[發明專利]一種基于多重長短期記憶網絡和經驗貝葉斯的設備壽命預測方法

在審

• 申請號: 201810287783.4
• 申請日: 2018-03-30
• 公開（公告）號: CN108520320A
• 公開（公告）日: 2018-09-11
• 發明（設計）人: 吳軍;程一偉;朱海平;邵新宇;黎國強
• 申請（專利權）人: 華中科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/02
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 周磊;曹葆青

本發明屬于機械設備狀態監測和壽命預測技術領域，并公開了一種基于多重長短期記憶網絡和經驗貝葉斯的設備壽命預測方法，包括以下步驟：1)獲取機械設備的多種監測信號，并對采集的監測信號進行預處理；2)對監測信號進行篩選，選取能較好反應機械設備退化過程的信號；3)構建多重長短期記憶網絡模型實現多個網絡同步訓練；4)將傳感器實時采集的信號輸入到多重長短期記憶網絡模型中，多個網絡進行并行預測，得到預測結果；5)利用經驗貝葉斯算法對預測結果的概率分布進行估計，推斷出最可能的設備剩余使用壽命。本發明能夠對機械設備的剩余使用壽命進行實時精確預測，實現機械設備故障的提前感知，保障機械設備的安全、穩定、長周期運行。

技術領域

本發明屬于機械設備狀態監測和壽命預測技術領域，更具體地，涉及一種基于多重長短期記憶網絡和經驗貝葉斯的設備壽命預測方法。

背景技術

伴隨著制造業向自動化、網絡化、綠色化、智能化的方向發展，機械設備結構越來越復雜，組成單元之間關聯度越來越高，且功能復合。一旦其發生故障，將難以及時準確地診斷出故障原因。此外，機械設備的運行環境復雜、工況多變，其組成單元可能發生不同程度的故障，造成機械設備的損壞甚至造成重大的安全事故。因此，需要對機械設備開展壽命預測，以在設備發生故障前及時采取預防性維修策略，避免故障突發。這一方面保障了機械設備的安全可靠運行，提高經濟效益，另一方面為維修提供了重要依據，降低了維修的成本。

循環神經網絡模型作為一種深度學習方法，得到了越來越多研究機構的關注。長短期記憶網絡作為一種新型的循環神經網絡模型，具有較高的泛化能力、較強的非線性映射能力和良好的自組織自學習能力等優點，目前被廣泛地應用于機械設備的狀態監測與壽命預測領域。然而，現有的文獻大多是表述使用單個網絡模型去預測，忽視了預測樣本由于加工過程的微變化和加工環境變化等原因造成的樣本性能的多樣性，這給機械設備剩余使用壽命的準確預測帶來了挑戰。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了基于多重長短期記憶網絡和經驗貝葉斯的設備壽命預測方法。所述的設備壽命預測方法運用多重長短期記憶網絡模型對采集的傳感器信號進行分析，實現并行預測；結合經驗貝葉斯算法，估計出最可能的剩余使用壽命，實現對設備剩余使用壽命的在線預測。

為實現上述目的，按照本發明，提供了一種基于多重長短期記憶網絡和經驗貝葉斯的設備壽命預測方法，其特征在于，包括以下步驟：

1)獲取機械設備的多種狀態監測信號，并采用指數移動平均法對采集的狀態監測信號進行平滑處理，處理公式如下：

其中，α為平滑系數，x_t是數據平滑前t時刻的采樣數據，y_t是數據平滑后t時刻的數據；

2)以下列公式(2)中SC為篩選依據，對所獲取的多種狀態監測信號進行篩選，選取能較好反應機械設備退化過程的狀態監測信號，其中

其中，Mon表示狀態監測信號的單調性，Corr表示狀態監測信號和運行時間之間的線性相關性，并且Mon和Corr表示如下：

其中，K是采樣點的總數，δ(·)是符號函數，f_T(t)是t時刻的平均趨勢特征值，并且f_T(t)表式如下：

其中，f_U(t)和f_L(t)是狀態監測信號數的上包絡線和下包絡線在t時刻的值；

3)構建多重長短期記憶網絡模型：在訓練階段，將采集的歷史狀態監測信號劃分成不同的數據塊，使得每個數據塊和多重長短期記憶網絡模型中各個網絡相對應，以實現多個網絡同步訓練；