本技術涉及故障預測，尤其涉及一種電氣設備故障預測方法及系統。

背景技術：

1、機器人機械臂的電氣設備種類繁多，不同類別的電氣設備如傳感器、電機和電源系統等因其工作原理、運行環境和使用場景的差異，具有顯著不同的故障特征和預測需求。即便是相同類別的電氣設備，例如溫度傳感器和位置傳感器，其故障模式、數據特征以及對預測精度的要求也存在明顯區別。這種多樣性和復雜性使得電氣設備的故障預測成為一個具有挑戰性的技術問題。

2、現有技術在對各類電氣設備進行故障預測時，通常采用單獨監測的方式，即為每個設備單獨構建預測模型。這種方法雖然能夠針對特定設備的故障特征進行定制化預測，但也導致了模型數量的急劇增加，不僅提高了系統的復雜性和維護成本，還難以實現設備之間的協同優化和整體健康狀態的綜合評估。

技術實現思路

1、本技術的發明人發現，現有的故障預測模型大多依賴歷史數據進行訓練和預測，數據來源通常比較單一，導致模型的時效性和準確性較差。實時數據能夠反映設備當前運行狀態的變化，對于捕捉突發性故障和動態調整預測模型具有重要意義。然而，現有方法在模型更新和優化過程中，通常采用固定的模型結構或靜態的權重分配策略，缺乏對實時數據的動態響應能力，從而限制了模型的預測精度和適應性。固定化的模型設計難以適應機器人機械臂運行狀態的動態變化，尤其是在機械臂的高負載、高精度作業場景中，設備的運行條件和工作負載可能隨時發生變化，進一步降低了預測模型的可靠性和精度，并且由于會忽略數據之間的關聯或者數據間關聯不明確，在通用性方面限制了模型的應用。

2、根據本發明的第一方面，提供了一種電氣設備故障預測方法，用于對機器人機械臂的電氣設備進行故障預測，包括如下步驟：

3、獲取目標電氣設備的設備標識、實時數據信息x和歷史預測誤差h(x)；

4、根據所述設備標識確定目標設備類別，并調用所述目標設備類別對應的目標優化模塊，并使所述目標優化模塊基于所述實時數據信息x和所述歷史預測誤差h(x)按照以下公式對預設的初始融合模型fbase(x)進行動態優化，以輸出目標預測融合模型fopt(x)，fopt(x)=fbase(x)+(γ×e-β|h(x)|+λs)×ws×x；

