一种机械设备健康预测的信息物理融合方法和系统技术方案

本发明专利技术公开了一种机械设备健康预测的信息物理融合方法和系统，其中，该方法包括：采集机械设备的工作状态数据；将工作状态数据输入至预先训练好的信息物理融合系统CPS混合模型，得到机械设备的健康预测结果，其中，CPS混合模型是根据信号处理的物理建模和深度学习的数据建模融合得到的；对健康预测结果进行数据挖掘，根据挖掘结果对机械设备的实时状态进行评估，得到机器设备的状态评估结果。本发明专利技术旨在利用经过优化后的物理建模方法提取更加丰富的先验知识，然后通过优化后的数据建模方法实现混合建模准确度的提升，有利于支持预测性维护活动，从而实现网络协同制造与智能工厂中机械设备的CPS从物理部件到网络部件再到物理部件的监控控制。理部件的监控控制。理部件的监控控制。

【技术实现步骤摘要】
一种机械设备健康预测的信息物理融合方法和系统


[0001]本专利技术涉及规划及机械设备健康预测
，尤其涉及一种机械设备健康预测的信息物理融合方法和系统。

技术介绍

[0002]CPS是实现智能制造和工业4.0不可或缺的部分，正在逐渐改变全球制造业的格局。CPS是将计算、通信和控制技术结合在一起，在广泛分布的嵌入式计算系统上进行实时测量、数据传输、监控、决策、反馈控制等功能的多学科系统。CPS在网络协同制造与智能工厂技术中的部署已经引起了众多学者和研究人员的兴趣。对网络协同制造与智能工厂中关键机械设备进行健康预测(包括状态监测和故障诊断)有利于保障车间、企业和产业链的安全运转，对于稳定生产发挥着重要作用。由于网络协同制造与智能工厂中机械设备的CPS无处不在的感知、快速的计算能力、工业互联网及其用户的增加，数据利用出现了激增，这导致机械设备大数据的兴起。
[0003]信息物理融合建模的主要方法包括基于物理的建模、基于数据的建模和两者相结合的混合建模。近年来，研究人员将这些建模方法应用于机械设备健康预测取得了一定的进展，但仍然存在物理建模难以满足复杂系统，数据建模和混合建模准确度不高的问题。
[0004]CPS建模方法主要有两种：基于物理的建模和基于数据的建模。基于物理的建模使用潜在的物理关系来推导其数学关系；物理模型的主要优点是其可解释性和可扩展性。可解释性意味着物理模型可以更好地理解从输入到输出的建模过程，这是一种白盒模式，参数和变量之间的因果关系是清楚的。可扩展性反映在复杂CPS中，它由许多子系统组成。使用这种方法可以建立任何简单到中等复杂度的系统。基于数据的建模消除了依赖系统动力学知识的局限性，完全依赖于数据，适用于不同类型的系统建模。提到了虽然深度学习在自然语言处理、计算机视觉和语音识别等领域产生了重大影响，但它对CPS的影响直到最近才被了解。为了实现深度学习框架在CPS应用中的潜力，基于数据的机器学习建模方法需要与基于物理的建模技术相结合，这是一个日益增长的共识。提出了一种用于机械传动部件健康预测的物理和数据混合驱动的CPS建模方法并通过实验验证了混合建模的有效性。
[0005]经过调研发现对于物理建模，考虑到网络协同制造与智能工厂中机械设备工作条件的复杂性、不确定性和时变特性，通常将物理模型简化为一个粗糙模型，这是真实系统物理过程的不完整表示。这是一个耗时、昂贵，并且需要工业应用领域专业知识的方法。对于数据建模，网络协同制造与智能工厂中机械设备作为一个复杂的系统，其大数据通常含有大量的冗余信息，不经过物理预处理很难提取出有价值的状态特征。使用适当的数据预处理将能够提高预测精度。同时，基于数据的建模没有考虑系统变量的因果关系，它们缺乏可解释性。因此，误用数据和深度学习模型可能会导致较大的误差，甚至会得到违背物理定律的结果。对于混合建模，将物理预处理插入基于数据的深度学习之中具有很大的可行性，但是存在准确度不高的问题。因此，如何充分利用基于物理的预处理和基于数据的深度学习从而进一步优化CPS混合建模的准确度成为了当今研究人员在机械设备健康预测方面关注
的一项重点工作。

