[發(fā)明專利]用于噪聲環(huán)境工業(yè)設(shè)備的健康狀態(tài)預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010014873.3
• 申請日: 2020-01-07
• 公開（公告）號: CN111241673B
• 公開（公告）日: 2021-10-22
• 發(fā)明（設(shè)計）人: 林焱輝;常亮
• 申請（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F119/04
• 代理公司: 北京孚睿灣知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11474
• 代理人: 王冬杰

1.一種用于噪聲環(huán)境工業(yè)設(shè)備的健康狀態(tài)預(yù)測方法，該方法基于深度學(xué)習(xí)及無監(jiān)督噪聲樣本檢測進(jìn)行，其特征在于，其包括以下步驟：

步驟S1，使用設(shè)置在工業(yè)設(shè)備上的傳感器獲取含有噪聲的監(jiān)測數(shù)據(jù)；

步驟S2，使用窗口大小為s_tw的滑動時間窗口基于含有噪聲的監(jiān)測數(shù)據(jù)生成多個序列數(shù)據(jù)樣本；

步驟S3，使用帶注意力機(jī)制的轉(zhuǎn)換模型針對每一個序列數(shù)據(jù)樣本生成注意力權(quán)重向量α_T；

步驟S4，基于平均連接算法的自底向上的層次聚類算法將注意力權(quán)重向量α_T進(jìn)行聚類，去掉異常類中的注意力權(quán)重向量α_T對應(yīng)的序列數(shù)據(jù)樣本，使用剩下的序列數(shù)據(jù)樣本訓(xùn)練LSTM預(yù)測模型；其中所述基于平均連接算法的自底向上的層次聚類算法將注意力權(quán)重向量α_T進(jìn)行聚類的操作為：在早期的迭代中，將由滑動時間窗口連續(xù)產(chǎn)生的幾個樣本的注意力權(quán)重向量α_T聚在一起，之后，將由正常樣本的α_T構(gòu)成的子類會聚在一起，在較高的層級中，由噪聲樣本的α_T構(gòu)成的異常類和其他差異較大的差異子類合并，將一個子類中包含的α_T原始目標(biāo)個數(shù)作為該子類的局部密度ρ，被合并的兩個子類擁有同樣的距離δ，距離δ為二者之間基于平均連接算法的距離，將同時具有距離δ和局部密度ρ的子類確定成是由噪聲樣本的α_T組成的異常類，即找到距離δ大于距離閾值δ_th且局部密度ρ小于密度閾值ρ_th的子類為異常類，從而完成異常類的檢測，去掉異常類中α_T對應(yīng)的序列數(shù)據(jù)樣本，使用剩下的序列數(shù)據(jù)樣本訓(xùn)練LSTM預(yù)測模型；以及

步驟S5，使用訓(xùn)練好的LSTM預(yù)測模型預(yù)測工業(yè)設(shè)備的健康狀態(tài)；

其中，所述注意力機(jī)制的轉(zhuǎn)換模型包括由LSTM網(wǎng)絡(luò)構(gòu)成的編碼器和解碼器以及注意力模塊，所述編碼器的輸出作為所述注意力模塊的輸入，所述注意力模塊的輸出作為解碼器的輸入，所述注意力模塊包括拼接層和全連接層。

2.根據(jù)權(quán)利要求1所述的用于噪聲環(huán)境工業(yè)設(shè)備的健康狀態(tài)預(yù)測方法，其特征在于，所述監(jiān)測數(shù)據(jù)包括反映目標(biāo)設(shè)備健康狀態(tài)、工作環(huán)境或載荷的多個傳感器監(jiān)測數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的用于噪聲環(huán)境工業(yè)設(shè)備的健康狀態(tài)預(yù)測方法，其特征在于，對于每個序列數(shù)據(jù)樣本，在時間窗口范圍內(nèi)的所有傳感器監(jiān)測數(shù)據(jù)共同構(gòu)成帶注意力機(jī)制的轉(zhuǎn)換模型和LSTM預(yù)測模型的輸入矩陣；對于每個輸入矩陣，最后T個時間步對應(yīng)的健康狀態(tài)作為該輸入矩陣的目標(biāo)輸出序列；通過將時間窗口從傳感器監(jiān)測數(shù)據(jù)的第一個時間步滑動到最后一個時間步，能夠獲得包含輸入矩陣和目標(biāo)輸出的序列數(shù)據(jù)樣本，用于建立帶注意力機(jī)制的轉(zhuǎn)換模型和LSTM預(yù)測模型，其中所述時間窗口大小根據(jù)預(yù)實(shí)驗(yàn)的結(jié)果來決定。