一种多工况切换下的机电设备剩余寿命分析方法和装置制造方法及图纸

本发明专利技术涉及剩余寿命分析技术，揭露了一种多工况切换下的机电设备剩余寿命分析方法，包括：获取历史机电设备数据，按照工况数量将历史机电设备数据拆分成单一工况数据和多工况数据；利用预先训练的健康分析模型提取出单一工况数据对应的工况健康曲线集；利用预设的初始工况模型生成目标时序工况曲线对应的分析工况曲线，根据分析工况曲线对初始工况模型进行递归更新，得到工况分析模型；获取目标机电设备的实时设备数据，利用工况分析模型生成实时设备数据对应的健康曲线，并从健康曲线中提取出目标机电设备的剩余寿命。本发明专利技术还提出一种多工况切换下的机电设备剩余寿命分析装置。本发明专利技术可以提高机电设备剩余寿命分析的精确度。度。度。

【技术实现步骤摘要】
一种多工况切换下的机电设备剩余寿命分析方法和装置


[0001]本专利技术涉及剩余寿命分析
，尤其涉及一种多工况切换下的机电设备剩余寿命分析方法和装置。

技术介绍

[0002]机电设备一般指机械、电器及电气自动化设备，在建筑中多指除土工、木工、钢筋、泥水之外的机械、管道设备的统称，随着人民生活水平的不断提高，人们在日常生活中对机电设备的需求越来越多，从交通工具到各种家用电器、计算机、打印机等已成为人们生活中不可缺少的机电设备，先进的机电设备不仅能大大提高劳动生产率，还能减轻劳动强度，改善生产环境，完成人力无法完成的工作，但在机电设备的运行过程中，需要对机电设备进行剩余寿命分析，方便用户进行实时替换。
[0003]现有的机电设备剩余寿命分析技术多为基于老化程度识别的大数据分析，进而分析出机电设备的剩余寿命。例如，基于大数据分析的机电设备剩余寿命分析，实际应用中，机电设备在不同的工况下的老化速度不同，基于大数据分析的机电设备剩余寿命分析忽略了工况对机电设备寿命的影响，可能导致机电设备剩余寿命分析的精确度较差。

