申请/专利权人：长春理工大学;长春理工大学重庆研究院

申请日：2023-12-06

公开（公告）日：2024-04-26

公开（公告）号：CN117370877B

主分类号：G06F18/2411

分类号：G06F18/2411;G06N3/006;G06F18/2131;G01M99/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.01.26#实质审查的生效;2024.01.09#公开

摘要：本发明公开一种基于多元传感器与IPSO‑GPR的农机故障预测方法，包括通过传感器和采集卡完成对农机各部件在正常运行状态下和非正常工作状态下的数据信号采集，由服务器存储数据信息，提取振动、温度、倾角和压力信号数据特征并记录故障信号标签类别，将信号数据输入IPSO‑GPR模型中进行预测，将信号数据输入IPSO‑SVM模型中进行故障分类并根据输出的最大故障概率值作为对农机故障诊断的预测结果，该种基于多元传感器与IPSO‑GPR的农机故障预测方法，通过传感器收集的信号数据预测未来农机可能发生的故障，为农机维修提供参考，提高农机维护的效率，也能快速了解农机故障的具体原因，有助于提高农机故障诊断的准确性和实时性。

主权项：1.一种基于多元传感器与IPSO-GPR的农机故障预测方法，其特征在于，包括：S1、通过传感器和采集卡完成对农机各部件在正常运行状态下和非正常工作状态下的数据信号采集，由服务器存储数据信息；S2、提取振动、温度、倾角和压力信号数据特征并记录故障信号标签类别；S3、将信号数据输入IPSO-GPR模型中进行预测；S4、将经过步骤S3预测后的预测数据输入IPSO-SVM模型中进行故障分类；S5、根据输出的最大故障概率值作为对农机故障诊断的预测结果；所述步骤S3中，将信号数据输入IPSO-GPR模型中进行预测如下：将信号数据作为历史数据进行训练，GPR选用平方指数作为核函数，表示为： 其中，其中表示信号方差，l是数据长度范围参数；进一步计算出预测值的后验分布： 其中表示预测值均值，Covy*表示预测值协方差矩阵，根据后验概确定预测数据的表达式，再通过IPSO优化超参数l提高GPR模型的拟合精度；利用IPSO算法对GPR的核函数的超参数l进行优化，其中粒子在可行解空间中移动寻找最优解，每个粒子的位置和速度根据自身和邻近粒子的经验进行更新，粒子信息表示为：Vi,t+1＝wVi,t+c1r1Pi-Xi,t+c2r2Pg-Xi,t；Xi,t+1＝Xi,t+Vi,t+1·Levyλ；其中Vi,t、Xi,t分别表示粒子i迭代t次后的速度和位置；w表示非线性惯性权重；c1、c2表示学习因子；r1、r2∈[0,1]；Pi、Pg分别表示粒子i迭代t次后的最优位置和全局最优位置；Levyλ表示莱维飞行步长，表示为： 其中Γ·表示伽马函数，β∈0,2，同时引入非线性惯性权重w： 其中wmax、wmin分别表示最大、最小惯性权重，tmax表示最大迭代次数；随着迭代次数的增加，惯性权重减小，提升算法后期寻优精度。

全文数据：

权利要求：

百度查询： 长春理工大学;长春理工大学重庆研究院 一种基于多元传感器与IPSO-GPR的农机故障预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD