[發(fā)明專利]工程機械部件剩余壽命的預測模型建立方法及預測方法

在審

• 申請?zhí)枺?/td>: 202111370384.2
• 申請日: 2021-11-18
• 公開（公告）號: CN114169091A
• 公開（公告）日: 2022-03-11
• 發(fā)明（設計）人: 劉瓊;劉嘉豪;桂綴;葉欽
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F119/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 夏倩;李智

本發(fā)明公開了一種工程機械部件剩余壽命的預測模型建立方法及預測方法，屬于剩余壽命預測領域，包括：建立初始神經網絡模型，其以機械部件在時間步t～t+W?1的狀態(tài)監(jiān)測數據為輸入，用于預測時間步t+W?1時的剩余壽命模型包括：第一注意力網絡，用于基于自注意力機制獲取中各時間步的注意力權重并賦予相應的時間步，得到Z；時間卷積網絡，用于對Z進行特征提取，得到U；第二注意力網絡，用于獲取U中各通道的注意力權重并賦予相應的通道，得到及預測模塊，用于對中的各通道特征進行融合并激活，以得到獲得訓練數據集，并對初始神經網絡模型進行訓練，以獲得機械部件剩余壽命預測模型。本發(fā)明能夠提高模型預測性能以及剩余壽命預測精度。

技術領域

本發(fā)明屬于剩余壽命預測領域，更具體地，涉及一種工程機械部件剩余壽命的預測模型建立方法及預測方法。

背景技術

剩余壽命(Remaining Useful Life，RUL)是指從設備當前運行時刻到發(fā)生故障或失效時刻的剩余工作時間。工程機械關鍵部件作為工程機械最重要的部件之一，其健康狀況緊密影響著工程機械的使用壽命。剩余壽命預測(Remaining Useful Life Prediction)為工程機械關鍵部件的健康狀況提供了重要的參考和依據，有效的剩余壽命預測可輔助運維人員提前發(fā)現設備運行的潛在風險、減少事故的發(fā)生，并能提供更準確的信息供決策所需。

2018年提出的時間卷積網絡(Temporal convolutional network,TCN)是一種相對較新的能夠處理時間序列數據的深度網絡結構，其采用了因果卷積和膨脹卷積。相比于普通卷積網絡，因果卷積使得TCN能夠追溯歷史信息來預測未來，膨脹卷積使得TCN具有可并行計算、計算速度快、占用內存小、梯度穩(wěn)定等優(yōu)勢。相比于普通的卷積神經網絡，TCN需要調整的參數較少，能夠很方便的使用于工程中。

在目前使用TCN的RUL預測研究中，絕大多數研究都是將原始特征或人工選擇的特征直接輸入時間卷積網絡中計算，時間卷積網絡并沒有對輸入特征實現差異性的關注，而是將所有輸入特征的重要程度視為一樣。但不同的特征對剩余壽命預測的貢獻度可能是不一樣的，未對特征進行差異性的關注可能會降低了模型在特征提取上的效率，限制了模型的預測能力。針對這一問題，在申請公布號為CN111340282A、發(fā)明名稱為“基于DA-TCN的設備剩余使用壽命的估計方法及系統(tǒng)”的專利申請中，基于TCN構建了一種新的模型，即DA-TCN模型，如圖1所示，該模型包括第一注意力機制層、若干并聯(lián)的TCN網絡、第二注意力機制層，其中：第一注意力機制層用于衡量每個傳感器對RUL的貢獻；TCN網絡用于獲取時間方向的特征信息；第二注意力機制層，用于在TCN網絡之后來估計不同時間部的貢獻權值；最后，兩個全連接層將基于注意力機制的時間網絡輸出進行RUL結果估計。

DA-TCN將分布注意力機制和TCN結合起來，對不同傳感器和不同時間節(jié)點分別進行加權，能夠在RUL預測中考慮不同傳感器以及不同時間步的貢獻權值，取得更高的預測精度。但是，其仍然存在以下問題：

1、原始的注意力機制需要外部事先給定一個和任務目標相關的查詢向量，然而對于傳感器采集到的原始數據，要發(fā)現數據之間的相關性是很難的，因此外部給出的查詢向量可能并不能很好地反映數據之間的關系。

2、其中的第一注意力機制層和第二注意力機制層都是由彼此連接的softmax函數和乘法器構成，這樣的注意力機制層結構比較簡單，可能會出現梯度爆炸的現象。

3、TCN是一種能夠處理時間序列數據的深度網絡結構，經第一注意力機制層輸出的特征，并不具備很好的時序特征，TCN以這樣的特征作為輸入，對時間方向的特征的提取能力有限。

總的來說，現有的基于DA-TCN模型的設備剩余使用壽命的估計方法雖然考在TCN的基礎上考慮了注意力信息，但其預測精度仍有待進一步提高。

發(fā)明內容