5、其中，γ和β均為系數，λs表示自適應修正項，ws表示目標電氣設備的權重參數，一個目標優化模塊對應一個設備類別；

6、基于所述設備標識和所述實時數據信息，使得所述目標預測融合模型輸出所述目標電氣設備的預測結果。

7、可選地，所述自適應修正項λs的獲取方法包括如下步驟：

8、獲取所述目標設備類別中所有電氣設備的歷史預測誤差和預設的基礎修正項λs(0)；

9、按照以下公式計算所述目標設備類別中所有電氣設備的平均誤差hs，

10、；

11、其中，n表示目標設備類別中的電氣設備數量，hi表示目標設備類別中第i個電氣設備的歷史預測誤差；

12、定義所述目標設備類別的影響因子αs和目標電氣設備的影響因子，αs=e-k|hs|，，k和p均表示調節系數；

13、按照公式計算獲得所述自適應修正項λs。

14、可選地，所述調節系數k按照如下公式獲取得到：

15、；

16、；

17、所述調節系數p按照如下公式獲取得到：

18、；

19、；

20、其中，k0和p0均為初始調節系數，tk和tp均為調節參數。

21、可選地，所述目標電氣設備的歷史預測誤差h(x)的獲取方法包括如下步驟：

22、獲取所述目標電氣設備在t-1時刻的預測誤差ht-1(x)、t-2時刻的預測誤差ht-2(x)以及t-1時刻之前的m個時刻的預測誤差均值hm(x)；

23、基于加權移動平均法按照以下公式計算獲得第一歷史預測誤差hewma,t-1(x)，

24、；

25、其中，q表示平滑因子，且0＜q＜1；

26、按照以下公式計算獲得第二歷史預測誤差tt(x)，

27、tt-1(x)=r×(ht-1(x)-ht-2(x))；

28、其中，r表示趨勢調節系數，且0.5＜r＜1.5；

29、按照公式h(x)=θ1×hewma,t-1(x)+θ2×tt-1(x)計算得到所述歷史預測誤差h(x)，其中，θ1和θ2均為常數，且兩者之和等于1。

30、可選地，所述初始融合模型fbase(x)的確定方法包括如下步驟：

31、將機器人機械臂的電氣設備進行類別劃分，從而得到多個設備類別；

32、針對每個設備類別，收集歷史數據并進行特征提取；

33、根據提取的特征類型從模型數據庫中選擇出與所述特征類型匹配的至少兩個基礎預測模型；

34、利用所述設備類別的歷史數據對選擇出的基礎預測模型進行訓練，并計算誤差指標，選擇出該設備類別的最優組合方式，以作為該設備類別的初始融合模型fbase(x)。

35、可選地，所述利用所述設備類別的歷史數據對選擇出的基礎預測模型進行訓練，并計算誤差指標，選擇出該設備類別的最優組合方式，以作為該設備類別的初始融合模型fbase(x)，包括如下步驟：

36、對每個設備類別的歷史數據按照時間段進行分段劃分，使用每個時間段的歷史數據對選擇出的基礎模型進行訓練；

37、按照以下公式計算每個基礎模型在每個時間段內的誤差，

38、；

39、其中，表示第i個基礎模型fi在時間段ti內的誤差，表示時間段ti內的樣本數量，表示實際值，表示預測值；

40、對每個時間段，選擇誤差最小的基礎模型作為該時間段內的最優模型；

41、按照如下公式統計所有時間段內各基礎模型被選為最優模型的頻率，

42、；

43、其中，表示第j個基礎模型，為時間段ti內的最優模型，表示指示函數；

44、選擇出頻率最高的至少兩個基礎模型融合作為目標基礎模型，若多個基礎模型的頻率相同，則選擇誤差最小的至少兩個基礎模型作為目標基礎模型；

45、對選擇出的目標基礎模型進行加權融合，得到初始融合模型fbase(x)。

46、可選地，所述對選擇出的目標基礎模型進行加權融合，得到初始融合模型fbase(x)，包括如下步驟：

47、對每個目標基礎模型計算其在所有時間段內的平均誤差；

48、根據所述目標基礎模型和誤差按照以下公式計算第i個基礎模型的權重，

49、；

50、其中，s表示目標基礎模型的集合，ε表示調節系數，表示第i個基礎模型的平均誤差；

51、獲取初始融合模型fbase(x)的公式，

52、；

53、其中，，k表示選擇出的目標基礎模型的數量。

54、可選地，所述初始融合模型fbase(x)的公式確定之后，還包括以下步驟：

55、每間隔預設時間，計算各基礎模型在最新歷史數據上的平均誤差；

56、在最新歷史數據的平均誤差超過閾值誤差后，觸發模型更新，以重新選擇最優基礎模型或調整目標基礎模型的權重，從而得到更新后的初始融合模型。

57、可選地，不同設備類別對應的初始融合模型fbase(x)中的權重參數ws滿足以下公式：

58、；

59、其中，ws(0)表示對應設備類別的初始權重參數。

60、根據本發明的第二方面，提供了一種電氣設備故障預測系統，包括至少一個處理器，所述至少一個處理器用于執行計算機程序或指令，以執行如前述的電氣設備故障預測方法對應的操作。

61、根據本技術的方案，通過獲取目標電氣設備的設備標識、實時數據信息x和歷史預測誤差h(x)，并基于設備標識調用目標設備類別對應的目標優化模塊，利用實時數據信息x和歷史預測誤差h(x)對初始融合模型fbase(x)進行動態優化，輸出目標預測融合模型fopt(x)，從而解決了現有技術中故障預測模型過度依賴歷史數據、實時數據利用不足以及模型固定化導致預測精度和時效性較差的問題。并且，針對不同設備類別（如傳感器、電機、電源系統等），本發明實施例提煉出了能夠適用于機器人機械臂的關鍵電氣設備的預測融合模型fopt(x)的通用公式，該公式通過動態調整自適應修正項λs和權重參數ws，能夠適應不同設備類別的故障特征和預測需求，從而在保持模型一致性的同時顯著提升預測精度和可靠性。此外，統一的預測融合模型fopt(x)不僅可以避免為每個設備類別單獨構建和維護多個模型，提高模型的通用性和可擴展性，還能夠不斷對模型進行調整，通過實時數據輔助修正模型，使其準確性不斷提升，同時還能夠減少計算資源的消耗。