热压机到寿预测方法及系统与流程

本发明涉及机器学习，具体涉及一种热压机到寿预测方法及系统。

背景技术：

1、热压机具有复杂的物理结构，在电池生产过程中产生着重大影响，为了防止该设备突发失效从而导致电池生产中断，因此需要进行热压机的剩余使用时间预测，提前做好应急处置及设备更换工作，确保生产过程持续进行、健康工作。热压机在生产过程中会输出数量大、维度高且具有时序性质的数据，这些历史数据能够表征部件的工作状态和物理特性。

2、到寿预测算法的核心任务正是基于热压机输出的历史数据推理出部件剩余使用时间，近些年关于到寿预测算法被广泛关注和研究，例如基于信息融合与小波变换的信号处理方法、基于状态参数估计的数学模型、基于深度学习的设备到寿预测等，尤其深度学习在设备到寿预测上有众多方案。但使用小波变换或傅里叶分解信号需要设置小波基函数和谐波基函数，不具有普适性；使用深度学习的方法存在着大量的超参数需要人为设定，通常采用人工经验调参或网格法搜索，较为耗时。

3、相关技术中，公布号为cn114791571a的专利申请文献提出的基于改进cso lstm网络的锂离子电池寿命预测方法中，采用集合经验模态对电池数据进行预处理，采用改进cso选取lstm最优超参数，建立基于改进lstm的锂离子电池寿命预测模型。但该方案中采用集合经验模态对数据进行预处理，所得到的本征模态分量中会残留一定的白噪声，影响后续的分析与处理，且模型训练优化过程较为耗时。

技术实现思路

1、本发明所要解决的技术问题在于如何实现热压机到寿预测。

2、本发明通过以下技术手段解决上述技术问题的：

3、第一方面，本发明提出了一种热压机到寿预测方法，所述方法包括：

4、s1、采集热压机的实时运行数据作为待处理数据；

5、s2、在所述待处理数据中加入白噪声，得到待分解信号；

6、s3、对所述待分解信号进行经验模态分解，并对模态分解结果求平均，得到本征模态分量；

7、s4、计算所述待处理数据去除所述本征模态分量后得到的残差信号，将所述残差信号作为待处理数据执行所述步骤s2～s3，直至获得的残差信号为单调函数，确定本征模态分量数量；

8、s5、基于所述本征模态分量数量对所述实时运行数据进行分解后，输入至预先训练好的预测模型，得到热压机到寿预测结果。

9、进一步地，在所述采集热压机的实时运行数据作为待处理数据之后，所述方法还包括：

10、对所述实时运行数据进行预处理，得到预处理后的运行数据。

11、进一步地，所述对所述待分解信号进行经验模态分解，并对模态分解结果求平均，得到本征模态分量，包括：

12、对所述待分解信号进行经验模态分解，并对模态分解结果求平均，得到的本征模态分量公式表示为：

13、

14、式中：表示本征模态分量，n表示模态分量的数量，cj(t)表示第j个模态分量。

15、进一步地，所述计算所述待处理数据去除所述本征模态分量后得到的残差信号，公式表示为：

16、

17、式中，rn(t)表示第n次分解后得到的残差信号，rn-1(t)表示第n-1次分解后得到的残差信号，表示第n次分解得到的本征模态分量。

18、进一步地，在所述采集热压机的实时运行数据作为待处理数据之前，所述方法还包括：

19、采集热压机设备历史运行数据，并对所述历史运行数据进行预处理，得到预处理后的历史运行数据；

20、对预处理后的所述历史运行数据进行经验模态分解，得到历史本征模态分量并构建数据集；

21、将所述数据集中的时序特征作为所述预测模型的输入，采用粒子群算法对模型超参数进行自寻优，得到预先训练好的所述预测模型。

22、进一步地，将所述数据集按照比例划分为训练集、测试集和验证集，所述将所述数据集中的时序特征作为所述预测模型的输入，采用粒子群算法对模型超参数进行自寻优，得到预先训练好的所述预测模型，包括：

