基于循环神经网络考虑未来工况的设备剩余寿命预测方法技术

本发明专利技术公开了一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其包括以下步骤：S1：获取反映目标设备工作状况的多个传感器监测数据集，包括设备从初始时刻到失效的监测数据，并对数据进行预处理；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：根据建模样本建立深度LSTM模型，使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；S4：根据初步预测结果和未来工况数据，建立考虑未来工况的多输入端模型，对目标设备进行剩余寿命预测。该方法能够准确地预测设备的剩余寿命，在未来工况已知的情况下，能够考虑未来工况对剩余寿命的影响，提高预测准确度。

Prediction method of equipment remaining life based on cyclic neural network considering future working condition

【技术实现步骤摘要】
基于循环神经网络考虑未来工况的设备剩余寿命预测方法
本专利技术涉及数据驱动的剩余寿命预测方法领域，具体地涉及一种基于LSTM(LongShort-TermMemory，即长短期记忆)循环神经网络的能够考虑未来工况的设备剩余寿命预测方法。
技术介绍
剩余寿命预测方法可以分为以下四类，即基于物理模型的方法、基于统计模型的方法、人工智能方法以及混合方法。对于一些复杂产品往往难以建立精确的失效物理模型，人工智能方法可以基于历史退化数据预测剩余寿命。近几年已经有许多人工智能方法被提出并取得了较好的预测结果。随着传感器技术的发展，有大量的退化数据可以获得，同时对这些数据的处理和特征提取需要大量的人工操作。因此，作为人工智能的一种常用重要方法，深度学习可以融合多变量数据，提取高维特征，是一种有力且高效的剩余寿命预测方法。当有大量历史退化数据可以获得时，深度学习方法往往优于传统的剩余寿命预测方法。已有大量的深度学习技术被用来预测剩余寿命。然而，之前的工作只关注处理历史数据，而没有考虑未来工况这一对剩余寿命预测有重要影响的因素。通过考虑未来工况，可以获得更准确的剩余寿命预测结果，同时可以为决策者提供信息来调整未来工作计划，从而延长设备寿命。为了结合历史传感器数据和未来工况信息，需要得到设备当前的健康状态，在许多研究中通过建立健康指标来描述系统健康状态。通常，健康指标被假设为是一个一维变量。然而对于有多种失效模式和退化机理的复杂设备，一维的健康指标并不能全面地描述设备当前的健康状态，需要建立多维健康指标来与未来工况信息相结合。LSTM模型可以挖掘输入序列中的长时相关性，是序列建模预测的有效方法，但是普通LSTM模型的输入是一个固定大小的矩阵，无法将维度不同的历史传感器数据与未来工况数据同时输入。目前尚没有将二者分别处理再结合以预测剩余寿命的方法。
技术实现思路
本专利技术的目的在于提出一种能考虑未来工况的设备剩余寿命预测方法。为此需要建立适当的模型，将历史传感器数据和未来工况数据结合，共同预测剩余寿命。本专利技术提出的方法利用多输入端模型将具有不同维度的历史传感器数据和未来工况数据有效地结合在一起，共同预测剩余寿命。模型可以刻画未来工况对剩余寿命的影响，既可以获得更高的预测准确度，还可以根据模型的预测结果调整设备的工作计划，以延长设备的寿命。具体地，本专利技术提供的一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其包括以下步骤：S1：获取反映目标设备工作状况的从初始时刻到失效的监测数据，并对监测数据进行预处理，其中所述监测数据包括多个传感器测量得到的历史传感器数据；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：构建深度LSTM模型，将所述S2中获得的建模样本分为训练组、验证组和测试组，并使用训练组对所述深度LSTM模型进行训练，使用Adam算法更新深度LSTM模型中的参数，使用均方误差作为训练时的损失函数，当验证组的预测误差停止减小时中