一种机械设备剩余使用寿命预测方法及系统技术方案

本公开公开了一种机械设备剩余使用寿命预测方法及系统，包括：以时间卷积网络作为特征提取算法，长短期记忆网络作为回归预测算法，构建深度神经网络寿命预测模型，训练深度神经网络寿命预测模型；根据被测设备型号和数据采集时间顺序，将采集的被测设备实时运行数据构建为具有时间序列特征的寿命预测数据集；以深度神经网络寿命预测模型对寿命预测数据集进行预测处理，获得被测设备的剩余使用寿命。根据监测机械设备的传感器输出的状态监测信号具备时间序列的特征，将时间卷积网络和长短期记忆网络相结合，建立深度神经网络寿命预测模型进行机械设备的RUL预测，解决一般深度神经网络模型存在的过拟合问题和梯度消失问题，提高预测精准度。

A method and system for predicting the remaining service life of mechanical equipment

【技术实现步骤摘要】
一种机械设备剩余使用寿命预测方法及系统
本公开涉及机械设备维修预测
，特别是涉及一种机械设备剩余使用寿命预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。随着现代科技的发展，计算机技术得到广泛应用，各种系统的功能也日趋完善，人们对系统长周期、高负荷下的可靠性提出了更高要求，对于某些大型系统平台，如舰船、飞机等，更需要对其关键部件进行智能维护，并实时进行寿命预测任务。机械设备的剩余使用寿命(RemainingUsefulLife，RUL)一般是指从当前运行时刻开始，到机械设备出现故障的时刻为止，两个时刻的时间差。剩余使用寿命预测技术是指机械设备部件正常运行状态或工作状态下，对其进行长期的状态监测，计算机械设备部件在正常的运行工况下能够继续安全可靠运行多长时间的工作，根据预测结果，可以判断设备健康状况，进行故障预判，进而能够提前进行维修方案制定、订购备件等工作。对于船舶等大型平台，该技术可在其离港航行期间，基于其传回的监测数据对其进行远程健康管理，提前进行故障预判、做出最优维护决策，到本文档来自技高网...

【技术保护点】
1.一种机械设备剩余使用寿命预测方法，其特征在于，包括：/n以时间卷积网络作为特征提取算法，长短期记忆网络作为回归预测算法，构建深度神经网络寿命预测模型，以历史运行数据作为训练数据，训练深度神经网络寿命预测模型；/n根据被测设备型号和数据采集时间顺序，将采集的被测设备实时运行数据构建为具有时间序列特征的寿命预测数据集；/n以训练后的深度神经网络寿命预测模型对寿命预测数据集进行预测处理，获得被测设备的剩余使用寿命。/n

【技术特征摘要】
1.一种机械设备剩余使用寿命预测方法，其特征在于，包括：
以时间卷积网络作为特征提取算法，长短期记忆网络作为回归预测算法，构建深度神经网络寿命预测模型，以历史运行数据作为训练数据，训练深度神经网络寿命预测模型；
根据被测设备型号和数据采集时间顺序，将采集的被测设备实时运行数据构建为具有时间序列特征的寿命预测数据集；
以训练后的深度神经网络寿命预测模型对寿命预测数据集进行预测处理，获得被测设备的剩余使用寿命。


2.如权利要求1所述的一种机械设备剩余使用寿命预测方法，其特征在于，利用安装在被测设备上的传感器采集运行数据，收集被测设备以及与被测设备具有相同型号、在相同工况下的设备的历史运行数据，并进行数据增强和标准化的预处理，将预处理后的历史运行数据作为训练数据。


3.如权利要求1所述的一种机械设备剩余使用寿命预测方法，其特征在于，被测设备在运行初始阶段至出现故障为止为一个寿命周期，构建全寿命周期数据库，将采集的被测设备实时运行数据存储至全寿命周期数据库，被测设备的一个寿命周期结束时，将被测设备在一个寿命周期内的运行数据作为历史运行数据。


4.如权利要求1所述的一种机械设备剩余使用寿命预测方法，其特征在于，在所述时间卷积网络中增加跨层连接残差块，所述跨层连接残差块为，将输入数据X跨层连接到输出层，在学习目标Y不变的情况下，时间卷积网络的学习任务H(x)变为学习H(x)＝Y-X。


5.如权利要求1所述的一种机械设备剩余使用寿命预测方法，其特征在于，所述长短期记忆网络中，根据输入数据和上一时刻的输出数据决定当前状态是否有需要被遗忘的内容，根据sigmoid函数决定需要被记住的内容，通过tanh函数进行过滤，得到最终的预测结果。

【专利技术属性】
技术研发人员：李沂滨，高辉，胡晓平，王代超，宋艳，张天泽，郭庆稳，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37