机械装备剩余使用寿命快速有效预测的深度学习方法技术

机械装备剩余使用寿命快速有效预测的深度学习方法，对机械装备的多维全寿命周期数据进行处理；然后对经过处理后的数据进行非线性降维与性能非线性退化特征的提取后分解成短序列数据，再构建一个深度门控递归神经网络模型；设置网络深度N、学习率，批次大小与迭代次数，使得深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％，否则重新设置上述参数进行网络模型训练，直至平均相对误差低于10％；再进行后处理。该预测方法利用多层自动编码器与深度门控递归神经网络组合工作，既克服了高维数据难建模、易过拟合的问题，又解决了对长时间序列难建模的问题，具有预测精度高、运行速度快等特点。

【技术实现步骤摘要】
机械装备剩余使用寿命快速有效预测的深度学习方法
本专利技术涉及机械设备健康评估领域，具体为一种机械装备剩余使用寿命快速有效预测的深度学习方法。
技术介绍
近十年来机械设备健康评估技术成为长寿命、高可靠机械设备运营管理的关键技术，健康评估具有可发现早期的系统性能衰退，能给出设备的运行健康程度，可将现行的设备定期维护发展到视情维护，可大幅度降低运营管理费用等优点。对装备的剩余使用寿命进行预测是对设备运行健康程度的最直接评价，剩余使用寿命的预测精度与预测效率是该问题最大的难点。复杂装备由于其装备结构的复杂性，退化过程的非线性，退化路径的多样性，以及信号多源且含噪声等原因，其建模预测精度与模型运算效率难以保证。传统的维纳过程、伽马过程、卡尔曼滤波等方法善于解决以单变量的退化模型，无法胜任含有多源含噪数据的复杂装备剩余使用寿命预测。马尔科夫模型可以对时间序列进行建模，但是由于模型只能对退化过程离散化建模，并且模型复杂度随着状态空间的增大指数型增长，因此要得到高预测精度的马尔科夫模型就必须牺牲预测效率。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种机械装备剩余使用寿命快速有效预测的深度本文档来自技高网...

【技术保护点】
1.一种机械装备剩余使用寿命快速有效预测的深度学习方法，其特征在于，包括以下步骤：步骤1：首先，对机械装备的多维全寿命周期数据进行归一化处理与滤波降噪处理；步骤2：构建多层自编码器网络，然后对经过步骤1处理后的数据进行非线性降维与性能非线性退化特征的提取，得到全寿命周期的性能非线性退化特征；步骤3：对每个时刻的剩余使用寿命值进行缩放处理后，将步骤2得到的全寿命周期的性能非线性退化特征分解成固定长度为N的短序列数据，得到固定长度为N的短序列，每个短序列对应一个标签值，标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值；其中，N为整数；步骤4：针对步骤3得到的长度为N的短序列数据对应地构...

【技术特征摘要】
1.一种机械装备剩余使用寿命快速有效预测的深度学习方法，其特征在于，包括以下步骤：步骤1：首先，对机械装备的多维全寿命周期数据进行归一化处理与滤波降噪处理；步骤2：构建多层自编码器网络，然后对经过步骤1处理后的数据进行非线性降维与性能非线性退化特征的提取，得到全寿命周期的性能非线性退化特征；步骤3：对每个时刻的剩余使用寿命值进行缩放处理后，将步骤2得到的全寿命周期的性能非线性退化特征分解成固定长度为N的短序列数据，得到固定长度为N的短序列，每个短序列对应一个标签值，标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值；其中，N为整数；步骤4：针对步骤3得到的长度为N的短序列数据对应地构建一个网络深度为N的递归神经网络，得到深度门控递归神经网络模型；步骤5：根据步骤4构建的深度门控递归神经网络模型，设置网络深度N、学习率，批次大小与迭代次数，使得深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％，否则返回步骤3重新设置网络深度N、学习率，批次大小与迭代次数进行网络模型训练，直至深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％；步骤6：对深度门控递归神经网络输出的剩余使用寿命结果进行后处理，得到剩余使用寿命预测值。2.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法，其特征在于，步骤1中具体过程为：对机械装备的每一维全寿命周期数据单独进行归一化处理与均值滤波处理，归一化处理采用0均值归一，按如下式子进行变换：其中zi为归一化后的数据，xi为一维样本数据，μ为样本数据均值，σ为样本标准差；均值滤波处理采用填充最近边界值法，具体过程按如下式子进行：z'＝z*h其中z＝[z1,z2,z3,…]为归一化后的数据，z'为...

【专利技术属性】
技术研发人员：陈景龙，景宏杰，訾艳阳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61