措施，減少故障帶來的損失，延長設備使用壽命。
2、在一種現有技術中，具體實施方式包括：傳感器遍布機組關鍵處收集溫度、壓力等多維度運行數據，匯總成數據集后，機器學習（如決策樹算法依數據特征構建樹狀結構判斷故障分支）和深度學習（神經網絡經輸入、隱藏層計算轉換在輸出層得結果，cnn?處理振動圖像數據提取特征，rnn?及其變體捕捉時間序列數據趨勢）算法登場。利用大量歷史數據訓練模型并調整參數以識別故障模式，訓練好的模型接收新采集數據，分析判斷后輸出故障類型及可能性，為維護人員提供參考預防故障。
3、然而，現有技術中得出的預測結果僅僅是故障的種類，并未進一步將輸出的結果進行迭代優化，使得得出的預測結果準確性較差。
技術實現思路
1、本專利技術提供了一種柴油發電機組故障預測方法、模型、及儲存介質，以解決現有技術中得出的預測結果僅僅是故障的種類，并未進一步將輸出的結果進行迭代優化，使得得出的預測結果
2、第一方面，為了解決上述技術問題，本專利技術提供了一種柴油發電機組故障預測方法，包括：
3、獲取柴油發電機組運行數據；
4、根據所述柴油發電機組運行數據進行歸一化處理，得到柴油發電機組運行數據樣本集合；
5、根據所述柴油發電機組運行數據樣本集合進行高維映射，得到擴展運行數據樣本集；
6、根據所述擴展運行數據樣本集進行距離計算，得到歐式距離；
7、根據所述歐式距離和預先儲存的故障位置發生函數進行特征提取，得到局部特征；
8、根據所述局部特征通過模型進行輸出，得到第一故障類別和第一故障發生可能性；
9、根據所述第一故障類別和所述第一故障發生可能性進行轉換，得到第二故障類別和第二故障發生可能性；
10、根據所述第二故障類別和所述第二故障發生可能性進行集合輸出，得到預測輸出值；
11、根據所述預測輸出值與預先儲存的期望輸出值進行誤差分析，得到第一故障預測模型參數；
12、根據所述第一故障預測模型參數進行算法迭代優化，得到第二故障預測模型參數；
13、根據所述第二故障預測模型參數對預先儲存的故障預測模型進行調整優化后輸出，得到故障預測結果。
14、在第一方面的一種可實現方式中，所述根據所述柴油發電機組運行數據進行歸一化處理，得到柴油發電機組運行數據樣本集合，包括：
15、根據所述柴油發電機組運行數據進行特征提取，得到屬性值和特征向量；
16、根據所述屬性值進行均值和方差計算，得到屬性值均值和屬性值標準差；
17、根據所述屬性值和所述特征向量進行整合計算，得到運行數據樣本；
18、根據所述運行數據樣本、所述屬性值均值和所述屬性值標準差進行歸一化處理，得到柴油發電機組運行數據樣本集合。
19、在第一方面的一種可實現方式中，所述根據所述屬性值和所述特征向量進行整合計算，得到運行數據樣本，包括：
20、通過以下公式計算得到運行數據樣本：
21、
22、其中，表示運行數據樣本、表示柴油發電機組運行數據樣本集合中第個數據樣本的第個屬性值、表示第?個屬性值的特征向量，?表示第個屬性值的特征向量，?為控制鄰域影響范圍參數，?為柴油發電機組運行數據樣本集合中數據樣本選取的相似度最高的鄰節點數量、表示特征向量之間的歐氏距離。
23、在第一方面的一種可實現方式中，所述根據所述歐式距離和預先儲存的故障位置發生函數進行特征提取，得到局部特征，包括：
24、通過以下公式計算得到局部特征：
25、
26、其中，表示局部特征、為擴展運行數據樣本集中樣本與樣本的歐式距離、為擴展運行數據樣本集中樣本與擴展運行數據樣本集中第類故障發生位置對應的樣本的歐式距離、表示預先儲存的故障發生位置函數、為第個擴展運行數據樣本的故障類別、為預先儲存的故障類別數、為擴展運行數據樣本集的索引、為權重系數。
27、在第一方面的一種可實現方式中，所述根據所述第一故障類別和所述第一故障發生可能性進行轉換，得到第二故障類別和第二故障發生可能性，包括：
28、通過以下公式進行計算得到第二故障類別和第二故障發生可能性：
29、c
30、
31、其中，c表示第二故障類別、表示第二故障發生可能性、表示預先儲存的擴展運行數據樣本集中擴展運行數據樣本數量、表示第個擴展運行數據樣本對應第類故障的第一故障發生可能性、表示第個擴展運行數據樣本對應第類故障的第一故障類別、表示預先儲存的故障類別數、表示第個擴展運行數據樣本發生第類故障的第一故障發生可能性、表示第個擴展運行數據樣本對應第類故障的第一故障類別、表示故障類別序號、表示擴展運行數據樣本序號。