止训练，计算测试组上的所述深度LSTM模型的预测误差，并使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；以及S4：根据所述S3中得到的初步剩余寿命预测的结果计算未来工况输入数据的长度，建立考虑未来工况的多输入端模型，所述多输入端模型包括第一组LSTM网络和第二组LSTM网络，通过第一组LSTM网络和第二组LSTM网络分别对历史传感器数据和所述目标设备的未来工况输入数据进行特征提取，使用所述S3中得到训练后的深度LSTM模型作为第一组LSTM网络的预训练模型，精调所述第一组LSTM网络的最后LSTM层，再将从所述第一组LSTM网络获得的多维健康指标数据和从所述第二组LSTM网络获得的未来工况输入数据的表征数据相结合，共同对目标设备进行剩余寿命预测。可优选的是，所述监测数据包括反映目标设备健康状态、工作环境或载荷的所述多个传感器历史监测数据。进一步，对所述监测数据的预处理包括：S11、对各传感器的数据进行筛选，去除在同一工况下不随时间改变的传感器监测数据；S12、数据归一化，根据各传感器在不同工况下的最大值和最小值按照下式进行归一化，其中，x(i，m)表示第m个传感器在第i个时间点的原始值，表示x(i，m)归一化后的值，和表示第m个传感器在第c种工况下的最大值和最小值；每个x(i，m)都用相应的和进行归一化；S13、设置各时间点剩余寿命标签，根据各传感器的监测数据的变化趋势，选取最大剩余寿命标签值，并利用分段线性函数来设置各时间点的剩余寿命标签值；以及S14、若目标设备经历的工况能够聚类，则对聚类后的工况用one-hot编码，获得反映工况的代码表达的监测数据。可优选的是，对于每个样本，在时间窗口范围内的所有历史传感器监测数据共同构成模型的输入矩阵；对于每个输入矩阵，最后一个时间步对应的剩余寿命作为所述输入矩阵的目标输出值；通过将时间窗口从历史传感器监测数据的第一个时间步滑动到最后一个时间步，能够获得包含输入矩阵和目标输出值的样本用于建立模型，其中所述时间窗口大小根据预实验的结果来决定。可优选的是，所述深度LSTM模型包括一层遮蔽层和若干层LSTM层，所述遮蔽层用于跳过填充的时间步，所述LSTM层用于输入数据的特征提取，根据所述建模样本对所述模型进行训练，以得到所述深度LSTM模型。可优选的是，在建立多输入端模型前，先利用所述深度LSTM模型对目标设备的剩余寿命进行预估，计算所述深度LSTM模型在测试组上的预测平均绝对误差和预估值之和，并将计算结果作为所述多输入端模型的未来工况输入数据的长度。可优选的是，由所述多输入端模型的第一组LSTM网络和第二组LSTM网络得到的多为健康指标和未来工况输入数据表征数据相结合后，输入到全连接层中，经过全连接层的回归计算，得到最终的剩余寿命预测结果，其中所述全连接层与所述第一组LSTM网络和第二组LSTM网络是共同进行训练的。可优选的是，所述多输入端模型的训练以所述深度LSTM模型为基础，首先构建多输入端模型结构，然后将所述S3中得到的深度LSTM模型的输出层以外的参数赋值给所述多输入端模型的第一组LSTM网络中的参数，将所述第一组LSTM网络的最后LSTM层以外的参数保持不变，使用Adam优化算法同时更新多输入端模型的其余所有参数。本专利技术优化算法的学习率要更小，保证参数更新的幅度足够小以防破坏预训练网络已提取的特征。与现有技术相比，本专利技术具有以下创新点：(1)本专利技术针对在未来工况已知的情况下更好地预测剩余寿命，提出了一种多输入端模型，该模型可以将具有不同维度的历史传感器数据和未来工况数据有效地结合在一起，共同预测剩余寿命。模型能刻画未来工况对剩余寿命的影响，既可以获得更高的预测准确度，还可以根据模型的预测结果调整设备的工作计划，以延长设备的寿命。(2)本专利技术提出先不考虑未来工况预估目标设备的剩余寿命，再结合预估的准确度计算得到未来工况输入序列的长度，以避免信息的损失或冗余。(3)本专利技术提出多输入端模型的一种精调策略，将深度LSTM模型作为多输入端模型一部分的预训练模型，再进行精调，以降低模型的训练难度，提高模型的有效性。(4)本专利技术提出使用多维健康指标来表征设备的当前健康状态。附图说明图1是本专利技术基于本文档来自技高网...

