一种基于时间序列预测方法的采煤机故障预测方法

摘要

本发明公开了一种基于时间序列预测方法的采煤机故障预测方法，涉及计算机技术与故障预测交叉的研究技术领域，使用非线性方法中的支持向量机方法，依据训练样本训练出一个预测器，对后续时间序列进行预测，具体方案为：包括以下步骤：获取惩罚参数C和核函数参数，粒子群算法从n个随机粒子开始计算，每个粒子都作为一个候选解，每个粒子都是一个m维向量；包括以下步骤：初始化解空间，粒子评价，粒子更新，结果校验。粒子群算法对于求解极值最优问题应用较为广泛，粒子群算法根据约束范围内的所有可能的粒子，计算适应度值，通过不断的迭代，最终得到相应的极值最优解。

说明书

技术领域

本发明涉及计算机技术与故障预测交叉的研究技术领域，更具体地说，它涉及一种基于时间序列预测方法的采煤机故障预测方法。

背景技术

煤矿机械故障问题具有情况复杂、故障成本高、难以有效识别等问题。对于煤矿机械，其运行状态通常由完好到故障状态会经历一个演变过程。这时的状态称为异常状态。如果能在这段时期内发现设备的运转异常，并及时采取措施，将故障消除在萌芽状态，就能够避免故障或是事故的发生。

由此可以看出，与故障诊断功能相比，从某种意义上说，状态预报是现场生产更为迫切需要的一项功能。所以，必须对设备运转情况进行实时监测，预测设备运行数据的未来趋势，才能实现故障的早发现、早处理。这将对保证设备安全稳定运行，保护人们生命财产安全不受损失产生重大意义。

目前关于采煤机故障诊断大部分都是根据采煤机已经收集到的故障数据，再由专家根据经验方法分析采集到的故障数据，并进行故障分类和寻找对应的故障原因，经过一些算法对这些故障数据和故障原因进行故障分类学习，再由学习到的故障模型对未来数据进行故障预测。但是这些方法也有一些技术问题有待解决，如缺少对采煤机的工况条件的智能判断；在负样本过少的条件下，采煤机工作稳态难以确定；神经网络参数在煤矿机械工作条件下难以样本学习等。

时序预测可以分为线性方法以及非线性方法，线性方法需要针对具体情况建立对应的模型，对数据有着很高的要求，实际情况中很少满足。

发明内容

为解决上述技术问题，本发明提供一种基于时间序列预测方法的采煤机故障预测方法，使用非线性方法中的支持向量机方法，依据训练样本训练出一个预测器，对后续时间序列进行预测。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于时间序列预测方法的采煤机故障预测方法，包括以下步骤：

获取惩罚参数C和核函数参数，粒子群算法从n个随机粒子开始计算，每个粒子都作为一个候选解，每个粒子都是一个m维向量；具体包括以下步骤：

S1：初始化解空间，设置支持向量机参数组的初始选取范围，并随机产生初始搜索点的位置p及其速度v，并将每个粒子个体经历过的最好位置p

S2：粒子评价，通过适应度函数计算出各粒子位置的适应度值，如果优于该粒子当前的个体极值，则将p

S3：粒子更新，在每一次迭代中，粒子通过以下公式来跟踪当前所确定的个体极值和全局极值，对粒子的速度和位置进行更新；

v＝ω·v+c

p＝p+β·v

其中，p代表SVR参数(c，g)，v代表粒子位置更新方向和大小，β为约束因子，控制速度的权重；C

S4：结果校验，若粒子寻优的精度已经达到要求，或者目前迭代次数已经到达事先设定的最大次数，则停止迭代，输出结果，否则返回S2。

作为一种优选方案，记为预设的最大搜索次数为迭代控制参数。

作为一种优选方案，C

作为一种优选方案，预设的迭代次数不低于200。

作为一种优选方案，在S4得到输出结果后，根据输出结果获取惩罚参数C和核函数参数。

综上所述，本发明具有以下有益效果：

(1)粒子群算法对于求解极值最优问题应用较为广泛，粒子群算法根据约束范围内的所有可能的粒子，计算适应度值，通过不断的迭代，最终得到相应的极值最优解，粒子群算法能够求解很多复杂的工程问题，避免了问题无可行解的情况；

