[發(fā)明專利]基于DRSN和麻雀搜索優(yōu)化的設(shè)備剩余壽命預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202111049621.5
• 申請日: 2021-09-08
• 公開（公告）號: CN113723007B
• 公開（公告）日: 2023-09-15
• 發(fā)明（設(shè)計）人: 文井輝;李帥永;韓明秀;李孟蕾
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/006;G06N3/0442;G06N3/045;G06N3/048;G06N3/0464;G06N3/084;G06F119/02;G06F119/04
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 廖曦

1.基于DRSN和麻雀搜索優(yōu)化的設(shè)備剩余壽命預(yù)測方法，其特征在于：該方法包括以下步驟：

S1：采集機(jī)械設(shè)備原始振動信號數(shù)據(jù)；

所述S1中，機(jī)械設(shè)備原始振動信號數(shù)據(jù)包括機(jī)械設(shè)備從開始運(yùn)轉(zhuǎn)到失效的全壽命信號，以便于訓(xùn)練網(wǎng)絡(luò)；全壽命信號表示為x(t)，t表示對應(yīng)的采樣點(diǎn)數(shù)；

S2：對振動信號做歸一化處理，構(gòu)建數(shù)據(jù)集；搭建DRSN模型，將數(shù)據(jù)集輸入訓(xùn)練好的DRSN模型，模型輸出得到健康指標(biāo)；

所述S2中，取一個全壽命信號的數(shù)據(jù)集，使用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化原理對數(shù)據(jù)集進(jìn)行歸一化處理：

其中x^*為歸一化處理后的數(shù)據(jù)集，x為原始數(shù)據(jù)集，μ為所有數(shù)據(jù)的均值，σ為所有數(shù)據(jù)的標(biāo)準(zhǔn)差；

搭建DRSN模型，使用機(jī)械設(shè)備的全壽命數(shù)據(jù)作為訓(xùn)練集，網(wǎng)絡(luò)訓(xùn)練好之后，輸入其余機(jī)械設(shè)備的數(shù)據(jù)集，DRSN模型輸出特征，即健康指標(biāo)；

S3：將S2提取出的健康指標(biāo)進(jìn)行平滑處理后構(gòu)建數(shù)據(jù)集；搭建BiLSTM網(wǎng)絡(luò)，將全壽命數(shù)據(jù)歸一化到(0,1)之間作為網(wǎng)絡(luò)的訓(xùn)練標(biāo)簽，利用麻雀搜索算法對BiLSTM網(wǎng)絡(luò)的神經(jīng)元個數(shù)、學(xué)習(xí)率和訓(xùn)練次數(shù)進(jìn)行優(yōu)化，獲得最優(yōu)預(yù)測模型；

所述S3具體為：

S31：構(gòu)建BiLSTM網(wǎng)絡(luò)預(yù)測模型；網(wǎng)絡(luò)層數(shù)為兩層，每層后疊加一個Dropout層，避免模型過擬合；將S2提取出的健康指標(biāo)平滑處理后作為預(yù)測模型的輸入，建立訓(xùn)練集、測試集樣本；

S32：初始化麻雀搜索算法和BiLSTM網(wǎng)絡(luò)的參數(shù)；包括麻雀種群數(shù)量、最大迭代次數(shù)、尋優(yōu)維度和BiLSTM的超參數(shù)；

S33：采用BiLSTM網(wǎng)絡(luò)的預(yù)測值與實(shí)際值的均方根誤差作為適應(yīng)度函數(shù)，找到一組超參數(shù)使得BiLSTM網(wǎng)絡(luò)的預(yù)測誤差最小；計算初始適應(yīng)度值；

S34：計算預(yù)警值，以預(yù)警值大小為依據(jù)，根據(jù)式(2)更新發(fā)現(xiàn)者的位置；

其中，t為當(dāng)前迭代次數(shù)，T為總的迭代次數(shù)，表示在第t次迭代時第n只麻雀在第m維中的位置信息，α∈(0,1]是一個隨機(jī)數(shù)，R₂∈[0,1]表示預(yù)警值，ST∈[0.5,1]表示安全值，Q是服從正態(tài)分布的隨機(jī)數(shù)，L是一行多維的全一矩陣；

S35：根據(jù)式(3)更新追隨者的位置；

其中，X_p為發(fā)現(xiàn)者占據(jù)的最佳位置；X_w為當(dāng)前最差位置，A為一行多維的矩陣，其中每個元素隨機(jī)賦值為1或-1，i為麻雀種群數(shù)量；

S36：按照式(4)隨機(jī)更新部分預(yù)警者的位置；

其中X_b為當(dāng)前的全局最優(yōu)位置；β為步長控制參數(shù)，其為服從均值為0，方差為1的正態(tài)分布的隨機(jī)數(shù)；K∈[-1,1]是一個隨機(jī)數(shù)；f_n為當(dāng)前麻雀個體的適應(yīng)度值；f_g和f_w分別為當(dāng)前全局最佳和最差的適應(yīng)度值；ε為最小的常數(shù)，以避免分母出現(xiàn)零；

S37：計算麻雀個體新位置的適應(yīng)度值，將更新后的適應(yīng)度值與原來的最優(yōu)值進(jìn)行比較，并更新全局最優(yōu)信息；

S38：重復(fù)步驟S33到步驟S37，直至迭代次數(shù)達(dá)到終止條件，輸出BiLSTM網(wǎng)絡(luò)最優(yōu)參數(shù)；

S4：利用S3得到的BiLSTM網(wǎng)絡(luò)模型預(yù)測機(jī)械設(shè)備剩余使用壽命。

2.根據(jù)權(quán)利要求1所述的基于DRSN和麻雀搜索優(yōu)化的設(shè)備剩余壽命預(yù)測方法，其特征在于：所述S4具體為：

將S3生成的測試集樣本輸入到最優(yōu)的BiLSTM網(wǎng)絡(luò)模型，輸出預(yù)測結(jié)果。