基于改进ESGP与预测区间的剩余寿命预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于改进ESGP与预测区间的剩余寿命预测方法及装置，其中，方法包括：采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征；根据趋势特征通过基于岭回归的回声状态网络对待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；将初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对剩余使用寿命进一步预测，以获取带有预测区间且更准确的预测结果。该方法基于多传感器采集的系统运行数据对剩余使用寿命进行高质量预测，在考虑预测不确定性的情况下为后续维护提供更加可靠的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。

【技术实现步骤摘要】
基于改进ESGP与预测区间的剩余寿命预测方法及装置
本专利技术涉及故障预测
，特别涉及一种基于改进ESGP(EchoStateGaussianProcesses，回声状态高斯过程)与预测区间的剩余使用寿命预测方法及装置。
技术介绍
目前，随着工业4.0与智能制造的发展，预测性维护(PredictiveMaintenance)技术在提升设备的维护质量，减少维护成本，降低设备运行风险等方面具有重要意义。预测性维护是PHM(PrognosticsandHealthManagement，故障预测与健康管理)系统的重要目标，实现预测性维护的核心内容之一是对设备的RUL(RemainingUsefulLife，剩余使用寿命)进行预测。可靠的剩余使用寿命预测可以为设备维护的决策提供有意义的信息，从而避免系统的严重故障。相关技术中，故障预测方法主要分为三类：基于模型、数据驱动、模型与数据驱动相结合的方法。随着传感器、存储等技术的发展，大数据背景下基于数据驱动的故障预测方法备受关注。现有的基于数据驱动的故障预测方法主要分为基于统计模型与基于机器学习两大类，旨在从大量数据中学习趋势特征，进而发掘出系统在运行过程中的行为表现。常见的方法有人工神经网络、支持向量回归、回声状态网络(Echostatenetwork)等，此外还有一些最近流行的深度学习方法，如LSTM(LongShort-TermMemory，长短期记忆网络)、DBN(deepbeliefnetworks，深度信念网络)等。然而，相关技术中大部分基于数据驱动的故障预测方法仅限于对RUL进行点预测，而未能考虑预测不确定性，因此得到的RUL预测结果信息单一且可靠性较低，无法有力支持后续健康管理或预测性维护的决策活动。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于改进ESGP与预测区间的剩余寿命预测方法，该方法可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。本专利技术的另一个目的在于提出一种基于改进ESGP与预测区间的剩余寿命预测装置。为达到上述目的，本专利技术一方面实施例提出了一种基于改进ESGP与预测区间的剩余寿命预测方法，包括以下步骤：采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果。本专利技术的实施例基于改进ESGP与预测区间的剩余寿命预测方法，基于多传感器采集的系统运行数据进行剩余使用寿命预测，可应用于复杂设备的健康管理系统，帮助设备在运行过程中进行智能维护，主要对设备或设备关键结构件的剩余使用寿命进行预测，可在不需要大规模数据的条件下考虑预测不确定性，提供可靠的带预测区间的RUL预测，为设备预测性维护提供有价值的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。另外，根据本专利技术上述实施例的基于改进ESGP与预测区间的剩余寿命预测方法还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述根据所述运行数据提取所述待测设备的趋势特征，进一步包括：获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征；对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。进一步地，在本专利技术的一个实施例中，还包括：建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与所述高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练。进一步地，在本专利技术的一个实施例中，还包括：在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数；在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法确定高斯过程回归模型的超参数；在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯模型进行测试，以得到剩余使用寿命预测值的均值与方差；将所述剩余使用寿命预测值的均值作为点预测结果，将所述剩余使用寿命预测值的方差用于构造所述预测区间。进一步地，在本专利技术的一个实施例中，其中，点预测效果的度量用均方误差及分值函数表示，公式为：其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。为达到上述目的，本专利技术另一方面实施例提出了一种基于改进ESGP与预测区间的剩余寿命预测装置，包括：采集模块，用于采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；初步预测模块，用于根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；最终预测模块，用于将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果。本专利技术实施例的基于改进ESGP与预测区间的剩余寿命预测装置，基于改进ESGP与预测区间的剩余寿命预测方法，基于多传感器采集的系统运行数据进行剩余使用寿命预测，可应用于复杂设备的健康管理系统中，帮助设备在运行过程中的智能维护，主要对设备或设备关键结构件的剩余使用寿命进行预测，可在不需要大规模数据的条件下考虑预测不确定性，提供可靠的带预测区间的RUL预测，为设备预测性维护提供有价值的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。另外，根据本专利技术上述实施例的基于改进ESGP与预测区间的剩余寿命预测装置还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述采集模块进一步用于获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征，并对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。进一步地，在本专利技术的一个实施例中，还包括：建模模块，用于建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；获取模块，用于通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；训练模块，用于将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使本文档来自技高网...

【技术保护点】
1.一种基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，包括以下步骤：采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；以及将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果。

【技术特征摘要】
1.一种基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，包括以下步骤：采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；以及将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果。2.根据权利要求1所述的基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，根据所述运行数据提取所述待测设备的趋势特征，进一步包括：获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征；对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。3.根据权利要求2所述的基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，还包括：建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与所述高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练。4.根据权利要求3所述的基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，还包括：在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数；在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法进行确定高斯过程回归模型的超参数；在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯模型进行测试，以得到剩余使用寿命预测值的均值与方差；将所述剩余使用寿命预测值的均值作为点预测结果，将所述剩余使用寿命预测值的方差用于构造所述预测区间。5.根据权利要求4所述的基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，其中，点预测效果的度量用均方误差及分值函数表示，公式为：其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。6.一种基于改进ESGP与预测区间的剩余...

【专利技术属性】
技术研发人员：张林鍹，刘重党，廖源，姚荣，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11