(2)粒子群算法算法简单，需要调节的参数不多，许多情况可以按经验值设置参数就能获得较好的收敛结果；

(3)算法采用实数编码，可直接取目标函数本身作为适应度函数，根据目标函数值进行迭代搜索。另外，算法的各微粒具有记忆性，算法搜索速度快，大多数情况下，微粒能收敛于最优解。

附图说明

图1是本发明实施例中参数优选的结果图；

图2是本发明实施例的液压系统体积流量SVR预测图；

图3是本发明实施例的液压系统体积流量pso-SVR预测图。

具体实施方式

本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包括”为一开放式用语，故应解释成“包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。

本说明书及权利要求的上下左右等方位名词，是结合附图以便于进一步说明，使得本申请更加方便理解，并不对本申请做出限定，在不同的场景中，上下、左右、里外均是相对而言。

以下结合附图对本发明作进一步详细说明。

一种基于时间序列预测方法的采煤机故障预测方法，包括以下步骤：

获取惩罚参数C和核函数参数，粒子群算法从n个随机粒子开始计算，每个粒子都作为一个候选解，每个粒子都是一个m维向量；具体包括以下步骤：

S1：初始化解空间，设置支持向量机参数组的初始选取范围，并随机产生初始搜索点的位置p及其速度v，并将每个粒子个体经历过的最好位置p

S2：粒子评价，通过适应度函数计算出各粒子位置的适应度值，如果优于该粒子当前的个体极值，则将p

S3：粒子更新，在每一次迭代中，粒子通过以下公式来跟踪当前所确定的个体极值和全局极值，对粒子的速度和位置进行更新；

v＝ω·v+c

p＝p+β·v

其中，p代表SVR参数(c，g)，v代表粒子位置更新方向和大小，β为约束因子，控制速度的权重；C

S4：结果校验，若粒子寻优的精度已经达到要求，或者目前迭代次数已经到达事先设定的最大次数，则停止迭代，输出结果，否则返回S2。

作为一种优选实施例，记为预设的最大搜索次数为迭代控制参数。

作为一种优选实施例，C

作为一种优选实施例，预设的迭代次数不低于200。

作为一种优选实施例，在S4得到输出结果后，根据输出结果获取惩罚参数C和核函数参数。

在进行参数的时间序列预测中，选用神经网络方法和支持向量机方法。

对于BP神经网格预测模型的构建，先确定以下几个数据：

1、输入层与输出层的选择

输出层的神经元个数有l个，即为下l时刻的预测值。模型的输入层神经元设定为m个,表示步长为m个。

2、隐含层的选择

从理论上讲，对于任何区间的连续函数都可以只用一个隐含层的BP神经网格来逼近，当传递函数不连续时，可以考虑两个甚至更多的隐含层。因此本申请选取1个隐含层，考虑到训练完成难易程度、泛化能力，本申请的隐含层神经元个数设置为5。

3、学习率的选择

学习率是一个常数，通常的取值范围是[0.1、0.8]。本申请通过比较法来确定相对较好的学习率。在设计BP神经网格时，通过MATLAB的BP神经网格工具箱函数newff来构建BP神经网格，BP神经网格初始化后，对神经网格进行参数设置。本申请利用train函数对神经网格net进行模型训练，训练次数设置为200，用训练后形成的BP神经网格预测模型与本申请SVM模型做对比实验。

