The invention discloses a health condition monitoring method for complex equipment based on attention mechanism and neural network. The main steps are as follows: acquiring multi-sensor data of complex equipment; selecting features to obtain effective measurement data; preprocessing to obtain multiple slice samples; establishing a neural network classification model that integrates attention mechanism and deep neural network; inputting slice samples and their corresponding labels into the neural network classification model to train the neural network classification model offline; and putting more to be predicted. The slice samples of sensor data are input into the trained neural network classification model to get the health status of complex equipment. The method takes into account the data characteristics of multi-sensor signals, fully excavates the local features and time sequence information of data, has high prediction accuracy and wide applicability, and can be widely used in various complex equipment.
【技术实现步骤摘要】
基于注意力机制与神经网络的复杂装备健康状态监测方法
本专利技术涉及了一种复杂装备状态监测方法,尤其是涉及了一种基于注意力机制与神经网络的复杂装备健康状态监测方法,属于系统健康管理领域。
技术介绍
在工业生产上,对复杂装备的健康状态进行实时监测是非常有意义的,其能提供视情维护能力,为维修活动提供指导。还可以缩减检查成本、降低全寿命周期的成本,避免不必要的开销。还可以及时监测出装备的使用情况,使技术员能及时作出相关调整。基于神经网络的监测模型已经成为复杂装备视情维护中常用的方法之一。基于神经网络的监测模型依赖于大量且有效的历史数据,而实际应用中复杂装备的历史运行数据较难获取。即使能获取,这些数据通常是不完整的且含有一定噪声,这就对神经网络模型的要求非常高,否则模型预测准确率将会降低。准确率相对较低是基于神经网络的监测方法面临的主要技术难点。在基于神经网络的监测模型中,常用的方法有多层感知机(MLP)、循环神经网络(RNN)、长短期记忆网络(LSTM)和卷积神经网络(CNN)等。多层感知机模型是最常用的神经网络,但其特征提取能力不强,当隐藏层较多时容易产生梯度扩散消失问题,且不能直接处理时序信号;传统的循环神经网络可以处理时序信号,但其存在梯度消失和梯度爆炸的问题,在长序列时序信号上效果较差;长短期记忆网络克服了传统循环神经网络的缺点,对长序列时序信号有较好的处理能力,但其特征提取能力不强;卷积神经网络具有较强的特征提取能力,但其也无法直接处理时序信号。以上就是基于神经网络的健康状态监测方法的主要缺点和不足。
技术实现思路
为了解决
技术介绍
中存在的问题,本专利技术提 ...
【技术保护点】
1.基于注意力机制与神经网络的复杂装备健康状态监测方法,其特征在于:包括以下步骤:S1.获取复杂装备的多传感数据;S2.对多传感数据进行特征选择,获得有效测量数据;S3.对有效测量数据进行预处理,包括利用数据均值对缺失值进行填充、对各数据进行标准化处理以及对数据进行切片处理,得到多个切片样本;S4.建立融合了注意力机制和深度神经网络的神经网络分类模型;S5.针对复杂装备已作健康状态标签标记的多传感数据进行步骤S1~S3后与其对应的标签输入到神经网络分类模型中,离线训练神经网络分类模型;S6.针对复杂装备需要预测的多传感数据进行步骤S1~S3后输入到训练好的神经网络分类模型中,得到复杂装备的健康状态。
【技术特征摘要】
1.基于注意力机制与神经网络的复杂装备健康状态监测方法,其特征在于:包括以下步骤:S1.获取复杂装备的多传感数据;S2.对多传感数据进行特征选择,获得有效测量数据;S3.对有效测量数据进行预处理,包括利用数据均值对缺失值进行填充、对各数据进行标准化处理以及对数据进行切片处理,得到多个切片样本;S4.建立融合了注意力机制和深度神经网络的神经网络分类模型;S5.针对复杂装备已作健康状态标签标记的多传感数据进行步骤S1~S3后与其对应的标签输入到神经网络分类模型中,离线训练神经网络分类模型;S6.针对复杂装备需要预测的多传感数据进行步骤S1~S3后输入到训练好的神经网络分类模型中,得到复杂装备的健康状态。2.根据权利要求1所述的基于注意力机制与神经网络的复杂装备健康状态监测方法,其特征在于:所述步骤S1中通过多种传感器分别间隔采样采集获得多方面的测量数据,作为多传感数据。3.根据权利要求1所述的基于注意力机制与神经网络的复杂装备健康状态监测方法,其特征在于:所述步骤S2中,根据方差特征选择原则,从多传感数据中选取方差大于特征阈值的传感数据作为有效特征,经过特征选取后保留下来的形成有效测量数据。4.根据权利要求1所述的基于注意力机制与神经网络的复杂装备健康状态监测方法,其特征在于:所述步骤S3具体如下:S31.对于有效测量数据中存在的缺失值,求出数据的均值,利用均值作为填充值对缺失值进行数据填充;S32.对数据填充后的有效测量数据进行标准化处理,将各有效测量数据转换为均值为0、方差为1的无量纲数据序列;S33.对无量纲数据序列进行切片处理,切片的时间长度为30,时间步长为1,获得多个切片样本。5.根据权利要求1所述的基于注意力机制与神经网络的复杂装备健康状态监测方法,其特征在于:所述步骤S4中,所述的神经网络分类模型构建为:S41.构造连续三层卷积神经网络,前两层卷积神经网络均包括连续依次连接的一个卷积层和一个池化层,第三层卷积神经网络只有一个卷积层;卷积层均由K个卷积滤波器组成,K个卷积滤波器的大小相同,但卷积滤波器的内部权值不同,对输入的数据...
【专利技术属性】
技术研发人员:刘振宇,刘惠,郏维强,张栋豪,谭建荣,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
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。