【技术实现步骤摘要】
本专利技术属于设备健康管理，尤其涉及一种设备剩余使用寿命预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着科技的不断进步，机械设备的自动化程度和系统集成度越来越高，结构更加复杂，各部件之间联系也更加紧密。当系统中的某个部件出现故障或失效时，会影响其他部件的工作状态，甚至可能导致整个系统故障而造成严重的后果。随着计算机及相关信息技术的发展，对设备故障的预测成为了可能，依托于大数据平台的故障预测和剩余使用寿命预测可以有效地减少事故的发生，挽回损失，并保证设备健康持续运行，保证工作效率及服务水平，在工业生产中发挥着重要的作用。
3、剩余使用寿命(remaining useful life，rul)预测技术是故障预测与健康管理技术(prognostic and health management，phw)的关键技术。其主要是依托于系统历史运行状况及当前的状况，对设备的剩余使用寿命做出预测，指导人们及时进行设备维修与更换，最大程度上减少经济损失和设备故障导致的安全问题。
4、设备的rul预测主流方法包括两类：基于物理模型的预测方法；基于数据驱动的预测方法。
5、基于物理模型的预测方法主要基于故障机理和经验知识来构建工业设备的退化模型，运用此方法进行剩余使用寿命预测时，需要知晓导致工件故障的各种内在和外在因素，并建立描述故障机理的物理模型，通过实验和数据来验证物理模型的准确性，不断更新模型的相关参数，以此来提高模型的预测精度。
6、基于数据驱动的rul预测主要分为统计学习类方法和机器学习类方法，这些方法均依赖于传感器采集的设备信息，通过相关算法找到隐含于大量数据中的设备工件的退化特征，并实现对于目标工件的剩余使用寿命预测。深度学习作为机器学习的一个子领域，相比于传统的机器学习，其最直观的区别是加深了隐藏层，并且由模型自动地提取特征，参数量相较于传统机器学习变得更大，训练时间更长，对数据的依赖性更强，擅长处理更加高维的数据。与浅层神经网络结构相比，基于dl的方法不仅能有效地从原始信号中提取有用信息，而且不依赖先验知识和人工操作，在rul领域具有广阔的应用前景。
7、但是，现有的大多数基于深度学习的rul预测方法主要使用卷积神经网络(cnn)作为特征提取器，这常常难以捕捉时间序列的长期依赖关系，难以适应于复杂运行条件；同时，当深度cnn网络进行训练时，不仅训练时间较长，而且容易遇到梯度消失或梯度爆炸等问题，影响模型的稳定性。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种设备剩余使用寿命预测方法及系统，通过并行的时间卷积网络做特征提取器，提取得到多个周期间依赖关系后，对周期间依赖关系经过双注意力机制处理后，进行通道和周期上的加权，使得通道和周期的权重计算过程中，考虑到周期间依赖关系，从而能够更有效地从传感器信号中提取有用信息，尤其在复杂运行条件下，具有更强的适应性。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种设备剩余使用寿命预测方法，其包括：
4、获取待测设备的若干周期内的传感器数据；
5、对于所述若干周期内的传感器数据，通过多个并行的时间卷积网络，提取周期间依赖关系，并将不同时间卷积网络提取的周期间依赖关系进行拼接，得到特征图，通过通道注意力模块对特征图中的不同通道赋予不同的注意力权重，得到通道加权特征图，通过时间注意力模块对特征图中的不同周期赋予不同的注意力权重，得到时间加权特征图；
6、基于所述通道加权特征图和时间加权特征图，预测得到待测设备的剩余使用寿命。
7、进一步地，所述时间卷积网络、通道注意力模块和时间注意力模块的训练过程中采用的训练数据中的设备的剩余使用寿命，根据设备的最大寿命和运行时间，采用分段线性退化模型计算得到。
8、进一步地，对所述传感器数据进行标准化处理和一维卷积操作后，通过多个并行的时间卷积网络，提取周期间依赖关系。
9、进一步地，所述时间卷积网络、通道注意力模块和时间注意力模块的验证采用均方根误差和评分函数。
10、进一步地，所述通道注意力模块对所述特征图进行时间维度上的平均池化，得到一维向量，通过多层感知机对一维向量进行信息压缩，并通过全连接层对信息压缩后的一维向量进行维度恢复，得到通道注意力权重向量，对所述通道注意力权重向量进行归一化后，与所述特征图进行逐元素相乘，得到通道加权特征图。
11、进一步地，所述时间注意力模块对所述特征图进行通道维度上的平均池化，得到单通道特征向量，通过卷积操作对单通道特征向量进行调整，得到时间注意力权重向量，对所述时间注意力权重向量进行归一化后，与所述特征图进行逐元素相乘，得到时间加权特征图。
12、本专利技术的第二个方面提供一种设备剩余使用寿命预测系统，其包括：
13、数据获取模块，其被配置为：获取待测设备的若干周期内的传感器数据；