支持向量机预测：

在非线性支持向量机的情况下，需要引入惩罚参数C和核函数参数，这两个基本参数的取值对预测精度有很大的影响。因此，选择合适的参数值对支持向量机的研究和应用具有重大意义。然而，人们仅仅通过大量的实验来获得更好的参数。该方法花费时间长，计算量大，得到的参数范围较大。因此，论文提出使用PSO算法对支持向量机中的两个参数通过筛选化的方式解决上述问题。粒子群算法对于求解极值最优问题应用较为广泛，粒子群算法根据约束范围内的所有可能的粒子，计算适应度值，通过不断的迭代，最终得到相应的极值最优解，粒子群算法能够求解很多复杂的工程问题，避免了问题无可行解的情况。总的来说，粒子群算法算法简单，需要调节的参数不多，许多情况可以按经验值设置参数就能获得较好的收敛结果。其次，算法采用实数编码，可直接取目标函数本身作为适应度函数，根据目标函数值进行迭代搜索。另外，算法的各微粒具有记忆性，算法搜索速度快，大多数情况下，微粒能收敛于最优解。

基本粒子群算法步骤如下：

PSO从n个随机粒子开始计算，通过每次粒子的移动迭代搜索最优粒子。每个粒子都是一个m维向量，代表一个候选解。SVR回归器是为每个候选解决方案构建的，通过交叉验证方法评估其在各个候选解下的性能。即在每次迭代中，PSO算法指导粒子接近SVR回归器下的潜在最优解子集，以达到最佳预测精度。通过更新粒子的历史最优位置以及粒子群的整体最优位置，并以此确定下一步的移动方向和速度。因此，平均而言，每个候选粒子群比它的上次迭代过程更加接近最优解。这个过程一直持续到SVR的性能收敛。具体包括以下四个步骤：

第一步：初始化解空间。设置支持向量机参数组的初始选取范围，并随机产生初始搜索点的位置p及其速度v，并将每个粒子个体经历过的最好位置pB设置为当前位置。

第二步：粒子评价。通过适应度函数计算出各粒子位置的适应度值，如果优于该粒子当前的个体极值，则将pB设置为该粒子的位置，并更新个体最佳适应度值，寻找最优个体极值点的适应度值。如果该粒子的最优个体极值好于当前的全局极值则记为全局极值点，并记录该点的粒子序号，将种群经过的最佳位置gb设置为该最优粒子的当前位置，并更新全局最佳适应度值。

第三步：粒子更新。在每一次迭代中，粒子通过下述公式来跟踪当前所确定的个体极值和全局极值，对粒子的速度和位置进行更新，p代表粒子的矢量速度，在本申请中，代表SVR参数(c，g)。v决定粒子位置更新方向和大小，称β为约束因子，控制速度的权重，c1、c2称为学习因子，ω称为惯性因子，r1、r2为介于(0,1)之间的随机数。

v＝ω·v+c

p＝p+β·v

第四步：结果校验。若粒子寻优的精度已经达到要求，或者目前迭代次数已经到达了事先设定的最大次数，就停止迭代，输出结果，否则返回第二步重新进行计算。

本申请中对粒子群参数调优算法下所需设定的各个参数也做出了比较合理的取值。种群最大数量的取值影响模型进行初始搜索的效率，搜索速度将会在其取值过于大的情况下变得特别缓慢；相反，若取值过小，模型又易出现局部最优的情况，因此，通过比较，本申请将其设定为20。另一方面，c1和c2作为模型关键的参数学习因子，是对粒子群优化算法学习能力的设定，取值范围通常设定为[1.2、2]，本申请将粒子群调优算法局部搜索能力c1定为1.5，同时，其参数全局搜索能力c2定为1.7。实际迭代次数200。

以径向基核函数为例，图1为参数寻优的结果图。

通过粒子群算法对径向基核函数进行参数寻优，SVM相应的最优惩罚参数c取值为15.73，而径向基核函数下的参数g取值为0.01。MSE为0.004。

以采煤机液压系统体积流量传感器采集到的数据为例：参数调优前后预测结果如图2和图3。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。