32、在第一方面的一種可實現方式中，所述根據所述預測輸出值與預先儲存的期望輸出值進行誤差分析，得到第一故障預測模型參數，包括：
33、通過以下公式計算得到第一故障預測模型參數：
34、
35、其中，表示第一故障預測模型參數、表示預先儲存的故障類別數、表示預先儲存的擴展運行數據樣本集中擴展運行數據樣本數量、表示預測輸出值、表示預先儲存的期望輸出值、表示故障類別序號、表示擴展運行數據樣本序號。
36、在第一方面的一種可實現方式中，所述根據所述第一故障預測模型參數進行算法迭代優化，得到第二故障預測模型參數，包括：
37、根據所述第一故障預測模型參數使用梯度下降法進行迭代，得到更新故障預測模型參數；直至所述預測輸出值與所述預先儲存的期望輸出值的誤差小于預設閾值時，終止迭代，并把此時的所述更新故障預測模型參數作為第二故障預測模型參數進行輸出。
38、第二方面，本專利技術提供了一種柴油發電機組故障預測模型，包括：
39、數據獲取模塊，用于獲取柴油發電機組運行數據；
40、數據處理模塊，用于根據所述柴油發電機組運行數據進行歸一化處理，得到柴油發電機組運行數據樣本集合；
41、高維映射模塊，用于根據所述柴油發電機組運行數據樣本集合進行高維映射，得到擴展運行數據樣本集；
42、距離計算模塊，用于根據所述擴展運行數據樣本集進行距離計算，得到歐式距離；
43、特征提取模塊，用于根據所述歐式距離和預先儲本文檔來自技高網...
【技術保護點】
1.一種柴油發電機組故障預測方法，其特征在于，由計算機執行，包括：
2.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述柴油發電機組運行數據進行歸一化處理，得到柴油發電機組運行數據樣本集合，包括：
3.根據權利要求2所述的柴油發電機組故障預測方法，其特征在于，所述根據所述屬性值和所述特征向量進行整合計算，得到運行數據樣本，包括：
4.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述歐式距離和預先儲存的故障位置發生函數進行特征提取，得到局部特征，包括：
5.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述第一故障類別和所述第一故障發生可能性進行轉換，得到第二故障類別和第二故障發生可能性，包括：
6.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述預測輸出值與預先儲存的期望輸出值進行誤差分析，得到第一故障預測模型參數，包括：
7.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述第一故障預測模型參數進行算法
8.一種柴油發電機組故障預測模型，其特征在于，包括：
9.一種電子設備，其特征在于，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至7中任意一項所述的柴油發電機組故障預測方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行如權利要求1至7中任意一項所述的柴油發電機組故障預測方法。
...【技術特征摘要】
1.一種柴油發電機組故障預測方法，其特征在于，由計算機執行，包括：
2.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述柴油發電機組運行數據進行歸一化處理，得到柴油發電機組運行數據樣本集合，包括：
3.根據權利要求2所述的柴油發電機組故障預測方法，其特征在于，所述根據所述屬性值和所述特征向量進行整合計算，得到運行數據樣本，包括：
4.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述歐式距離和預先儲存的故障位置發生函數進行特征提取，得到局部特征，包括：
5.根據權利要求1所述的柴油發電機組故障預測方法，其特征在于，所述根據所述第一故障類別和所述第一故障發生可能性進行轉換，得到第二故障類別和第二故障發生可能性，包括：
6.根據權利要求1所述的柴油發電機組故障預測方...
【專利技術屬性】
技術研發人員：羅建，王偉發，馬威，劉維田，卿海，謝財，
申請(專利權)人：深圳市怡昌動力技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。