一种考虑数据缺失的多元退化设备剩余寿命预测方法技术

本发明专利技术公开了一种考虑数据缺失的多元退化设备剩余寿命预测方法，包括：S1、采集多元退化设备的原始多源退化数据并利用NICE模型进行缺失数据填充，获得多源退化数据；S2、利用多源退化数据构建并训练寿命预测模型；S3、利用训练好的寿命预测模型对多元退化设备进行剩余寿命预测。本发明专利技术针对工程设备进行剩余寿命预测难免会面临数据缺失的实际情况，充分利用了多元退化数据蕴含的宝贵信息，较一维测试数据的局限性更加切合实际，不仅能够有效并行提取局部特征，构造更高维度的有序特征信息，而且可将高维时序特征信息更充分地映射到预测标签上，完成稳定、可靠、快速的预测任务，因此该方法具有很好的潜在应用价值。该方法具有很好的潜在应用价值。该方法具有很好的潜在应用价值。

【技术实现步骤摘要】
一种考虑数据缺失的多元退化设备剩余寿命预测方法


[0001]本专利技术属于可靠性工程
，具体涉及一种基于NICE和TCN
‑
BiLSTM网络的虑数据缺失的多元退化设备剩余寿命预测方法。

技术介绍

[0002]随着多学科技术方法在交叉领域的集成运用，为多元复杂退化设备的预测与健康管理提供了技术途径，逐渐成为可靠性工作者与维修技术人员领域的热点研究问题。集机、电、液等多种技术于一体的多元退化设备往往具有高可靠性、长寿命、高价值的特点，其性能退化、故障状态与系统多个特征变量密切相关。因此，如何从上述特征变量挖掘出蕴含的演变机制，逐步成为当前设备状态评估、故障诊断和剩余寿命预测等领域关注的焦点。
[0003]对于多元退化设备而言，在工程实际中可能由于机器故障(如测量传感器故障)或人为因素(如记录失误)不可避免地导致部分数据缺失。若利用这类不完整数据预测设备剩余寿命，将面临难以准确描述设备退化规律的现实问题，进而将影响设备的健康管理和维修决策。因此，生成或填充高精度、高可靠性的多维数据对开展多元退化设备预测与健康管理工作具有至关重要的意义。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的虑数据缺失的多元退化设备剩余寿命智能预测方法解决了多元退化设备数据缺失情形下的生成样本精度低和剩余寿命预测精度低的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种考虑数据缺失的多元退化设备剩余寿命预测方法，包括以下步骤：
[0006]S1、采集多元退化设备的原始多源退化数据并利用NICE模型进行缺失数据填充，获得多源退化数据；
[0007]S2、利用多源退化数据构建并训练寿命预测模型；
[0008]S3、利用训练好的寿命预测模型对多元退化设备进行剩余寿命预测。
[0009]进一步地，所述步骤S1中，NICE模型包括编码模块和解码模块；
[0010]其中，编码模块通过将输入原始多元退化数据经过加性耦合层、维度混合层和尺度变化层可逆变换映射为高斯分布，解码模块为编码模块的逆过程，其利用编码模块确定的权值，从高斯分布中重采样获得生成数据作为缺失数据的填充数据。
[0011]进一步地，所述NICE模型的损失函数为：
[0012][0013]式中，loss
NICE
为NICE模型的损失值，P
X
(x)为原始多元退化数据的分布，D为原始多元退化数据的维度，f(x)为原始多元退化数据的可逆转换函数；
[0014]原始多元退化数据的分布P
X
(x)为：
[0015][0016]式中，P
Z
(z)为原始多元退化数据的先验隐变量分布，为可逆转换函数f(x)在x处的雅可比列式。
[0017]进一步地，所述NICE模型对输入原始多元退化数据进行处理的方法为：
[0018]S1
‑
1、将输入原始多元退化数据X
i
按照维度随机平分为和
[0019]S1
‑
2、将输入至加性耦合层经过m1耦合后得到并与相加得到
[0020]S1
‑
3、对调和并进入下一加性耦合层；
[0021]S1
‑
4、按照步骤S1
‑
2～S1
‑
3中方法得到和上标l为加性耦合层的数量；
[0022]S1
‑
5、将和共同输入至尺度混合层s输出z
i,1
和z
i,2
，并由尺度变换层拼接为z
i
作为编码模块的输出结果。
[0023]进一步地，所述步骤S2中的寿命预测模型为TCN
‑
BiLSTM模型，包括依次连接的TCN网络和Bi
‑
LSTM网络；
[0024]所述TCN网络用于提取输入的多源退化数据的局部特征；
[0025]所述Bi
‑
LSTM网络用于提取输入局部特征的深层次序列信息，获得剩余寿命预测结果。
