一种工业设备的剩余生命预测方法及装置制造方法及图纸

本申请公开了一种工业设备的剩余生命预测方法及装置，方法包括：将工业设备的待测数据输入至预先建立的生命预测模型，输出工业设备的剩余生命时间，通过构建生命预测架构，获取训练数据，随机获取样本噪声数据，在迭代次数下对第一编码器、第一生成器和第一鉴别器进行训练，得到第一训练参数，随机获取预测噪声数据，并在迭代次数下对第二编码器、第二生成器和第二鉴别器进行训练，得到第二训练参数，基于第一训练参数和第二训练参数，构建生命预测模型。可见，采用了编码器并引入了随机源进行训练，生命预测架构能够更加稳定，编码器和生成器均采用对抗性再生结构，更好地捕捉数据中的多模态特征，使生命预测模型具备更高的预测准确率。测准确率。测准确率。

【技术实现步骤摘要】
一种工业设备的剩余生命预测方法及装置


[0001]本申请涉及信息
，更具体的说，是涉及一种工业设备的剩余生命预测方法及装置。

技术介绍

[0002]随着工业机械系统的不断发展，系统内的各个工业设备均会随着工作运行时间而不可避免地老化，每个工业设备均有其生命时间，该生命时间可以表示当前时刻到该个工业设备失效时刻之间的时长，在工业设备的生命时间结束后，该工业设备在使用过程中会出现故障。为了避免工业设备出现故障导致的经济损失或人员伤亡，需要对工业设备进行维护，具体可以采用预测性维护可以提前预测工业设备故障，以在故障出现之前采取必要的维护措施，从而减少工业设备停机时间和维修成本，延长工业设备的使用寿命。
[0003]如今，研究人员使用基于深度学习的方法进行预测，但模型依赖于大量工业设备的准确知识和大量对工业设备的假设，而且当有数据缺失时模型不能很好地进行预测，可能要对数据进行预处理补上缺失数据，因此模型难以抓取数据中的多模态特征，导致模型预测准确率低下。

