[發明專利]基于注意力機制多工況時空退化下的壽命預測方法及系統

在審

• 申請號: 202210288455.2
• 申請日: 2022-03-23
• 公開（公告）號: CN115345063A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 許丹;肖小琦
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/04
• 代理公司: 北京天達知識產權代理事務所有限公司 11386
• 代理人: 劉鏡

1.一種基于注意力機制多工況時空退化下的壽命預測方法，其特征在于，包括：

對原始數據進行工況識別，根據原始數據所屬工況進行數據重組，得到歸一化序列數據，通過滑動時間窗對重組歸一化序列數據進行樣本分割，將所述樣本劃分為訓練集和驗證集；

統計所述訓練集數據對應的未來工況信息；

基于所述訓練集、驗證集以及未來工況信息對預測模型進行訓練，得到最優預測模型；

將采集的待預測壽命設備的在線數據輸入所述最優預測模型，得到待預測壽命設備的剩余使用壽命；

其中，所述原始數據包括表征工況信息的序列數據和表征退化信息的序列數據。

2.根據權利要求1所述的基于注意力機制多工況時空退化下的壽命預測方法，其特征在于，

所述對原始數據進行工況識別，根據原始數據所屬工況進行數據重組，得到歸一化序列數據，包括：

通過無監督聚類方法對原始數據進行工況識別，得到K類工況信息，并對每類工況中原始數據中的退化信息進行標準化處理，得到標準化退化信息；其中，為第s組數據在第n時刻對應的工況信息；

對所述標準化退化信息，進行歸一化處理，得到歸一化退化信息，將所述工況信息和歸一化退化信息重組，得到歸一化序列數據

3.根據權利要求2所述的基于注意力機制多工況時空退化下的壽命預測方法，其特征在于，

所述通過滑動時間窗對重組歸一化序列數據進行樣本分割，將所述樣本劃分為訓練集和驗證集，包括：

設定時間窗口大小為ws，滑動步長為ss，在第s組歸一化后序列數據對應的N_s個周期內，得到個樣本數據；

根據周期總數和每一樣本對應的時間窗內最后時刻所處的周期數，確定樣本數據對應的標簽；所述標簽為周期總數N_s減去該樣本時間窗最后時刻所處的周期數；

根據所述樣本和樣本對應的標簽，將樣本數據按比例隨機劃分為訓練集和驗證集。

4.根據權利要求3所述的基于注意力機制多工況時空退化下的壽命預測方法，其特征在于，

所述統計所述訓練集數據對應的未來工況信息，包括：

計算每個時間窗后一時刻至發生故障時刻的時間段內各工況的比例，計算每組數據的未來工況信息；

根據每組數據的未來工況信息，統計未來工況信息w＝[w₁,w₂,…w_k…,w_K]其中，w_k為工況k的未來工況信息。

5.根據權利要求4所述的基于注意力機制多工況時空退化下的壽命預測方法，其特征在于，

所述未來工況信息w_k，表達為：

其中，S為數據組數，w_ks為第s組數據的未來工況信息，N_s為第s組數據的總周期數，sta為設置的避免統計過程中出現異常的限定值，ws為時間窗口大小，ss為滑動步長，ii為中間變量，為時間區間[q+1:N_s]內屬于工況k的個數，q為時間窗最后時刻的周期數。

6.根據權利要求5所述的基于注意力機制多工況時空退化下的壽命預測方法，其特征在于，

預測模型包括時間特征提取部分、空間特征提取部分和工況信息融合模塊，其中，所述時間特征提取部分用于對不同的時間步進行加權；所述空間特征提取部分用于對不同的傳感器數據進行加權；工況信息融合模塊將未來工況信息集成到預測模型中；

所述最優預測模型的獲取，包括：

通過時間特征提取部分提取訓練集中歸一化退化信息中不同時間步長的特征數據；

通過空間特征提取部分提取訓練集中歸一化退化信息中不同傳感器的特征數據；

將所述未來工況信息輸入工況信息融合模塊進行非線性擬合，直至預測模型趨于穩定，得到所述最優預測模型。