一种基于数据层和模型层联合迁移学习的寿命预测方法技术

本发明专利技术公开了一种基于数据层和模型层联合迁移学习的寿命预测方法，包括：将待预测的目标设备的少量已知退化数据作为目标域数据；通过距离相似性度量的方法，从历史数据库中筛选与目标设备退化曲线最为相似的历史样本设备的样本数据，作为数据层迁移的源域数据；利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线；利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型；将所述目标设备的待测数据输入到所述训练好的预测模型，对所述目标设备进行寿命预测。

【技术实现步骤摘要】
一种基于数据层和模型层联合迁移学习的寿命预测方法
本专利技术涉及设备的寿命预测
，特别涉及一种基于数据层和模型层联合迁移学习的寿命预测方法。
技术介绍
剩余使用寿命预测任务主要研究分析目标对象的退化趋势，利用目标对象的观测数据来预测剩余使用寿命(RemainingUsefulLife，RUL)。即，根据当前时刻目标对象的退化状态，确定其剩余使用寿命。在实际运用中，预测目标设备的剩余使用寿命大小，对科学规划和优化管理维修活动具有重要意义。按照传统技术，需要在获得目标设备的全寿命数据后，才能利用该目标设备的全寿命数据训练预测模型，并利用训练好的预测模型对目标设备进行寿命预测。但是新开发的目标设备通常仅有一段时间获得的少量已知的性能退化数据，因而不能在短时间内得到新开发的目标设备的预测模型，也不能及时对新开发的目标设备进行剩余使用寿命预测。
技术实现思路
本专利技术目的是提供一种基于数据层和模型层联合迁移学习的寿命预测方法，利用已知的相似设备性能退化数据和设备的目标设备的少量已知退化数据训练寿命预测模型，以便利用训练本文档来自技高网...

【技术保护点】
1.一种基于数据层和模型层联合迁移学习的寿命预测方法，包括：/n将待预测的目标设备的少量已知退化数据作为目标域数据；/n通过距离相似性度量的方法，从历史数据库中筛选与目标设备退化曲线最为相似的历史样本设备的样本数据，作为数据层迁移的源域数据；/n利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线；/n利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型；/n将所述目标设备的待测数据输入到所述训练好的预测模型，对所述目标设备进行寿命预测。/n

【技术特征摘要】
1.一种基于数据层和模型层联合迁移学习的寿命预测方法，包括：
将待预测的目标设备的少量已知退化数据作为目标域数据；
通过距离相似性度量的方法，从历史数据库中筛选与目标设备退化曲线最为相似的历史样本设备的样本数据，作为数据层迁移的源域数据；
利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线；
利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型；
将所述目标设备的待测数据输入到所述训练好的预测模型，对所述目标设备进行寿命预测。


2.根据权利要求1所述的寿命预测方法，其中，利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线包括：
利用所述源域数据训练降噪自动编码器DAE；
将训练好的DAE的参数初始化改进的深度学习SDA模型，使所述SDA模型生成输入层和隐藏层的初始化权重参数；
利用所述目标域数据训练初始化的SDA模型，得到训练好的SDA模型；
将所述源域数据输入到所述训练好的SDA模型，输出一条更接近目标设备的性能退化曲线。


3.根据权利要求2所述的寿命预测方法，其中，利用所述目标域数据训练初始化的SDA模型包括：
采用均方误差损失函数和夹角余弦值损失函数度量所述初始化后的SDA模型的源域数据与目标域数据的学习误差；
通过最小化学习误差，建立从历史样本设备到目标设备的退化数据映射关系，得到训练好的用于迁移数据的SDA模型。


4.根据权利要求3所述的寿命预测方法，其中，所述训练好的SDA模型包括：
一个输入层；
第一隐藏层，...

【专利技术属性】
技术研发人员：马剑，尚芃超，王超，刘学，丁宇，程玉杰，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11