技术实现思路

[0004]鉴于上述问题，提出了本申请以便提供一种工业设备的剩余生命预测方法及装置，以提高模型预测的准确率。
[0005]为了实现上述目的，现提出具体方案如下：
[0006]一种工业设备的剩余生命预测方法，包括：
[0007]将工业设备的待测数据输入至预先建立的生命预测模型，输出所述工业设备的剩余生命时间；
[0008]所述生命预测模型的建立过程，包括：
[0009]构建生命预测架构，所述生命预测架构包括条件空间架构和预测空间架构，所述条件空间架构包括第一编码器、第一生成器和第一鉴别器，所述预测空间架构包括第二编码器、第二生成器和第二鉴别器，所述第一编码器、所述第一生成器、所述第二编码器和所述第二生成器均采用对抗性再生结构；
[0010]从已有的工业设备训练集中获取本轮训练的训练数据，所述训练数据包括协变量数据和与所述协变量数据对应的剩余生命数据；
[0011]随机获取初始的样本噪声数据，并在预设迭代次数下，基于所述协变量数据与所述样本噪声数据对所述第一编码器、所述第一生成器和所述第一鉴别器进行训练，确定第一编码器的训练参数、第一生成器的训练参数和第一鉴别器的训练参数；
[0012]随机获取初始的预测噪声数据，并在所述预设迭代次数下，基于所述剩余生命数据与所述预测噪声数据对所述第二编码器、所述第二生成器和所述第二鉴别器进行训练，确定第二编码器的训练参数、第二生成器的训练参数和第二鉴别器的训练参数；
[0013]基于所述第一编码器的训练参数、所述第一生成器的训练参数、所述第一鉴别器的训练参数、所述第二编码器的训练参数、所述第二生成器的训练参数和所述第二鉴别器的训练参数，构建生命预测模型。
[0014]可选的，所述在预设迭代次数下，基于所述协变量数据与所述样本噪声数据对所述第一编码器、所述第一生成器和所述第一鉴别器进行训练，确定第一编码器的训练参数、第一生成器的训练参数和第一鉴别器的训练参数，包括：
[0015]判断当前迭代次数是否为预设迭代次数；
[0016]若否，以所述协变量数据为重构目标，通过所述第一生成器对所述样本噪声数据进行重构，得到最新的重构协变量数据；
[0017]通过所述第一编码器对所述协变量数据进行编码，得到当前迭代次数下的高维向量，所述高维向量比所述协变量数据具有更高维数；
[0018]基于所述重构协变量数据、所述高维向量和所述协变量数据，计算第一重构损失以及所述第一编码器与所述第一生成器合并的第一合并损失；
[0019]确定所述第一重构损失的梯度以及所述第一合并损失的梯度；
[0020]在所述第一重构损失的梯度与所述第一合并损失的梯度下，对所述第一生成器与所述第一编码器进行梯度下降训练，更新所述第一生成器的模型参数，以及更新第一编码器的模型参数；
[0021]以所述高维向量作为最新的样本噪声数据，当前迭代次数增加1，并返回执行所述判断当前迭代次数是否为预设迭代次数的步骤；
[0022]若是，确定所述第一生成器的模型参数为所述第一生成器的训练参数，所述第一编码器的模型参数为所述第一编码器的训练参数；
[0023]在所述第一生成器的模型参数以及所述第一生成器的模型参数下，基于所述重构协变量数据、所述高维向量和所述协变量数据，计算所述第一鉴别器的训练损失的梯度；
[0024]在所述第一鉴别器的训练损失的梯度下，对所述第一鉴别器进行梯度下降训练，更新所述第一鉴别器的模型参数，并将所述第一鉴别器的模型参数确定为所述第一鉴别器的训练参数。
[0025]可选的，在所述预设迭代次数下，基于所述剩余生命数据与所述预测噪声数据对所述第二编码器、所述第二生成器和所述第二鉴别器进行训练，确定第二编码器的训练参数、第二生成器的训练参数和第二鉴别器的训练参数，包括：
[0026]判断当前迭代次数是否为所述预设迭代次数；
[0027]若否，通过所述第二生成器对当前迭代次数下的高维向量以及所述预测噪声数据进行重构，得到最新的重构预测剩余生命数据；
[0028]通过所述第二编码器对当前迭代次数下的高维向量以及所述剩余生命数据进行编码，得到最新的映射噪声数据；
[0029]基于所述剩余生命数据、所述映射噪声数据和所述重构预测剩余生命数据，计算第二重构损失、预测失真损失以及所述第二编码器与所述第二生成器合并的第二合并损失；
[0030]确定所述第二重构损失的梯度、所述预测失真损失的梯度以及所述第二合并损失的梯度；
[0031]在所述第二重构损失的梯度、所述预测失真损失的梯度以及所述第二合并损失的梯度下，对所述第二生成器与所述第二编码器进行梯度下降训练，更新所述第二生成器的模型参数，以及更新第二编码器的模型参数；
[0032]以所述映射噪声数据作为最新的预测噪声数据，当前迭代次数增加1，返回执行所述判断当前迭代次数是否为所述预设迭代次数的步骤；
[0033]若是，确定所述第二生成器的模型参数为所述第二生成器的训练参数，所述第二编码器的模型参数为所述第二编码器的训练参数；
[0034]在所述第二生成器的模型参数以及所述第二生成器的模型参数下，基于所述剩余生命数据、所述映射噪声数据和所述重构预测剩余生命数据，确定所述第二鉴别器的训练损失的梯度；
[0035]在所述第二鉴别器的训练损失的梯度下，对第二鉴别器进行梯度下降训练，更新所述第二鉴别器的模型参数，并将所述第二鉴别器的模型参数确定为所述第二鉴别器的训练参数。
[0036]可选的，在将所述第二鉴别器的模型参数确定为所述第二鉴别器的训练参数之后，还包括：
[0037]当本轮训练的轮次为小于第二轮时，返回执行所述从已有的工业设备训练集中获取本轮训练的训练数据的步骤；