技术实现思路

[0004]本专利技术提供一种多工况切换下的机电设备剩余寿命分析方法和装置，其主要目的在于解决机电设备剩余寿命分析的精确度较差的问题。
[0005]为实现上述目的，本专利技术提供的一种多工况切换下的机电设备剩余寿命分析方法，包括：获取历史机电设备数据，按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据；按照工况种类将所述单一工况数据拆分成多个单工况数据集，逐个选取所述单工况数据集作为目标工况数据集，利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征；根据所述健康特征建立所述目标工况数据集的分析健康曲线，并将所有的所述分析健康曲线汇集成工况健康曲线集；根据所述多工况数据生成时序工况曲线集，逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线，利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征；根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线，根据所有的所述分析工况曲线计算出所述初始工况模型的损失值，并根据所述损失值对所述初始工况模型进行递归更新，得到工况分析模型，其中，所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值，包括：逐个选取所述分析工况曲线作为目标分析工况曲线，并从所述目标时序工况曲线
中提取出与所述目标分析工况曲线对应的顺序工况曲线；利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值：其中，是指所述工况损失值，是所述目标分析工况曲线的曲线长度，且所述目标分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度，所述是指第时刻，是所述目标分析工况曲线中的第时刻的数值，是所述顺序工况曲线中的第时刻的数值；将所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值；获取目标机电设备的实时设备数据，利用所述工况分析模型生成所述实时设备数据对应的工况总曲线，利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线，并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
[0006]可选地，所述利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征，包括：利用预先训练的健康分析模型的健康滑动窗口逐帧采集所述目标工况数据集的工况数据曲线，将所述工况数据曲线转化为工况数据矩阵；利用所述健康分析模型的卷积层提取出所述工况数据矩阵的初始健康特征；利用所述健康分析模型的随机失活层对所述初始健康特征进行特征筛选，得到标准健康特征；利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征；利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征；利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征。
[0007]可选地，所述利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征，包括：利用所述健康分析模型的长短记忆层中的输入门从所述标准健康特征中提取出时序健康特征序列；利用所述长短记忆层中的遗忘门从所述时序健康特征序列中筛选出记忆特征序列；利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述时序健康特征序列进行特征更新，得到更新状态特征；利用所述长短记忆层中的输出门对所述更新状态特征和所述时序健康特征进行特征融合，得到长短健康特征。
[0008]可选地，所述利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征，包括：
利用所述健康分析模型的自注意力层按照时序将所述工况数据矩阵向量化为工况向量序列；为所述工况向量序列添加位置向量，得到标准工况向量序列；利用所述自注意力层的多头注意力机制对所述标准工况向量序列进行转化，得到隐工况向量序列；对所述隐工况向量序列进行特征融合，得到自注意力健康特征。
[0009]可选地，所述利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征，包括：逐个选取所述长短健康特征中的特征作为目标长短健康特征，逐个选取所述自注意力健康特征中的特征作为目标自注意力健康特征；利用所述健康分析模型的全连接层中的健康特征融合公式对所述目标长短健康特征和所述目标自注意力健康特征进行全连接操作，得到健康特征，其中，所述健康特征融合公式如下：其中，是指第时刻的所述健康特征，是所述长短健康特征的特征权重，是指第时刻的所述目标长短健康特征，是指第时刻，是指所述自注意力健康特征中隐藏特征的数量，是指第时刻的所述目标自注意力健康特征的特征权重，是指第时刻的所述目标自注意力健康特征，是所述健康特征融合公式对应的融合系数。
[0010]可选地，所述根据所述健康特征建立所述目标工况数据集的分析健康曲线，包括：将所述健康特征归一化，得到标准健康特征；将所述标准健康特征矩阵化，得到健康特征矩阵；对所述健康特征矩阵进行线性转化，得到分析健康曲线。
[0011]可选地，所述根据所述多工况数据生成时序工况曲线集，包括：按照工况种类对所述多工况数据进行时序标定，得到标定多工况数据；对所述标定多工况数据进行工况转码，得到标定多工况矩阵；对所述标定多工况矩阵进行线性转化，得到时序工况曲线。
[0012]可选地，所述利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征，包括：利用所述初始工况模型对所述目标时序工况曲线进行卷积操作，得到目标时序工况特征；对所述时序工况特征进行短期特征提取，得到短期工况特征；对所述时序工况特征进行间隔特征提取，得到长期工况特征；对所述短期工况特征和所述长期工况特征进行特征融合，得到长短时序特征。
[0013]可选地，所述利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线，包括：按照工况种类将所述工况总曲线拆分成多个单工况线段，逐个选取所述单工况线
段作为目标工况线段，将所述目标工况线段对应的工况种类作为目标工况种类；从所述工况健康曲线集中筛选出所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多工况切换下的机电设备剩余寿命分析方法，其特征在于，所述方法包括：S1：获取历史机电设备数据，按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据；S2：按照工况种类将所述单一工况数据拆分成多个单工况数据集，逐个选取所述单工况数据集作为目标工况数据集，利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征；S3：根据所述健康特征建立所述目标工况数据集的分析健康曲线，并将所有的所述分析健康曲线汇集成工况健康曲线集；S4：根据所述多工况数据生成时序工况曲线集，逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线，利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征；S5：根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线，根据所有的所述分析工况曲线计算出所述初始工况模型的损失值，并根据所述损失值对所述初始工况模型进行递归更新，得到工况分析模型，其中，所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值，包括：S51：逐个选取所述分析工况曲线作为目标分析工况曲线，并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线；S52：利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值：其中，是指所述工况损失值，是所述目标分析工况曲线的曲线长度，且所述目标分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度，所述是指第时刻，是所述目标分析工况曲线中的第时刻的数值，是所述顺序工况曲线中的第时刻的数值；S53：将所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值；S6：获取目标机电设备的实时设备数据，利用所述工况分析模型生成所述实时设备数据对应的工况总曲线，利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线，并从所述健康曲线中提取出所述目标机电设备的剩余寿命。2.如权利要求1所述的多工况切换下的机电设备剩余寿命分析方法，其特征在于，所述利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征，包括：利用预先训练的健康分析模型的健康滑动窗口逐帧采集所述目标工况数据集的工况数据曲线，将所述工况数据曲线转化为工况数据矩阵；利用所述健康分析模型的卷积层提取出所述工况数据矩阵的初始健康特征；利用所述健康分析模型的随机失活层对所述初始健康特征进行特征筛选，得到标准健康特征；利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征；
利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征；利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征。3.如权利要求2所述的多工况切换下的机电设备剩余寿命分析方法，其特征在于，所述利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征，包括：利用所述健康分析模型的长短记忆层中的输入门从所述标准健康特征中提取出时序健康特征序列；利用所述长短记忆层中的遗忘门从所述时序健康特征序列中筛选出记忆特征序列；利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述时序健康特征序列进行特征更新，得到更新状态特征；利用所述长短记忆层中的输出门对所述更新状态特征和所述时序健康特征进行特征融合，得到长短健康特征。4.如权利要求2所述的多工况切换下的机电设备剩余寿命分析方法，其特征在于，所述利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征，包括：利用所述健康分析模型的自注意力层按照时序将所述工况数据矩阵向量化为工况向量序列；为所述工况向量序列添加位置向量，得到标准工况向量序列；利用所述自注意力层的多头注意力机制对所述标准工况向量序列进行转化，得到隐工况向量序列；对所述隐工况向量序列进行特征融合，得到自注意力健康特征。5.如权利要求2所述的多工况切换下的机电设备剩余寿命分析方法，其特征在于，所述利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征，包括：逐个选取所述长短健康特征中的特征作为目标长短健康特征，逐个选取所述自注意力健康特征中的特征作为目标自注意力健康特征；利用所述健康分析模型的全连接层中的健康特征融合公式对所述目标长短健康特征和...

【专利技术属性】
技术研发人员：周跃，方立毅，刘良洁，刘然，杜双育，
申请(专利权)人：佰聆数据股份有限公司，
类型：发明
国别省市：