[0026]进一步地，所述TCN网络包括依次连接的输入层、若干隐藏层以及输出层，所述输入层、隐藏层及输出层中的卷积为膨胀因果卷积，且其之间通过残差块连接；
[0027]所述Bi
‑
LSTM网络包括输入层、隐藏层以及输出层，其隐藏层包括独立的正向LSTM层和反向LSTM层，分别以正序和逆序对输入序列进行特征提取，并将对应输出向量进行拼接形成特征向量输入至输出层。
[0028]进一步地，所述步骤S2中，利用多源退化数据对寿命预测模型进行训练的方法为：
[0029]S31、对输入的多源退化数据进行窗口长度为N的滑动时间窗处理，得到N
×
S矩阵及其剩余使用寿命序列rul＝L
‑
k(k＝[0,1,
…
,K
i,j
])，并组成T
ime Sequence和RUL Sequence数据对；
[0030]S32、将Time Sequence和RUL Sequence数据对作为训练数据，输入至寿命预测模型；
[0031]S33、在寿命预测模型中经过n个膨胀因果卷积和残差块操作，并行提取多源退化数据的局部特征；
[0032]S34、经过Bi
‑
LSTM结构的正向LSTM层和反向LSTM层挖掘局部特征深层次的序列信息，得到剩余寿命。
[0033]本专利技术的有益效果为：
[0034](1)本专利技术给出了一种基于NICE和TCN
‑
BiLSTM网络的多元退化设备剩余寿命预测
方法，针对工程设备进行剩余寿命预测难免会面临数据缺失的实际情况，充分利用了多元退化数据蕴含的宝贵信息，较一维测试数据的局限性更加切合实际；
[0035](2)本专利技术提供的寿命预测方法不仅能够有效并行提取局部特征，构造更高维度的有序特征信息，而且可将高维时序特征信息更充分地映射到预测标签上，完成稳定、可靠、快速的预测任务，因此该方法具有很好的潜在应用价值。
附图说明
[0036]图1为本专利技术提供的考虑数据缺失的多元退化设备剩余寿命预测方法流程图。
[0037]图2为本专利技术提供的流模型结构示意图。
[0038]图3为本专利技术提供的NICE模型结构示意图。
[0039]图4为本专利技术提供的TCN网络结构示意图。
[0040]图5为本专利技术提供的Bi
‑
LSTM网络结构示意图。
[0041]图6为本专利技术提供的TCN
‑
BiLSTM模型的结构示意图。
[0042]图7为本专利技术提供的航空发动机21个传感器数据时序分布图。
[0043]图8为本专利技术提供的航空发动机14个传感器退化数据生成图。
[0044]图9为本专利技术提供的NICE模型在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑数据缺失的多元退化设备剩余寿命预测方法，其特征在于，包括以下步骤：S1、采集多元退化设备的原始多源退化数据并利用NICE模型进行缺失数据填充，获得多源退化数据；S2、利用多源退化数据构建并训练寿命预测模型；S3、利用训练好的寿命预测模型对多元退化设备进行剩余寿命预测。2.根据权利要求1所述的考虑数据缺失的多元退化设备剩余寿命预测方法，其特征在于，所述步骤S1中，NICE模型包括编码模块和解码模块；其中，编码模块通过将输入原始多元退化数据经过加性耦合层、维度混合层和尺度变化层可逆变换映射为高斯分布，解码模块为编码模块的逆过程，其利用编码模块确定的权值，从高斯分布中重采样获得生成数据作为缺失数据的填充数据。3.根据权利要求2所述的考虑数据缺失的多元退化设备剩余寿命预测方法，其特征在于，所述NICE模型的损失函数为：式中，loss
NICE
为NICE模型的损失值，P
X
(x)为原始多元退化数据的分布，D为原始多元退化数据的维度，f(x)为原始多元退化数据的可逆转换函数；原始多元退化数据的分布P
X
(x)为：式中，P
Z
(z)为原始多元退化数据的先验隐变量分布，为可逆转换函数f(x)在x处的雅可比列式。4.根据权利要求2所述的考虑数据缺失的多元退化设备剩余寿命预测方法，其特征在于，所述NICE模型对输入原始多元退化数据进行处理的方法为：S1
‑
1、将输入原始多元退化数据X
i
按照维度随机平分为和S1
‑
2、将输入至加性耦合层经过m1耦合后得到并与相加得到S1
‑
3、对调和并进入下一加性耦合层；S1
‑
4、按照步骤S1
‑
2～S1
‑
3中方法得到和上标l为加性耦合层的数量；S1
‑
5、将和共同输入至尺度混合层s输出z
i,1

【专利技术属性】
技术研发人员：郑建飞，张博玮，马婧，张庆超，杨立浩，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：