14、特征提取模块，其被配置为：对于所述若干周期内的传感器数据，通过多个并行的时间卷积网络，提取周期间依赖关系，并将不同时间卷积网络提取的周期间依赖关系进行拼接，得到特征图，通过通道注意力模块对特征图中的不同通道赋予不同的注意力权重，得到通道加权特征图，通过时间注意力模块对特征图中的不同周期赋予不同的注意力权重，得到时间加权特征图；
15、寿命预测模块，其被配置为：基于所述通道加权特征图和时间加权特征图，预测得到待测设备的剩余使用寿命。
16、本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种设备剩余使用寿命预测方法中的步骤。
17、本专利技术的第四个方面提供一种计算机设备，包括计算机可读存储介质、处理器及存储在计算机可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种设备剩余使用寿命预测方法中的步骤。
18、本专利技术的第五个方面提供一种计算机程序产品，其为一种含有计算机程序的计算机程序产品，当处理器执行所述计算机程序时，实现如上述所述的一种设备剩余使用寿命预测方法中的步骤。
19、与现有技术相比，本专利技术的有益效果是：
20、本专利技术通过并行的时间卷积网络做特征提取器，提取得到多个周期间依赖关系后，对周期间依赖关系经过双注意力机制处理后，进行通道和周期上的加权，使得通道和周期的权重计算过程中，考虑到周期间依赖关系，从而能够更有效地从本文档来自技高网...
【技术保护点】
1.一种设备剩余使用寿命预测方法，其特征在于，包括：
2.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，所述时间卷积网络、通道注意力模块和时间注意力模块的训练过程中采用的训练数据中的设备的剩余使用寿命，根据设备的最大寿命和运行时间，采用分段线性退化模型计算得到。
3.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，对所述传感器数据进行标准化处理和一维卷积操作后，通过多个并行的时间卷积网络，提取周期间依赖关系。
4.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，所述时间卷积网络、通道注意力模块和时间注意力模块的验证采用均方根误差和评分函数。
5.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，所述通道注意力模块对所述特征图进行时间维度上的平均池化，得到一维向量，通过多层感知机对一维向量进行信息压缩，并通过全连接层对信息压缩后的一维向量进行维度恢复，得到通道注意力权重向量，对所述通道注意力权重向量进行归一化后，与所述特征图进行逐元素相乘，得到通道加权特征图。
6.如权利要求
7.一种设备剩余使用寿命预测系统，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的一种设备剩余使用寿命预测方法中的步骤。
9.一种计算机设备，包括计算机可读存储介质、处理器及存储在计算机可读存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的一种设备剩余使用寿命预测方法中的步骤。
10.一种计算机程序产品，其为一种含有计算机程序的计算机程序产品，其特征在于，当处理器执行所述计算机程序时，实现如权利要求1-6中任一项所述的一种设备剩余使用寿命预测方法中的步骤。
...【技术特征摘要】
1.一种设备剩余使用寿命预测方法，其特征在于，包括：
2.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，所述时间卷积网络、通道注意力模块和时间注意力模块的训练过程中采用的训练数据中的设备的剩余使用寿命，根据设备的最大寿命和运行时间，采用分段线性退化模型计算得到。
3.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，对所述传感器数据进行标准化处理和一维卷积操作后，通过多个并行的时间卷积网络，提取周期间依赖关系。
4.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，所述时间卷积网络、通道注意力模块和时间注意力模块的验证采用均方根误差和评分函数。
5.如权利要求1所述的一种设备剩余使用寿命预测方法，其特征在于，所述通道注意力模块对所述特征图进行时间维度上的平均池化，得到一维向量，通过多层感知机对一维向量进行信息压缩，并通过全连接层对信息压缩后的一维向量进行维度恢复，得到通道注意力权重向量，对所述通道注意力权重向量进行归一化后，与所述特征图进行逐元素相乘，得到通道加权特征图...
【专利技术属性】
技术研发人员：王艳艳，宋顺然，许子健，
申请(专利权)人：山东大学深圳研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。