【技术实现步骤摘要】
基于长程相关性GAN-LSTM的RUL预测方法
本专利技术涉及一种机器设备的剩余使用寿命(RUL)预测方法，具体涉及一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法。
技术介绍
随着科学技术和生产工艺的发展，机械设备的大型化、自动化和复杂化程度也越来越高。这些设备在受到内部结构和外部环境的综合作用下，其机械性能与健康状态难免会呈现出衰退的趋势。当设备的性能衰退到一定程度时，将无法执行正常的生产任务甚至导致机械故障，进而造成难以挽回的经济损失和资源浪费。因此对设备进行实时RUL在线预测具有重要的意义。基于数据驱动的RUL预测方法不需要提前了解和学习有关设备运行的物理机理和退化机制，只需要对采集的监测数据进行信息的挖掘和分析，建立退化数据与RUL之间的关系从而避免了基于机理模型的RUL预测方法和基于经验知识的RUL预测方法的缺点，成为了一种比较实用的RUL预测方法。深度学习以其强大的特征提取能力和函数表征能力以及在处理高度复杂的非线性数据方面展现出了巨大的优势。但基于深度学习的寿命预测方法的预...
【技术保护点】
1.一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，通过利用LSTM网络对具有自相关性数据的动态趋势特征的抽取能力和GAN的数据生成能力，根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力，其特征在于包括以下步骤：/n步骤一：对采集到的非全寿命周期数据进行预处理，并使用处理后的数据建立粗略的基于LSTM的RUL预测模型，利用RUL预测模型预测出相对粗略但包含全寿命周期内退化趋势特征的全寿命周期数据；/n步骤二：使用预测模型预测出的全寿命周期数据，构建一个生成对抗网络，在训练对抗网络时计算全寿命周期数据的长程相关性系数...
【技术特征摘要】
1.一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，通过利用LSTM网络对具有自相关性数据的动态趋势特征的抽取能力和GAN的数据生成能力，根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力，其特征在于包括以下步骤：
步骤一：对采集到的非全寿命周期数据进行预处理，并使用处理后的数据建立粗略的基于LSTM的RUL预测模型，利用RUL预测模型预测出相对粗略但包含全寿命周期内退化趋势特征的全寿命周期数据；
步骤二：使用预测模型预测出的全寿命周期数据，构建一个生成对抗网络，在训练对抗网络时计算全寿命周期数据的长程相关性系数以及特征匹配误差来指导生成器的学习过程，在生成对抗网络训练到达纳什均衡后，使用生成对抗网络的生成器生成大量具有长程相关特性的全寿命周期数据；
步骤三：使用生成器生成的全寿命周期数据，对步骤一中建立的基于LSTM的RUL预测模型进行再次训练，更新其网络参数，提高在线预测能力。
2.根据权利要求1所述的非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，其特征在于在构建生成对抗网络时，进一步包括以下步骤：
步骤四：根据判别器对生成器生成的样本和训练样本的判别结果，计算生成器的真实性判别损失；
其中M为样本数量，dfake为判别器对生成器生成样本的判别结果；
步骤五：对生成器生成的时间序列数据，计算长程相关性系数；
其中M为时间序列的总长度，rk为长程相关系数，代表生成器生成的时间...
【专利技术属性】
技术研发人员：周福娜，杨帅，胡雄，张志强，王微，王天真，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31
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。