【技术保护点】
1.一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其特征在于，其包括以下步骤：S1：获取反映目标设备工作状况的从初始时刻到失效的监测数据，并对监测数据进行预处理，其中所述监测数据包括多个传感器测量得到的历史传感器数据；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：构建深度LSTM模型，将所述S2中获得的建模样本分为训练组、验证组和测试组，并使用训练组对所述深度LSTM模型进行训练，使用Adam算法更新深度LSTM模型中的参数，使用均方误差作为训练时的损失函数，当验证组的预测误差停止减小时中止训练，计算测试组上的所述深度LSTM模型的预测误差，并使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；以及S4：根据所述S3中得到的初步剩余寿命预测的结果计算未来工况输入数据的长度，建立考虑未来工况的多输入端模型，所述多输入端模型包括第一组LSTM网络和第二组LSTM网络，通过第一组LSTM网络和第二组LSTM网络分别对历史传感器数据和所述目标设备的未来工况输入数据进行特征提取，使用所述S3中得到训练后的深度LSTM模型作为第一组LSTM网络的预训练模型，精调所述第一组LSTM网络的最后LSTM层，再将从所述第一组LSTM网络获得的多维健康指标数据和从所述第二组LSTM网络获得的未来工况输入数据的表征数据相结合，共同对目标设备进行剩余寿命预测。...

【技术特征摘要】
1.一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其特征在于，其包括以下步骤：S1：获取反映目标设备工作状况的从初始时刻到失效的监测数据，并对监测数据进行预处理，其中所述监测数据包括多个传感器测量得到的历史传感器数据；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：构建深度LSTM模型，将所述S2中获得的建模样本分为训练组、验证组和测试组，并使用训练组对所述深度LSTM模型进行训练，使用Adam算法更新深度LSTM模型中的参数，使用均方误差作为训练时的损失函数，当验证组的预测误差停止减小时中止训练，计算测试组上的所述深度LSTM模型的预测误差，并使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；以及S4：根据所述S3中得到的初步剩余寿命预测的结果计算未来工况输入数据的长度，建立考虑未来工况的多输入端模型，所述多输入端模型包括第一组LSTM网络和第二组LSTM网络，通过第一组LSTM网络和第二组LSTM网络分别对历史传感器数据和所述目标设备的未来工况输入数据进行特征提取，使用所述S3中得到训练后的深度LSTM模型作为第一组LSTM网络的预训练模型，精调所述第一组LSTM网络的最后LSTM层，再将从所述第一组LSTM网络获得的多维健康指标数据和从所述第二组LSTM网络获得的未来工况输入数据的表征数据相结合，共同对目标设备进行剩余寿命预测。2.根据权利要求1所述的基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其特征在于，所述监测数据包括反映目标设备健康状态、工作环境或载荷的所述多个传感器历史监测数据。3.根据权利要求1所述的基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其特征在于，对所述监测数据的预处理包括：S11、对各传感器的数据进行筛选，去除在同一工况下不随时间改变的传感器监测数据；S12、数据归一化，根据各传感器在不同工况下的最大值和最小值按照下式进行归一化，其中，x(i，m)表示第m个传感器在第i个时间点的原始值，表示x(i，m)归一化后的值，和表示第m个传感器在第c种工况下的最大值和最小值；每个x(i，m)都用相应的和进行归一化；S13、设置各时间点剩余寿命标签，根据各传感器的监测数据的变化趋势，选取...

【专利技术属性】
技术研发人员：林焱辉，常亮，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11