基于模型融合的电动螺旋压力机健康评价指数预测方法及系统

本发明属于健康评价指数预测相关，更具体地，涉及一种基于模型融合的电动螺旋压力机健康评价指数预测方法及系统。

背景技术：

1、螺旋压力机是一种广泛应用于工业生产中的重要机械设备，可应用于生产锻造产品，加工金属材料能。其基本结构包括机身、传递系统、控制系统、润滑系统等部分。而在传动系统中，电动螺旋压力机通常采用电机驱动，通过螺旋副等装置实现对滑块的往复运动，进而完成对金属材料的锻造加工。在长期使用过程中，螺旋压力机的关键部件会因为受到压力、摩擦、磨损等多种因素的影响而产生劣化和故障，这对设备的安全运行和经济效益都会产生重要影响。因此，对螺旋压力机关键部件的健康评价指数进行预测和管理，对于提高设备运行的可靠性和降低维修成本具有重要意义。

2、传统的螺旋压力机健康评价预测方法主要是基于经验和试验的方式，对关键部件进行定期检测和维护，但这种方法存在周期长、人工干预大、准确度低等缺点。随着智能制造和物联网技术的发展，越来越多的厂商开始将传感器和数据采集设备应用到螺旋压力机上，以实现对设备的实时监控和健康状态预测。

3、目前，常用的电动螺旋压力机健康评价指数预测方法主要基于物理模型或数据挖掘方法，但是物理模型方法需要对系统进行详细建模，涉及到多种物理参数的测量和计算，不仅需要大量的时间和精力，而且不可避免的存在模型误差。而数据挖掘方法主要是基于机器学习的方法，通常需要大量的数据进行训练和模型优化，但是由于电动压力机是一个高度非线性和动态的系统，单一的数据源很难反映其真实的工作状态。因此，开发一种基于数据融合的电动螺旋压力机关键部件寿命预测方法显得尤为重要。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于模型融合的电动螺旋压力机健康评价指数预测方法及系统，通过构建堆叠模型，能够准确的对电动螺旋压力机健康评价指数进行预测。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于模型融合的电动螺旋压力机健康评价指数预测方法，包括：s1：采集电动螺旋压力机的历史运行数据和历史维修数据；s2：建立层次评价模型，包括目标层、准则层和子准则层，其中，以电动螺旋压力机的部件的剩余寿命作为目标层，以健康评价指数作为准则层，并以所述历史运行数据和历史维修数据作为所述子准则层；s3：基于所述层次评价模型获得判断矩阵，在判断矩阵中对所述子准则层中各参数进行权重分配获得历史综合健康评价指数；s4：构建包括第一层基础模型和第二层元模型的健康评价指数预测模型，其中，第一层基础模型采用循环神经网络构建，采用所述历史运行数据和历史维修数据对所述第一基础模型进行训练和验证；第二层元模型采用岭回归模型构建，将所述第一基础模型的输出作为所述第二层元模型的输入，并将所述历史综合健康评价指数作为输出，对所述第二层元模型进行训练；s5：健康评价指数预测模型训练完成后，将电动螺旋压力机的当前运行数据和当前维修数据作为输入，实现对电动螺旋压力机健康评价指数的预测。

3、优选地，步骤s3具体包括：s31：采用相对标度对运行数据和历史维修数据分别进行两两比较获得判断矩阵；s32：采用特征值法计算子准则层中各参数的权重，获得历史综合健康评价指数。

4、优选地，步骤s3还包括采用专家经验对健康水平进行分级，并确定每级健康水平对应健康评价指数的阈值。

5、优选地，步骤s4中所述采用所述历史运行数据和历史维修数据对所述第一基础模型进行训练和验证具体为：对所述历史运行数据和历史维修数据进行归一化处理；对归一化的数据进行交叉验证，而后输入所述第一基础模型进行训练和验证。

6、优选地，步骤s4中所述采用所述历史运行数据和历史维修数据对所述第一基础模型进行训练和验证具体为：将所述历史运行数据和历史维修数据划分为k-fold交叉验证中的k个折；将k个折中的数据循环进行k-fold交叉验证，获得训练集和验证集；对所述训练集和验证集按时序进行序列化；采用序列化的训练集和验证集分别对所述第一基础模型进行训练和验证。

7、优选地，步骤s4中所述将所述第一基础模型的输出作为所述第二层元模型的输入，并将所述历史综合健康评价指数作为输出，对所述第二层元模型进行训练具体包括：将所述第一基础模型的输出划分为训练集和验证集，并将所述历史综合健康评价指数作为岭回归模型的目标输出值；设置所述岭回归模型的正则化参数；采用所述训练集和验证集对所述岭回归模型进行训练和验证。

8、优选地，采用交叉验证法获得所述岭回归模型的正则化参数。

9、优选地，采用所述训练集和验证集对所述岭回归模型进行训练和验证具体为：采用所述训练集对所述岭回归模型进行训练，基于训练结果以最小化损失函数调整所述岭回归模型的参数；采用所述验证集对训练好的岭回归模型的预测结果进行评估，基于评估结果对所述正则化参数进行调整。

10、优选地，还包括：s6：将电动螺旋压力机的本体结构、运行数据和维修数据与对应的综合健康评价指数进行映射，构建知识数据库。

11、本技术第二方面提供了一种基于模型融合的电动螺旋压力机健康评价指数预测系统，包括：数据采集模块：用于采集电动螺旋压力机的历史运行数据和历史维修数据；层次评价模型构建模块：用于建立层次评价模型，包括目标层、准则层和子准则层，其中，以电动螺旋压力机的部件的剩余寿命作为目标层，以健康评价指数作为准则层，并以所述历史运行数据和历史维修数据作为所述子准则层；历史综合健康评价指数获取模块：用于基于所述层次评价模型获得判断矩阵，在判断矩阵中对所述子准则层中各参数进行权重分配获得历史综合健康评价指数；健康评价指数预测模型构建模块：用于构建包括第一层基础模型和第二层元模型的健康评价指数预测模型，其中，第一层基础模型采用循环神经网络构建，采用所述历史运行数据和历史维修数据对所述第一基础模型进行训练和验证；第二层元模型采用岭回归模型构建，将所述第一基础模型的输出作为所述第二层元模型的输入，并将所述历史综合健康评价指数作为输出，对所述第二层元模型进行训练；预测模块：用于健康评价指数预测模型训练完成后，将电动螺旋压力机的当前运行数据作为输入，实现对电动螺旋压力机健康评价指数的预测。

12、总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种基于模型融合的电动螺旋压力机健康评价指数预测方法及系统主要具有以下有益效果：

13、1.本技术构建包括第一层基础模型和第二层元模型的健康评价指数预测模型，采用融合的方式融合了循环神经网络模型与岭回归模型，通过串行的融合方式有效的结合了二者的优点，既能处理序列数据，捕捉时序特征，也能够处理多重共线性，具有较强的泛化能力，提高预测的稳定性与准确性，因此能够准确的对电动螺旋压力机健康评价指数进行预测。

14、2.本技术基于层次评价模型获得历史综合健康评价指数，通过对各参数进行权重分配，实现对强相关参数的强化和弱相关参数的弱化，保证了健康评价指数评估的合理性和准确性。

15、3.本技术通过设置和调整岭回归模型的正则化参数，保证了岭回归模型的泛化能力。

16、4.本技术通过将第一层基础模型和第二层元模型进行迭代堆叠，通过反复训练所述两层模型来提高融合模型的鲁棒性和泛化能力，并且增加正则化项减少过拟合风险。