技术实现思路

[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0007]为此，本专利技术的目的在于提出一种机械设备健康预测的信息物理融合方法，有利于支持预测性维护活动，从而实现网络协同制造与智能工厂中机械设备的信息物理融合系统CPS从物理部件到网络部件再到物理部件的监控控制。
[0008]本专利技术的另一个方面在于提出一种采用机械设备健康预测方法的CPS混合建模优化系统。
[0009]为达上述目的，本专利技术提出了一种机械设备健康预测的信息物理融合方法，包括：
[0010]采集机械设备的工作状态数据；将所述工作状态数据输入至预先训练好的信息物理融合系统CPS混合模型，得到所述机械设备的健康预测结果，其中，所述CPS混合模型是根据信号处理的物理建模和深度学习的数据建模融合得到的；对所述健康预测结果进行数据挖掘，根据挖掘结果对所述机械设备的实时状态进行评估，得到所述机器设备的状态评估结果。
[0011]本专利技术实施例的机械设备健康预测方法，在物理建模中通过引入时频注意力机制(Time frequency attention，TFA)为不同时间和频率赋予不同的权值从而能够获取更多具有鉴别性的重要特征，从而忽略冗余信息。在数据建模中，通过引入自适应学习率和标签平滑正则化方法，使得模型训练更加平稳。物理建模和数据建模相结合使得建模精度更高，能够更好的预测机械设备的状态。有助于网络协同制造与智能工厂中机械设备的维护从预防性维护过渡到预测性维护。
[0012]另外，根据本专利技术上述实施例的机械设备健康预测方法还可以具有以下附加的技术特征：
[0013]进一步地，在本专利技术的一个实施例中，在所述采集机械设备的工作状态数据之后，还包括：对所述工作状态数据进行预处理，其中，所述预处理包括数据融合处理、数据清洗处理和数据归一化处理中的一种或者多种。
[0014]进一步地，在本专利技术的一个实施例中，在将所述工作状态数据输入至预先训练好的CPS混合模型之前，还包括：获取训练数据集，其中，所述训练数据集包括机械设备的多种训练样本数据；提取所述训练数据集的时频矩阵，基于所述时频矩阵的权重，将不同权重的时频矩阵融入深度残差网络ResNet，得到融合后的ResNet；利用所述训练数据集在所述融合后的ResNet中训练CPS混合模型，得到所述训练好的CPS混合模型。
[0015]进一步地，在本专利技术的一个实施例中，所述提取所述训练数据集的时频矩阵，基于所述时频矩阵的权重，将不同权重的时频矩阵融入ResNet，得到融合后的ResNet，包括：将所述时频矩阵进行分解，得到时间特征信息和频率特征信息的聚合特征；对所述聚合特征进行通道转化，得到时间注意力权值和频率注意力权值；将所述时间注意力权值和频率注意力权值融入ResNet，得到所述融合后的ResNet。
[0016]进一步地，在本专利技术的一个实施例中，所述利用所述训练数据集在所述融合后的ResNet中训练CPS混合模型，得到所述训练好的CPS混合模型，包括：对所述融合后的ResNet的学习率执行预设策略，得到融合后的ResNet的学习率；基于所述融合后的ResNet的学习
率，使用交叉熵损失函数计算所述训练数据集的正确标签位置损失和错误标签位置损失。
[0017]为达上述目的，本专利技术第二方面实施例提出了采用机械设备健康预测方法的CPS混合建模优化系统，包括：
[0018]感知层，用于采集机械设备的工作状态数据；混合建模层，用于将所述工作状态数据输入至预先训练好的信息物理融合系统CPS混合模型，得到所述机械设备的健康预测结果，其中，所述CPS混合模型是根据信号处理的物理建模和深度学习的数据建模融合得到的；决策层，用于对所述健康预测结果进行数据挖掘，根据挖掘结果对所述机械设备的实时状态进行评估，得到所述机器设备的状态评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械设备健康预测的信息物理融合方法，其特征在于，包括以下步骤：采集机械设备的工作状态数据；将所述工作状态数据输入至预先训练好的信息物理融合系统CPS混合模型，得到所述机械设备的健康预测结果，其中，所述CPS混合模型是根据信号处理的物理建模和深度学习的数据建模融合得到的；对所述健康预测结果进行数据挖掘，根据挖掘结果对所述机械设备的实时状态进行评估，得到所述机器设备的状态评估结果。2.根据权利要求1所述的方法，其特征在于，在所述采集机械设备的工作状态数据之后，还包括：对所述工作状态数据进行预处理，其中，所述预处理包括数据融合处理、数据清洗处理和数据归一化处理中的一种或者多种。3.根据权利要求1所述的方法，其特征在于，在将所述工作状态数据输入至预先训练好的CPS混合模型之前，还包括：获取训练数据集，其中，所述训练数据集包括机械设备的多种训练样本数据；提取所述训练数据集的时频矩阵，基于所述时频矩阵的权重，将不同权重的时频矩阵融入深度残差网络ResNet，得到融合后的ResNet；利用所述训练数据集在所述融合后的ResNet中训练CPS混合模型，得到所述训练好的CPS混合模型。4.根据权利要求3所述的方法，其特征在于，所述提取所述训练数据集的时频矩阵，基于所述时频矩阵的权重，将不同权重的时频矩阵融入深度残差网络ResNet，得到融合后的ResNet，包括：将所述时频矩阵进行分解，得到时间特征信息和频率特征信息的聚合特征；对所述聚合特征进行通道转化，得到时间注意力权值和频率注意力权值；将所述时间注意力权值和频率注意力权值融入ResNet，得到所述融合后的ResNet。5.根据权利要求4所述的方法，其特征在于，所述利用所述训练数据集在所述融合后的ResNet中训练CPS混合模型，得到所述训练好的CPS混合模型，包括：对所述融合后的ResNet的学习率执行预设策略，得到融合后的ResNet的学习率；基于所述融合后的ResNet的学习率，使用交叉熵损失函数计算所述训练数据集的正确标签位置的损失和错误标签位置的损失。6....

【专利技术属性】
技术研发人员：吴军，宋林，王立平，
申请(专利权)人：清华大学，
类型：发明
国别省市：