[發明專利]基于機械設備時序信號的剩余壽命預測方法

在審

• 申請號: 202111415205.2
• 申請日: 2021-11-25
• 公開（公告）號: CN114117674A
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 褚明;張歆悅;王寧
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06F119/02;G06F119/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出一種基于機械設備時序信號的剩余壽命預測方法，針對有監督學習卻沒有足夠初始特征的問題，采用嵌入門控循環單元和線性回歸單元的棧式自編碼網絡，將解決類似任務的已知模型不斷疊加并逐一復用，實現特征提取和壽命預測。本發明采用貪婪分層學習算法，采用自底向上的方式逐層對棧式自編碼網絡進行預訓練，將預訓練網絡的每一層按照自編碼器的形式進行堆疊，其中每一層都需要前層初始化完成之后才可以繼續訓練。本發明可實現對時間序列信號數據的初始化預訓練，從而對整個深度神經網絡進行微調，可以達到擴充數據信息聯系、發掘數據信息潛在關系、降低網絡訓練深度的目的。

技術領域

本發明涉及數字孿生相關的故障預測與健康管理技術領域，具體是一種基于機械設備時序信號的剩余壽命預測方法。

背景技術

現代機械設備具有標準化、大型化、高精度與智能化等特點，工作環境惡劣多變，設備長時間運行等引起的設備老化使剩余使用壽命逐漸下降，大大增加故障發生的潛在可能性，因此設備發生故障或失效經常上演，故障一旦發生，不僅會對企業造成不可估量的經濟損失，更為嚴重的會導致災難性的人員傷亡。因此，準確地預測剩余使用壽命對機械設備的預防性維修決策意義重大。故障預測與健康管理為了滿足自主保障、自主診斷的要求提出來的，是基于狀態的維修(視情維修)的升級發展。它強調資產設備管理中的狀態感知，監控設備健康狀況、故障頻發區域與周期，通過數據監控與分析，預測故障的發生，從而大幅度提高運維效率。

神經網絡是由大量的神經元相互連接所組成的復雜網絡計算系統。神經網絡反映了人腦功能的一些基本特征，是模擬人類思維模式的一個很重要的方法。神經網絡具有函數逼近、自學習能力，能夠實現復雜分類功能、聯想記憶功能。快速優化計算能力使神經網絡具有很強的魯棒性和容錯性。

發明內容

本發明針對現有時間序列數據預測方法中單一結構網絡難以達到較好效果、多層網絡結合優化較困難的問題，提出一種基于機械設備時序信號的剩余壽命預測方法。首先，通過滑動窗口重疊平移等處理重構時間序列數據，再采用以門控循環單元和線性回歸單元構建的棧式自編碼網絡作為剩余壽命預測算法，以門控循環單元和線性回歸單元作為棧式自編碼網絡的兩層，按照自編碼器的形式進行堆疊，其中每一層都需要前層初始化完成之后才可以繼續訓練，實現對時間序列數據的初始化預訓練，從而對整個棧式自編碼網絡進行微調，可以達到擴充數據信息聯系、發掘數據信息潛在關系、降低網絡訓練深度的目的。

為達到上述目的，本發明采用以下技術方案實現：

時序信號的剩余壽命預測方法包括數據前置處理和時間序列預測算法兩部分。

所述數據前置處理方法為，首先對每個存儲多傳感器信號的數據源文件等距采樣，再以滑動窗口重疊平移的方式為多個采樣后文件構建分段序列。

所述數據前置處理的輸入輸出構建方式為，首先針對時間序列數據過長、較小間隔內數據所體現特征變化趨勢意義較小的問題，采用對數據等距采樣的方式，達到提升時間序列數據特征質量及數據壓縮的目的，數據源文件內等距采樣、數據源文件間做重疊滑窗處理，從而構建網絡輸入；以網絡輸入每一段序列的首個文件編號與最后一段序列的首個文件編號作差并作歸一化處理，所得值作為輸出標簽，并對標簽值序列作歸一化處理，以此作為嵌入門控循環單元的棧式自編碼網絡的輸出。

所述時間序列預測算法，以嵌入門控循環單元和線性回歸單元的棧式自編碼網絡實現，包括以門控循環單元構成的隱層網絡一、以線性回歸單元構成的隱層網絡二與拷貝上述隱層網絡權重后的待訓練的整合層網絡三，要求棧式自編碼網絡每一層的訓練參數與最后的整合層網絡三的每一層能夠完全對應，其中每一層都需要前層初始化好之后才可以繼續訓練，以此實現對網絡參數的初始化預訓練及對整個棧式自編碼網絡微調的效果。