一种基于蒙特卡洛树搜索和神经网络的故障预测方法与流程

本发明涉及互联网领域和设备监测领域，具体涉及到一种基于蒙特卡洛树搜索和神经网络的故障预测方法。

背景技术：

基于蒙特卡洛树搜索和神经网络的故障预测方法，基于大数据模式挖掘与探索、以及循环神经网络预测。能够根据当前系统状态及历史状态预测下一时刻的系统状态。最接近本发明的技术有：

(1)、基于统计的故障检测算法：该方法通常用户用某个统计分布对数据点进行建模，再以假定的模型，根据点的分布来确定是否异常。这方面比较有代表性的有1967年mikey,dunn&clark提出的基于“均数漂移”模型的单点诊断量，1970年gentleman&wilk提出的群组诊断量等，然而该方法解释离群点的意义时经常发生多义性，且不能考虑多维数据。

(2)、基于自编码器的故障诊断算法：大多数自动编码器都是基于深度架构技术，堆叠多个自动编码器形成堆叠自动编码器，可以自主学习数据隐含的特征，hoyeoplee等使用堆叠降噪自动编码器模型识别传感器信号中的全局和不变量特征进行晶片故障诊断。

(3)、基于深度置信网和受限玻尔兹曼机的故障诊断方法：受限玻尔兹曼机的显层用于输入训练数据，隐层用作特征检测器。堆叠受限玻尔兹曼机形成深度置信网。深度置信网和受限玻尔兹曼机着重于学习数据的特征表示，实现测量数据从低级到高级的特征表示和提取。prasanna等提出了一种使用深度置信网逐层连续学习的多传感器健康诊断方法，实现了传感器健康状态特征的分类，并在飞机发动机健康诊断、电力变压器健康诊断取得了较好的效果

其中，基于统计的故障检测算法欠缺对多维数据的计算。而(2)、(3)基于深度学习的方法主要通过机械设备全部可能发生的运行状态(正常或故障)组成状态空间，观测到的特征值取值范围构成特征空间，某一状态对应确定的特征，通过特征向量来判断设备的状态，实现故障分析。然而，它们大都基于已有的状态和数据进行分析，并不能针对未发生过的故障进行探索发现和预测。基于蒙特卡洛树搜索和神经网络的故障预测方法则通过基于已有的历史数据的规律指导，对于各种设备运行状态进行探索已发现可能发生的一些故障并对系统运行状态进行预测。

技术实现要素：

为解决现有技术中的缺点和不足，本发明提出了基于蒙特卡洛树搜索和神经网络的故障预测方法，根据当前系统状态及历史状态预测下一时刻的系统状态和故障概率。

本发明的技术方案为：

一种基于蒙特卡洛树搜索和神经网络的故障预测方法，其特征在于，蒙特卡洛树模块、循环神经网络模块、上限置信区间算法模块、选择模块、评估模块和更新模块，包括以下步骤：

步骤(1)、在蒙特卡洛树模块，根据输入的数据构造一棵初始的蒙特卡洛系统运行状态树，根据不同的运行状态数据确定不同的分支，标出故障节点；

步骤(2)、在循环神经网络模块，根据输入的历史数据对循环神经网络进行训练，根据一定长度的历史数据预测下一时刻的系统运行状态数据和故障概率；

步骤(3)、在上限置信区间算法模块，该模块是启发函数的一部分，是为了对系统运行状态树的各个分支进行拓展，确定是对当前系统运行状态深度挖掘还是拓展一个不曾有过得到系统运行状态分支；

步骤(4)、在选择模块，根据设备运行状况和对于新故障探索的需要设计搜索启发函数，用于对同一级的节点进行打分，用以选出最合适的路径，从而方便对于未知故障的探索。

步骤(5)、在评估模块，将当前数据节点向前延伸一个周期长度的数据运行轨迹输入循环神经网络中，由循环神经网络输出对其的评估结果。。

步骤(6)、在更新模块，根据循环神经网络的评估结果，对蒙特卡洛系统运行状态树更新，然后再根据蒙特卡洛系统运行状态树的结果计算奖励值反馈给循环神经网络，用以指导循环神经网络的参数更新。

