本申请公开了一种基于双向长短期记忆网络的工业设备剩余寿命预测方法。该方法主要基于双向长短期记忆网络，属于剩余寿命预测领域，对高维，连续的时间序列的工业传感器相关数据，利用双向长短期记忆网络增强其对长时间序列数据的处理能力，其中，双向长短期记忆网络不仅能够利用过去的数据还能综合未来的数据。本申请解决了传剩余寿命预测方法对相关领域专家知识的依赖，且较其他方法有更高的预测精度。精度。精度。
【技术实现步骤摘要】
一种基于双向长短期记忆网络的工业设备剩余寿命预测方法
[0001]本申请属于剩余寿命预测领域，具体涉及一种基于双向长短期记忆网络的工业设备剩余寿命预测方法。
技术介绍
[0002]随着工业信息化时代的来临，人们对生产制造效率的要求越来越高，如何避免因设备发生故障导致的停工停产成为亟待解决的难题。目前工厂和企业普遍采用根据经验定期维护生产设备的方式，而这无疑会增加企业在人工和运营方面的支出，造成资源的浪费。在“智能制造2025”的大背景下，如何用信息技术解决传统制造业中的痛点问题成为了当前的研究焦点。预测与健康管理(prognostics and health management，PHM)技术是有效解决这一难题的关键。传统基于物理模型的方法随着工业设备内部结构的日趋复杂愈发难以实现，相比之下随着人工智能的飞速发展和数值计算能力的提高，以及传感器和存储技术的推陈出新，基于数据驱动的机械设备退化趋势建模和估计剩余使用寿命越来越得到重视。基于数据驱动的方法通常利用安装在工业设备上传感器实时传输的数据，对工业设备的退化过程建模，从而实现剩余使用寿命的预测。循环神经网络作为数据驱动方法的一种，通过模拟人脑的思考机制来学习到更高维的抽象特征，并能够保留时间序列中的长期记忆，非常适合于多传感器时间序列退化模型的构建，在工业领域有广阔的发展前景。
[0003]PHM技术主要包含两个部分：剩余寿命(Remaining useful life，RUL)预测和健康管理。RUL通常用于描述当前时刻与失效时刻之间的时间间隔。RUL预测对维修决策和备件订购具有指导性价值，长期以来被当作PHM技术的基础和核心。
[0004]剩余寿命(RUL)预测方法主要分为模型驱动(model based)和数据驱动(data driven)两种。前者主要根据对当前系统的理论理解建立精确的物理模型来预估设备的剩余可用寿命，通过动态方程来定义各个部分间的关系。后者通常依赖于模式识别和机器学习技术，对工业传感器数据进行挖掘来预测系统状态的变化。
[0005]申请内容
[0006]本申请的目的在于：解决传统剩余寿命预测放方法对专家知识的依赖，使特征提取自动化。同时提升预测精度、增强模型泛化能力。
[0007]本申请采用的技术方案如下：
[0008]基于双向长短期记忆网络的剩余寿命预测方法，包括以下步骤：
[0009]步骤1：利用传感器获取设备全生命周期的传感器数据。作为模型离线训练数据
[0010]步骤2：使用Z-Score标准化将多维传感器数据标准化，压缩数据量纲，消除数量级不同带来的影响，使数据呈正态分布。除了传感器特征，将运行时间也作为特征之一，作为模型的输入。
[0011][0012]步骤3：将数据划分为多个子序列。根据时间窗口大小，对每台发动机的时间序列
进行划分，将二维矩阵数据直接用作模型输入。通过深度为l、步长为1的时间窗口将一个时间长度为L的多变量传感器时间序列分割成个L-l+1个子序列，每个子序列的长度均为l*n，其中n为特征数目。
[0013]步骤4：搭建模型。设置训练样本数、训练次数等参数，将特征输入模型，开始对模型进行训练。当训练到达最大训练次数，结束模型训练。
[0014]步骤5：获取在线传感器数据。
[0015]步骤6：对在线传感器数据使用Z-Score标准化。
[0016]步骤7：对在线传感器使用时间窗口划分子序列。
[0017]步骤8：将在线传感器数据输入模型、输出预测结果。
[0018]进一步地，所述步骤1包括以下步骤：
[0019]步骤1.1：计算设备每一时刻的剩余预测寿命，作为模型训练时的标签。设备失效时刻减去当前时间即为设备的剩余寿命(Remaining Useful Life,RUL)。
[0020]RUL＝T-t
[0021]其中，RUL表示设备的剩余使用寿命。T，t分别表示设备失效时刻和当前时刻。
[0022]步骤1.2：按照6:2:2的比例，将所有的传感器数据划分为训练集、测试集、验证集。
[0023]进一步地，所述步骤4包括以下步骤：
[0024]步骤4.1：搭建如图2所示的模型。模型的输入层为双向长短期记忆网络，长短期记忆网络的单元结构如图3所示。第二层也为双向长短期记忆网络，展开图如图4所示。最后输出层为全连接层。在不同层之间添加Dropout层随机丢弃部分数据、用以降低过拟合。
[0025]遗忘门f
t
决定应该丢弃或保留信息的多少，可以表示为：
[0026]f
t
＝σ(W
f
.[h
t-1
,x
t
]+b
f
)
[0027]式中：f
t
由先前隐藏状态信息和当前输入信息传递给sigmoid函数；W
t
为权重项；b
f
为偏置项。
[0028]输入门i
t
确定如何更新细胞状态，即将新的信息选择性记录到细胞状态中。可以表示为：
[0029]C
t
＝f
t
*C
t
+i
t*
C
t
[0030]i
t
＝σ(W
i
.[h
t-1
,x
t
]+b
i
)
[0031]C
t
＝tanh(W
c
.[h
t-1
,x
t
]+b
c
)
[0032]式中：h
t
和x
t
传递给sigmoid函数，同时将其传入tanh激活函数，得到细胞状态候选值C
t
，两者共同决定新的细胞状态C
t
。
[0033]输出门o
t
决定当前隐藏状态的输出，与输入门类似，h
t
由o
t
和C
t
确定携带的信息。可以表示为：
[0034]h
t
＝o
t
*tanh(C
t
)
[0035]o
t
＝σ(W
o
.[h
t-1
,x
t
]+b
o
)
[0036]双向长短期记忆网络的更新公式如下所示：
[0037]h
t
＝LSTM(x
t
.h
t-1
)
[0038]h
t
＝LSTM(x
t
.h
t+1
)
[0039]y
t
＝W
hy
h
t
+W
hy本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于双向长短期记忆网络的工业设备剩余寿命预测方法，应用于工业设备，其特征在于：工业设备上的传感器全生命周期数据，作为剩余寿命预测模型的离线训练数据；传感器的全生命周期数据使用Z-Score方法进行标准化，使数据呈正态分布，压缩数据量纲，消除数量级不同对模型训练带来的影响。除了传感器特征，将运行时间也作为特征之一，作为模型的输入；传感器设备的全生命周期数据被分为多个子序列。根据时间窗口大小，对每台发动机的时间序列进行划分，将二维矩阵数据直接用作模型输入。通过深度为l、步长为1的时间窗口将一个时间长度为L的多变量传感器时间序列分割成个L-l+1个子序列，每个子序列的长度均为l*n，其中n为特征数目；搭建模型。设置训练样本数、训练次数等参数，将特征输入模型，开始对模型进行训练。当训练到达最大训练次数，结束模型训练；获取在线传感器数据；在线传感器数据使用Z...
【专利技术属性】
技术研发人员：徐自黎，黄俊，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。