(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111082191.7 (22)申请日 2021.09.15 (65)同一申请的已公布的文献号 申请公布号 CN 113850018 A (43)申请公布日 2021.12.28 (73)专利权人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 (72)发明人 范云生　孙艺萌　赵华林　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 姜玉蓉　李洪福 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/00(2006.01) G06N 20/10(2019.01) G06F 113/08(2020.01) (56)对比文件 CN 110046645 A,2019.07.23 CN 107346286 A,2017.1 1.14 袁冬芳等.主成分 分析结合极限学习机的高 炉炉温预测模型. 《内蒙古 科技大学学报》 .2017, (第04期), 黄陈林等.PCA和P SO-ELM在高炉铁水硅含量 中的预测仿真. 《计算机 仿真》 .2020,(第02期), 审查员 李祖布 (54)发明名称 一种基于机器学习的气动执行机构运行状 态预测方法 (57)摘要 本发明公开了一种基于机器学习的气动执 行机构运行状态预测方法， 该方法采用主成分分 析和多变量 极限学习机的相结合方法， 综合考虑 气动执行机构的时域和频域下的运行状态特征 指标， 能够解决气动执行机构运行状态预测过程 中考虑因素单一的问题， 提高气动执行机构运行 状态预测的准确性； 由于气动执行机构的六大性 能指标之间存在一定的相关性， 为此采用PCA对 这六大性能指标进行主成分分析， 这样不仅可以 消除数据之间的冗余性， 还可以确定出第一主成 分， 而第一主成分可以最大程度的反映气动执行 机构的运行状态信息 。 权利要求书2页 说明书10页 附图1页 CN 113850018 B 2022.10.04 CN 113850018 B 1.一种基于 机器学习的气动执 行机构运行状态预测方法， 其特 征在于包括： 采集气动执行机构的运行状态信息， 所述运行状态信息包括有杆侧 泄漏量、 无杆测 泄 漏量、 伸出行程时间、 缩回行程时间、 伸出始动压力和缩回始动压力六大性能指标， 对运行 状态信息进行分析获得气动执 行机构在正常以及失效情况 下该六大性能指标的分布情况； 对六大性能指标 数据进行 预处理； 采用主成分分析法算法对预处理后的六大性 能指标数据进行主成分分析， 确定第 一主 成分， 提取第一主成分的时域特征指标， 利用傅里叶变换求取第一主成分的频域特征指标， 利用气动执行机构历史运行状态信息对气动执行机构时域特征和频域特征进行相 应运行 状态划分， 确定气动执 行机构运行状态预测策略； 采用自适应粒子群优化算法确定所需要的嵌入维数和隐含层节点数、 从而搭建多变量 极限学习机预测模型； 求待测气动执行机构预测点之前运行状态评估指标的时域特征和频域特征信 息， 将求 得的时域和频域特征信息输入至多变量极限学习机预测模型进行训练， 把预测点之后求得 的时域和频域特 征信息作为模型测试集， 并运用均方根 误差检验 模型预测精度。 2.根据权利要求1所述的基于机器学习的气动执行机构运行状态预测方法， 其特征在 于： 对六大性能指标数据进 行预处理方式包括标准化处理、 滑动平均处理以及归一化处理， 从而消除数据之间的数量级差别。 3.根据权利要求1所述的基于机器学习的气动执行机构运行状态预测方法， 其特征在 于： 对六大性能指标数据进 行主成分分析时： 获取气动执行机构的最小动作压力、 行程时间 和泄漏量预处理结束后的数据， 将预 处理得到的气动执行机构运行状态评估数据作为主成 分分析的输入变量， 确定第一主成分， 该第一主成分最大程度的反 映气动执行机构的运行 状态信息 。 4.根据权利要求3所述的基于机器学习的气动执行机构运行状态预测方法， 其特征在 于： 采用主成分 分析法算法对六 大性能指标 数据进行主成分 分析时： 首先计算六 大性能指标 数据的相关系数矩阵R R＝(rij)(6×6) 式中， rij为因素i和因素j之间的相关系数， 具体 计算公式如下： 式中， i,j＝1,2, …,6； n为样本个数； 计算系数矩阵的特 征值和特 征向量 计算矩阵R的特征值λi， 并把其从大到小进行排序， 其对应的特征向量为αi， 由此得到主 成分矩阵Zij ||αi||＝1 式中， i,q＝1,2, …,6；权　利　要　求　书 1/2 页 2 CN 113850018 B 2计算六大主成分的贡献率， 具体 计算方法如下： 式中， k＝1,2…,6； 从而得到前k个主成分的累计贡献率即第一主成分 5.根据权利要求1所述的基于机器学习的气动执行机构运行状态预测方法， 其特征在 于： 对气动执 行机构时域特 征和频域特 征进行相应运行状态划分时： 参考气动执行机构全寿命运行状态评估指标的时域特征和频域特征信 息， 并对其分别 求导得到各点的斜 率， 根据斜 率的变化划分状态， 得到状态 Ⅰ、Ⅱ和Ⅲ的区间； 对参考气动执行机构全寿命运行状态评估指标的时域特征曲线和频域特征曲线分状 态进行直线拟合， 分别得到三条斜率不同的状态 直线， 并做全寿命区间的延 长线， 以备后续 预测气动执 行机构的运行状态之用。 6.根据权利要求1所述的基于机器学习的气动执行机构运行状态预测方法， 其特征在 于： 确定气动执行机构运行状态预测策略时， 对待测气动执行机构的未来运行状态进行预 测， 包括如下步骤： 求待测气动执 行机构预测点之前运行状态评估指标的时域特 征和频域特 征信息； 将求得的时域与 频域特征信 息输入到气动执行机构运行状态预测模型， 实现气动执行 机构运行状态预测； 将待测气动执行机构的预测值与参考气动执行机构三条直线上对应点的数值进行对 比， 将与此点距离最近的状态直线的状态确定为此点的状态。权　利　要　求　书 2/2 页 3 CN 113850018 B 3