本发明的有益效果：

(1)通过蒙特卡洛树模块，建立起对于系统运行状态的有效描述，将故障状态与发生故障之前的运行状态建立联系，从而能够发现故障发生的征兆；

(2)通过循环神经网络建立起对于系统运行状态的预测以及对于故障率的预测；

(3)通过将蒙特卡洛树模块和循环神经网络结合，形成一个相互迭代优化的过程。进而提升循环神经网络的预测准确度和对故障的预测能力，同时实现对于新故障的预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于蒙特卡洛树搜索和神经网络的故障预测方法动态模拟图

图2为基于蒙特卡洛树搜索和神经网络的故障预测方法的流程图

图3为基于蒙特卡洛树搜索和神经网络的故障预测方法的总体流程图

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明的基于蒙特卡洛树搜索和神经网络的故障预测方法，其特征在于，蒙特卡洛树模块、循环神经网络模块、上限置信区间算法模块、选择模块、评估模块和更新模块。

下面结合图1与图2，对基于蒙特卡洛树搜索和神经网络的故障预测方法的具体流程进行详细说明：

步骤(1)、在蒙特卡洛树模块，根据输入的数据构造一棵初始的蒙特卡洛系统运行状态树，根据不同的运行状态数据确定不同的分支，标出故障节点；

步骤(2)、在循环神经网络模块，根据输入的历史数据对循环神经网络进行训练，根据一定长度的历史数据预测下一时刻的系统运行状态数据和故障概率；

步骤(3)、在上限置信区间算法模块，该模块是启发函数的一部分，是为了对系统运行状态树的各个分支进行拓展，确定是对当前系统运行状态深度挖掘还是拓展一个不曾有过得到系统运行状态分支；

步骤(4)、在选择模块，根据设备运行状况和对于新故障探索的需要设计搜索启发函数(选择函数)ri，用于对同一级的节点进行打分，用以选出最合适的路径，从而方便对于未知故障的探索。

q(s_i)＝(vi+1,pi+1)

以ri评分为选择基础，vi是由循环神经网络根据当前数据运行轨迹做出的评估，wi是依据数据节点上保存的相关信息计算的一个权值，ti为当前数据节点的搜索次数。该函数在选择阶段会更多的偏向于探索过程，即经验参数c会被设定较大。q(s_i)为循环神经网络，vi+1为选择下一个数据节点，pi+1为该数据节点的故障率；

步骤(5)、在评估模块，将当前数据节点向前延伸一个周期长度的数据运行轨迹输入循环神经网络中，由循环神经网络输出对其的评估结果。循环神经网络是一个深度学习的神经网络，会事先输入数据集进行预训练，不断运行生成虚拟数据。

步骤(6)、在更新模块，根据循环神经网络的评估结果，对所扩展的数据节点向前延伸一个周期的数据运动轨迹上的数据节点上的权值、搜索总次数、故障次数等进行更新，在对蒙特卡洛系统运行状态树更新完成后，再根据蒙特卡洛系统运行状态树的结果计算奖励值反馈给循环神经网络，用以指导循环神经网络的参数更新。

循环神经网络将以当前参数状态为输入，预测当前状态下故障的概率以及下一步参数的变化动作以及每种动作的故障概率。在训练阶段，先使用真实数据和生成数据预训练蒙特卡洛系统运行状态树和循环神经网络。该故障预测方法总体看是一个强化学习过程，在训练该强化学习模型时，使用循环神经网络和启发函数来构造一个选择函数，用于对每个动作进行评估以决定下一步动作。在模拟实验阶段，使用选择函数来预测并决定以后模拟一个周期的参数变化，多次模拟计算故障率，将模拟结果进行反馈，更新蒙特卡洛系统运行状态树上的各种信息，之后根据分支环模型上的相关信息计算奖励值反馈给循环神经网络进行更新优化，在不断的迭代更新中，使分析预测能力逐步增强。

在预测阶段，给定一组时间序列数据，在蒙特卡洛系统运行状态树上匹配最相近的轨迹，预测故障率，根据实际故障发生的情况对蒙特卡洛系统运行状态树上数据节点的状态进行更新。

本发明的基于蒙特卡洛树搜索和神经网络的故障预测方法，通过蒙特卡洛树模块，建立起对于系统运行状态的有效描述，将故障状态与发生故障之前的运行状态建立联系，从而能够发现故障发生的征兆；通过循环神经网络建立起对于系统运行状态的预测以及对于故障率的预测；通过将蒙特卡洛树模块和循环神经网络结合，形成一个相互迭代优化的过程。进而提升循环神经网络的预测准确度和对故障的预测能力，同时实现对于新故障的预测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。