一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法技术

本发明专利技术属于机械设备状态监测和寿命预测技术领域，并公开了一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，包括以下步骤：1)获取机械设备的多种监测信号，并对采集的监测信号进行预处理；2)对监测信号进行筛选，选取能较好反应机械设备退化过程的信号；3)构建多重长短期记忆网络模型实现多个网络同步训练；4)将传感器实时采集的信号输入到多重长短期记忆网络模型中，多个网络进行并行预测，得到预测结果；5)利用经验贝叶斯算法对预测结果的概率分布进行估计，推断出最可能的设备剩余使用寿命。本发明专利技术能够对机械设备的剩余使用寿命进行实时精确预测，实现机械设备故障的提前感知，保障机械设备的安全、稳定、长周期运行。

A device life prediction method based on multiple long term short-term memory network and empirical Bayes

The invention belongs to the technical field of mechanical equipment condition monitoring and life prediction, and discloses a device life prediction method based on multiple long-term and short-term memory networks and empirical Bayes, which comprises the following steps: 1) acquiring a variety of monitoring signals of mechanical equipment, and preprocessing the collected monitoring signals; 2) advancing the monitoring signals; Line selection, select a better response to the degradation process of mechanical equipment signals; 3) build a multi-long-term and short-term memory network model to achieve multiple network synchronization training; 4) sensor real-time acquisition of the signal into the multi-long-term and short-term memory network model, multi-network parallel prediction, get the prediction results; 5) using the empirical Bay; By estimating the probability distribution of the predicted results, the Lease algorithm deduces the most probable remaining life of the equipment. The invention can accurately predict the remaining service life of the mechanical equipment in real time, realize the prior perception of the mechanical equipment failure, and ensure the safe, stable and long-term operation of the mechanical equipment.

