[發明專利]基于數據融合網絡的設備健康指標構建及壽命預測方法

有效

• 申請號: 202010054127.7
• 申請日: 2020-01-17
• 公開（公告）號: CN111258297B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 李珍;吳建國
• 申請（專利權）人: 北京大學
• 主分類號: G06F17/15
• 分類號: G06F17/15;G05B23/02
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種基于融合網絡模型的機器健康指標獲取及剩余壽命預測方法，通過在機器上加裝多種用于檢測機器工作狀態的傳感器，再利用收集到的傳感器數據信號，構建機器設備健康指數模型；利用構建的機器設備健康指數模型對機器設備的剩余使用壽命進行預測；包括以下步驟：

1)根據機器設備健康指數的特性構建設備健康指數約束項，獲取健康指標的訓練約束條件，包括單調性、方差和凸性約束項；

其中，單調性約束的懲罰項表示為式(3)：

或式(4)：

其中，[x]₊＝max(0，x)，λ₁是權重參數；當懲罰違反單調性時，懲罰隨著差值h(t-1)-h(t)線性增加；或使用指數罰最大max(0，exp[h(t-1)-h(t)]-1)或雙曲正切罰最大max(0，tanh[h(t-1)-h(t)])；

凸性約束懲罰項表示為式(5)：

其中λ₂為權重調節參數；

2)建立數據融合的神經網絡模型，得到設備運作時的健康指標模型；

設定某機器設備在時間t由S個進行工作過程狀態監測的傳感器收集到的各傳感器檢測數據為(x_1，t，x_2，t，…，x_S，t)，則該設備的基本健康狀況表示為健康指標H(x_1，t，x_2，t，…，x_S，t)，H(·)為融合方程；

采用人工神經網絡模型對融合函數H(·)進行建模；利用建立的神經數據融合模型為設備生成健康指標曲線，選擇雙曲線正切函數tanh(·)作為輸入層和隱藏層之間的激活函數；在網絡模型最后一個隱藏層和輸出層之間，使用Relu函數進行激活；

采用無監督學習方法，損失函數采用共同最大化單調性和凸性并在故障時最小化方差；根據方差定義采用式(1)的損失函數：

其中，故障發生時各機器健康狀況的均值

通過在最后一個隱藏層中調整偏置，將均值設置為1，通過式(2)進行轉換：

最小化式(1)等效于最小化式(2)；

并在神經網絡的損失函數中引入懲罰項，構建總損失函數；

3)采用自適應矩估計算法Adam最小化損失函數，進行模型參數估計；

將δ(x)表示為：

其中，δ(x)為約束條件中的一階次梯度；x為約束條件中的自變量；

然后得出樣本n的損失函數L_n(H，D，θ)的梯度或一個次梯度，表示為：

在迭代過程中，通過反向傳播算法計算梯度或次梯度g_n；

4)進行貝葉斯線性建模和RUL預測；

包括兩個階段：使用混合效應模型對歷史數據進行離線建模，以及針對RUL預測對單個機器進行貝葉斯模型在線更新；

在離線建模狀態下，混合效果模型表示為式(8)：

y_t＝z_tβ+ε_t (8)

其中，z_t＝(1，t，t²，...，t^q)是(q+1)維的多項式方程的基向量，β是遵循多元正態分布的維度q+1的回歸參數；指定聯合分布為σ²～IG(a₁，a₂)，β|σ²～N(μ₀，σ²∑₀)，其中IG表示逆伽瑪分布；通過最大似然估計方法估計超參數(a₁，a₂，μ₀，∑₀)；

在在線階段對單個模型進行更新以進行RUL預測：限定：

假設直到時間t的實時測得的退化數據為y_1：t＝(y₁，y₂，...，y_t)，則：

其中

μ_t＝∑_tM_t，

在給定觀測值到當前時間的情況下，未來觀測值y_t+1：t+L的預測分布遵循多元t分布，表示為式(10)：

其中，MT表示多元t分布，其中三個參數分別代表自由度，均值和形狀矩陣；利用預測分布可有效地預測退化路徑的演變以及退化信號達到故障閾值的時間；

通過上述過程得到預測模型參數，即得到訓練好的設備剩余壽命預測模型；

5)將待預測的傳感器收集到的設備工作狀況的檢測數據(x_1，t，x_2，t，…，x_S，t)輸入訓練好的設備剩余壽命預測模型，模型輸出該設備的健康指標H(x_1，t，x_2，t，…，x_S，t)，即當前機器的健康狀態的具體量化表征；

再通過設置機器健康指標閾值，當該健康指標超過設定閾值后，表示該機器失效；

通過上述步驟，即可實現基于融合網絡模型的機器健康指標獲取及剩余壽命預測，得到機器的失效時間。