23、初始化粒子群算法的参数，所述参数包括粒子种群数目、粒子速度和粒子位置；

24、将所述训练集中的数据输入所述预测模型就进行预训练，并计算预训练后的预测模型在验证集上的均方差，将所述均方差作为适应度函数值；

25、更新粒子群个体速度信息、位置信息及权重信息；

26、判断是否满足迭代终止条件，如否则继续迭代，若是则输出粒子群体历史最佳位置信息；

27、将所述粒子群体最佳位置信息作为超参数值进行模型训练；

28、模型训练结束后，使用测试集对该预测模型进行精确度测试，得到预先训练好的所述预测模型。

29、进一步地，所述粒子群个体的权重信息的更新结果为：

30、

31、式中：wmin、wmax分别表示w的最大值和最小值，t表示当前迭代步数，tmax表示最大迭代步数。

32、进一步地，所述对预处理后的所述历史运行数据进行经验模态分解，得到历史本征模态分量并构建数据集，包括：

33、对预处理后的所述历史运行数据进行经验模态分解，得到历史本征模态分量；

34、将所述历史本征模态分量通过滑动窗口进行时序特征提取，利用提取的时序特征构建数据集。

35、进一步地，所述预测模型包括lstm神经网络和全连接层fc，所述lstm神经网络的输出连接所述全连接层fc。

36、第二方面，本发明提出了一种热压机到寿预测系统，所述系统包括：

37、采集模块，用于采集热压机的实时运行数据作为待处理数据；

38、噪声添加模块，用于在所述待处理数据中加入白噪声，得到待分解信号；

39、模态分解模块，用于对所述待分解信号进行经验模态分解，并对模态分解结果求平均，得到本征模态分量；

40、残差计算模块，用于计算所述待处理数据去除所述本征模态分量后得到的残差信号，将所述残差信号作为待处理数据依次执行所述噪声添加模块和所述模态分解模块的动作，直至获得的残差信号为单调函数，确定本征模态分量数量；

41、寿命预测模块，用于基于所述本征模态分量数量对所述实时运行数据进行分解后，输入至预先训练好的预测模型，得到热压机到寿预测结果。

42、本发明的优点在于：

43、(1)本发明将采集的热压机实时运行数据作为待处理数据，并在待处理数据中加入白噪声，得到待分解信号，然后对待分解信号进行经验模态分解，为减少噪声的影响，对经验模态分解的结果求平均，得到本征模态分量，为有效解决白噪声从高频到低频转移的问题，接着从待处理数据中取出本征模态分量，得到残差信号，然后将残差信号作为待处理数据，重复执行添加白噪声、经验模态分解、计算残差信号等步骤，直至得到的残差信号为单调函数，不能继续分解，则经验模态分解过程结束，确定本征模态分量数量；通过使用改进的经验模态分解算法(empirical mode decomposition，emd)能够根据设备自身信号的时序数据自适应生成固有模态函数从而摈弃人为设定基底函数进行信号分解，且能够解决白噪声从高频向低频转移的问题，从而消除白噪声，提高热压机到寿预测的准确性。

44、(2)本发明使用粒子群算法(particle swarm optimization，pso)对预测模型超参数进行自寻优，从而解决人工调试和网格搜索费时费力的问题。

45、(3)在粒子群算法中，由于较大的惯性因子有利于跳出局部最小点，便于全局搜索，而较小的惯性因子则有利于对当前的搜索区域进行精确局部搜索，以利于算法收敛，降低模型训练时间，为此本发明在使用粒子群算法对模型进行训练的过程，设置自适应线性变化的权重，通过自适应粒子群权重的改进，利于算法收敛，有效降低了模型训练时间。

46、(4)通过将长短期记忆网络(long short-term memory，lstm)的最后一个输出端与全连接层进行连接，利用全连接层对lstm网络的输出数据进行回归预测。

47、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。