[0038]当本轮训练的轮次为不小于第二轮时，判断本轮训练的预测失真损失是否小于上一轮训练的预测失真损失；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业设备的剩余生命预测方法，其特征在于，包括：将工业设备的待测数据输入至预先建立的生命预测模型，输出所述工业设备的剩余生命时间；所述生命预测模型的建立过程，包括：构建生命预测架构，所述生命预测架构包括条件空间架构和预测空间架构，所述条件空间架构包括第一编码器、第一生成器和第一鉴别器，所述预测空间架构包括第二编码器、第二生成器和第二鉴别器，所述第一编码器、所述第一生成器、所述第二编码器和所述第二生成器均采用对抗性再生结构；从已有的工业设备训练集中获取本轮训练的训练数据，所述训练数据包括协变量数据和与所述协变量数据对应的剩余生命数据；随机获取初始的样本噪声数据，并在预设迭代次数下，基于所述协变量数据与所述样本噪声数据对所述第一编码器、所述第一生成器和所述第一鉴别器进行训练，确定第一编码器的训练参数、第一生成器的训练参数和第一鉴别器的训练参数；随机获取初始的预测噪声数据，并在所述预设迭代次数下，基于所述剩余生命数据与所述预测噪声数据对所述第二编码器、所述第二生成器和所述第二鉴别器进行训练，确定第二编码器的训练参数、第二生成器的训练参数和第二鉴别器的训练参数；基于所述第一编码器的训练参数、所述第一生成器的训练参数、所述第一鉴别器的训练参数、所述第二编码器的训练参数、所述第二生成器的训练参数和所述第二鉴别器的训练参数，构建生命预测模型。2.根据权利要求1所述的方法，其特征在于，所述在预设迭代次数下，基于所述协变量数据与所述样本噪声数据对所述第一编码器、所述第一生成器和所述第一鉴别器进行训练，确定第一编码器的训练参数、第一生成器的训练参数和第一鉴别器的训练参数，包括：判断当前迭代次数是否为预设迭代次数；若否，以所述协变量数据为重构目标，通过所述第一生成器对所述样本噪声数据进行重构，得到最新的重构协变量数据；通过所述第一编码器对所述协变量数据进行编码，得到当前迭代次数下的高维向量，所述高维向量比所述协变量数据具有更高维数；基于所述重构协变量数据、所述高维向量和所述协变量数据，计算第一重构损失以及所述第一编码器与所述第一生成器合并的第一合并损失；确定所述第一重构损失的梯度以及所述第一合并损失的梯度；在所述第一重构损失的梯度与所述第一合并损失的梯度下，对所述第一生成器与所述第一编码器进行梯度下降训练，更新所述第一生成器的模型参数，以及更新第一编码器的模型参数；以所述高维向量作为最新的样本噪声数据，当前迭代次数增加1，并返回执行所述判断当前迭代次数是否为预设迭代次数的步骤；若是，确定所述第一生成器的模型参数为所述第一生成器的训练参数，所述第一编码器的模型参数为所述第一编码器的训练参数；在所述第一生成器的模型参数以及所述第一生成器的模型参数下，基于所述重构协变量数据、所述高维向量和所述协变量数据，计算所述第一鉴别器的训练损失的梯度；
在所述第一鉴别器的训练损失的梯度下，对所述第一鉴别器进行梯度下降训练，更新所述第一鉴别器的模型参数，并将所述第一鉴别器的模型参数确定为所述第一鉴别器的训练参数。3.根据权利要求2所述的方法，其特征在于，在所述预设迭代次数下，基于所述剩余生命数据与所述预测噪声数据对所述第二编码器、所述第二生成器和所述第二鉴别器进行训练，确定第二编码器的训练参数、第二生成器的训练参数和第二鉴别器的训练参数，包括：判断当前迭代次数是否为所述预设迭代次数；若否，通过所述第二生成器对当前迭代次数下的高维向量以及所述预测噪声数据进行重构，得到最新的重构预测剩余生命数据；通过所述第二编码器对当前迭代次数下的高维向量以及所述剩余生命数据进行编码，得到最新的映射噪声数据；基于所述剩余生命数据、所述映射噪声数据和所述重构预测剩余生命数据，计算第二重构损失、预测失真损失以及所述第二编码器与所述第二生成器合并的第二合并损失；确定所述第二重构损失的梯度、所述预测失真损失的梯度以及所述第二合并损失的梯度；在所述第二重构损失的梯度、所述预测失真损失的梯度以及所述第二合并损失的梯度下，对所述第二生成器与所述第二编码器进行梯度下降训练，更新所述第二生成器的模型参数，以及更新第二编码器的模型参数；以所述映射噪声数据作为最新的预测噪声数据，当前迭代次数增加1，返回执行所述判断当前迭代次数是否为所述预设迭代次数的步骤；若是，确定所述第二生成器的模型参数为所述第二生成器的训练参数，所述第二编码器的模型参数为所述第二编码器的训练参数；在所述第二生成器的模型参数以及所述第二生成器的模型参数下，基于所述剩余生命数据、所述映射噪声数据和所述重构预测剩余生命数据，确定所述第二鉴别器的训练损失的梯度；在所述第二鉴别器的训练损失的梯度下，对第二鉴别器进行梯度下降训练，更新所述第二鉴别器的模型参数，并将所述第二鉴别器的模型参数确定为所述第二鉴别器的训练参数。4.根据权利要求3所述的方法，其特征在于，在将所述第二鉴别器的模型参数确定为所述第二鉴别器的训练参数之后，还包括：当本轮训练的轮次为小于第二轮时，返回执行所述从已有的工业设备训练集中获取本轮训练的训练数据的步骤；当本轮训练的轮次为不小于第二轮时，判断本轮训练的预测失真损失是否小于上一轮训练的预测失真损失；若是，则返回执行所述从已有的工业设备训练集中获取本轮训练的训练数据的步骤；若否，则确定所述第一编码器、所述第一生成器、所述第一鉴别器、所述第二编码器、所述第二生成器与所述第二鉴别器各自的训练参数为各自最终的训练参数。5.根据权利要求3所述的方法，其特征在于，所述重构预测剩余生命数据包括所述训练数据对应的样本工业设备在加速退化阶段中的预测剩余生命数据，以及所述训练数据对应
的样本工业设备在正常退化阶段中的预测剩余生命数据；基于所述剩余生命数据、所述映射噪声数据和所述重构预测剩余生命数据，计算预测失真损失，包括：利用下式计算预测失真损失：其中，为计算数学期望的标志，z
∈
～p
∈
为从概率分布p
∈
中抽样的随机噪声，(t
a
,c
a
)～p
ca
为所述训练数据对应的样本工业设备在加速退化阶段中的，高维向量与所述剩余生命数据的联合分布，(t
n
,c
n

【专利技术属性】
技术研发人员：李丹，张泽凯，郑子彬，
申请(专利权)人：中山大学，
类型：发明
国别省市：