【技术实现步骤摘要】
一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
本专利技术属于机械设备状态监测和寿命预测
，更具体地，涉及一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法。
技术介绍
伴随着制造业向自动化、网络化、绿色化、智能化的方向发展，机械设备结构越来越复杂，组成单元之间关联度越来越高，且功能复合。一旦其发生故障，将难以及时准确地诊断出故障原因。此外，机械设备的运行环境复杂、工况多变，其组成单元可能发生不同程度的故障，造成机械设备的损坏甚至造成重大的安全事故。因此，需要对机械设备开展寿命预测，以在设备发生故障前及时采取预防性维修策略，避免故障突发。这一方面保障了机械设备的安全可靠运行，提高经济效益，另一方面为维修提供了重要依据，降低了维修的成本。循环神经网络模型作为一种深度学习方法，得到了越来越多研究机构的关注。长短期记忆网络作为一种新型的循环神经网络模型，具有较高的泛化能力、较强的非线性映射能力和良好的自组织自学习能力等优点，目前被广泛地应用于机械设备的状态监测与寿命预测领域。然而，现有的文献大多是表述使用单个网络模型去预测，忽视了预测样本由于加工过程的微变化和加工环境变化等原因造成的样本性能的多样性，这给机械设备剩余使用寿命的准确预测带来了挑战。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法。所述的设备寿命预测方法运用多重长短期记忆网络模型对采集的传感器信号进行分析，实现并行预测；结合经验贝叶斯算法，估计出最可能的剩余使用寿命，实现对设备剩余使用寿命的在线预测。为实现上述目的，按照本专利技术，提供了一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，其特征在于，包括以下步骤：1)获取机械设备的多种状态监测信号，并采用指数移动平均法对采集的状态监测信号进行平滑处理，处理公式如下：其中，α为平滑系数，xt是数据平滑前t时刻的采样数据，yt是数据平滑后t时刻的数据；2)以下列公式(2)中SC为筛选依据，对所获取的多种状态监测信号进行筛选，选取能较好反应机械设备退化过程的状态监测信号，其中其中，Mon表示状态监测信号的单调性，Corr表示状态监测信号和运行时间之间的线性相关性，并且Mon和Corr表示如下：其中，K是采样点的总数，δ(·)是符号函数，fT(t)是t时刻的平均趋势特征值，并且fT(t)表式如下：其中，fU(t)和fL(t)是状态监测信号数的上包络线和下包络线在t时刻的值；3)构建多重长短期记忆网络模型：在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，以实现多个网络同步训练；4)在测试阶段，将实时采集的状态监测信号输入到训练好的多重长短期记忆网络模型中，多重长短期记忆网络模型的多个网络进行并行预测，得到多个预测结果；5)利用经验贝叶斯算法对预测结果的概率分布进行估计，得到最可能的设备剩余使用寿命。优选地，所述状态监测信号包括振动、噪音、位移、加速度、电流、压力和温度。优选地，所述多重长短期记忆网络模型由多个长短期记忆网络组合而成，以实现并行预测，该多重长短期记忆网络模型分为三个层，分别为输入层、LSTM层和输出层，其中，输入层负责将每个数据块与长短期记忆网络进行对应并将数据输入网络，LSTM层负责对数据进行循环处理，输出层负责输出每一步的预测结果。优选地，所有长短期记忆网络的结构相同，每个长短期记忆网络均由三个层组成，分别为：输入层、隐藏层和输出层，其中，隐藏层中神经元细胞采用LSTM细胞结构。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：本专利技术针对机械设备的剩余预测问题，基于多重长短期记忆网络和经验贝叶斯建立了一种机械设备剩余寿命在线预测方法，能够对机械设备的剩余使用寿命进行实时精确预测，实现机械设备故障的提前感知，保障机械设备的安全、稳定、长周期运行。附图说明图1是本专利技术方法的流程图；图2是多LSTM网络模型结构图；图3a是单调性和相关性结果图；图3b是传感器筛选结果图；图4是测试发动机的剩余使用寿命与实际值对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。参照各附图，一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，包括以下步骤：1)获取机械设备的多种状态监测信号，并采用指数移动平均法对采集的状态监测信号进行平滑处理，处理公式如下：其中，α为平滑系数，xt是数据平滑前t时刻的采样数据，yt是数据平滑后t时刻的数据；优选地，所述状态监测信号包括振动、噪音、位移、加速度、电流、压力和温度。2)以下列公式(2)中SC为筛选依据，对所获取的多种状态监测信号进行筛选，选取能较好反应机械设备退化过程的状态监测信号，其中其中，Mon表示状态监测信号的单调性，Corr表示状态监测信号和运行时间之间的线性相关性，并且Mon和Corr表示如下：其中，K是采样点的总数，δ(·)是符号函数，fT(t)是t时刻的平均趋势特征值，并且fT(t)表式如下：其中，fU(t)和fL(t)是状态监测信号数的上包络线和下包络线在t时刻的值；3)构建多重长短期记忆网络模型：在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，以实现多个网络同步训练；4)在测试阶段，将实时采集的状态监测信号输入到训练好的多重长短期记忆网络模型中，多重长短期记忆网络模型的多个网络进行并行预测，得到多个预测结果；5)利用经验贝叶斯算法对预测结果的概率分布进行估计，得到最可能的设备剩余使用寿命。进一步，所述多重长短期记忆网络模型由多个长短期记忆网络组合而成，以实现并行预测，该多重长短期记忆网络模型分为三个层，分别为输入层、LSTM层和输出层，其中，输入层负责将每个数据块与长短期记忆网络进行对应并将数据输入网络，LSTM层负责对数据进行循环处理，输出层负责输出每一步的预测结果。所有长短期记忆网络的结构相同，每个长短期记忆网络均由三个层组成，分别为：输入层、隐藏层和输出层，其中，隐藏层中神经元细胞采用LSTM细胞结构。构建如图2所示的多重长短期记忆网络模型。在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，实现并行训练。在单长短期记忆网络中，为充分利用连续时间信息之间的关联，隐藏层细胞之间也相互传输信息。此外，由于长短期记忆细胞独特的记忆功能，长短期记忆网络可以实现对过去信息的记忆和利用。长短期记忆细胞具有去除或添加信息到单元状态的能力，这取决于三个精心设计的门结构，它们精确地控制长短期记忆网络中的信息流动。具体过程如下：其中，wgx,wnx,wfx和wox分别是长短期记忆细胞的输入数据xi的权值，wgh,wnh,wfh和woh是上一时刻长短期记忆细胞输出值hi-1重新进入长短期记忆细胞的权值。bg,bn,bf和bo分本文档来自技高网...

【技术保护点】
1.一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，其特征在于，包括以下步骤：1)获取机械设备的多种状态监测信号，并采用指数移动平均法对采集的状态监测信号进行平滑处理，处理公式如下：

【技术特征摘要】
1.一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，其特征在于，包括以下步骤：1)获取机械设备的多种状态监测信号，并采用指数移动平均法对采集的状态监测信号进行平滑处理，处理公式如下：其中，α为平滑系数，xt是数据平滑前t时刻的采样数据，yt是数据平滑后t时刻的数据；2)以下列公式(2)中SC为筛选依据，对所获取的多种状态监测信号进行筛选，选取能较好反应机械设备退化过程的状态监测信号，其中其中，Mon表示状态监测信号的单调性，Corr表示状态监测信号和运行时间之间的线性相关性，并且Mon和Corr表示如下：其中，K是采样点的总数，δ(·)是符号函数，fT(t)是t时刻的平均趋势特征值，并且fT(t)表式如下：其中，fU(t)和fL(t)是状态监测信号数的上包络线和下包络线在t时刻的值；3)构建多重长短期记忆网络模型：在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，以实现多个网络同步训练；4)在测试阶段，将实时采集的状态监测信号输入到训练好的多重长...

【专利技术属性】
技术研发人员：吴军，程一伟，朱海平，邵新宇，黎国强，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42