一种基于深度学习的设备剩余寿命预测模型构建方法技术

本发明专利技术公开了一种基于深度学习的设备剩余寿命预测模型构建方法。该方法基于Transformer的多头注意力机制的深度学习模型，通过深度学习模型挖掘多维监测数据与产品性能指标之间的耦合关系，并通过Transformer捕捉时序变化过程中的性能变化信息，将试验样本全寿命监测数据，通过位置编码，输入Transformer模型进行再训练和预测，通过n台样本可靠性增长试验数据以及Wiener过程模型，得到Wiener过程的未知参数μ和σ的似然函数，得到设备失效概率随时间变化的分布密度函数，通过积分求解设备从健康到故障的预测时间，最后通过贝叶斯公式与后验概率求解设备基于可靠性与性能一体化的剩余寿命预测结果。性与性能一体化的剩余寿命预测结果。性与性能一体化的剩余寿命预测结果。

【技术实现步骤摘要】
一种基于深度学习的设备剩余寿命预测模型构建方法


[0001]本专利技术涉及一种深度学习与可靠性增长试验的设备剩余寿命预测模型构建方法，属于设备可靠性评估与故障预测领域。

技术介绍

[0002]可靠性增长试验是产品工程研制阶段中单独安排的一个可靠性工作项目，通常安排在工程研制基本完成之后和可靠性鉴定试验之前。在这个时期，产品的性能与功能已基本上达到设计要求，但尚未进入批生产，仍可针对重大可靠性隐患做出设计修改。可靠性增长试验期间采用的环境条件及其随时间变化情况，应能反映受试产品现场使用和任务环境的特征，即应选用模拟现场的综合环境条件。可靠性增长试验的核心就是通过试验
‑
分析
‑
改进
‑
再试验(Test,Analyze and Fix,TAF)，发现并解决产品缺陷提高可靠性。因此，在可靠性增长试验过程中，积累了大量不同环境应力下，产品各部件和系统可靠性指标(平均故障时间，MTBF)随试验时间的变化情况。
[0003]虽然经过可靠性增长试验之后，可以得到产品可靠性的最终评估结果(MTBF)，但是当前采用的可靠性评估技术是基于传统的以统计分析技术为基础的可靠性理论。可靠性分析通过可靠性增长试验和可靠性鉴定试验中的大量试验，得到产品或其部件的失效数据，然后使用统计方法，选择最合适的统计分析模型，最后通过系统可靠性结构模型和部件故障失效分布函数，得到产品的可靠性评估模型。因此传统的可靠性评估模型，应用于实际场景中的产品可靠性评估时，可靠性影响因素只有时间变量，即可靠性是时间的函数R＝F(t)，在温度、湿度等环境应力条件变化时，采用相应条件下的可靠性评估模型R＝F
C
(t)。
[0004]传统可靠性建模方法无法考虑复杂的环境应力与产品可靠性之间的关系，主要是受限于以往可靠性增长试验或可靠性鉴定试验中性能参数的采集于分析技术不足。由于产品从使用到寿命终点，其可靠性受复杂外界因素影响：使用时间
‑
可靠性、各种部件的性能退化
‑
可靠性、环境应力
‑
可靠性等，这些影响关系通过有限的试验和人力分析难以建立准确的评估模型。但随着大数据和人工智能技术的发展，为这种复杂的可靠性评估模型建立提供了可能。
[0005]一般情况下，随着产品的使用时间增加，表征产品性能的特征参数会出现退化情况，性能退化现象是自然而大量存在的，并且由于环境应力条件和运行历史的不同，运行同样时间后，其性能退化情况也存在不同。因此，产品可靠性模型的影响关系可以理解为(时间，环境应力)—(性能退化)—(失效)的变化过程。因此，由于性能退化与产品失效的关系往往较为清晰，因此，如果能够基于可靠性增长试验中积累的数据，建立产品的性能退化模型，则可在实际产品应用过程中，通过监测环境应力、工作时间以及各项运行参数的变化，通过性能退化模型，预测出其性能退化状态和趋势，进而预测其失效实际，得到更符合产品当前状态的剩余寿命预测结果。
[0006]当前，一些研究中借助长短期记忆网络(LSTM)具有捕捉序列数据变化趋势特征的能力，将其用于设备的剩余寿命预测当中，对于存在明显性能退化的设备，其预测结果较为
准确。然而，由于产品可靠性增长实验过程中，对产品施加的环境应力往往是在一种或两种组合环境应力下，通过极限环境应力的多次循环，加速产品的老化。因此存在着真实环境中应力组合更加复杂而试验应力组合属于小样本，以及真实条件对比试验条件环境应力强度更弱，但作用时间更长等特点。因此，直接通过LSTM方法依据可靠性增长实验数据训练产品性能退化仿真模型，容易出现模型过拟合和模型泛化能力不强等影响模型迁移的问题。结合当前深度学习最新研究成果，基于Transformer的多头注意力机制以及迁移学习技术，可以弥补LSTM对可靠性增长试验数据的训练不足问题。
[0007]此外，由于设备退化早期，由于设备性能退化并不明显，且存在着随机性的波动，因此，预测结果并不准确，误差较大。考虑产品实际退化过程与增长规律存在一定的差异，一般来说，随着时间的增长，各产品个体间性能值差距会越来越大，成喇叭口状态。对于这种设备早期退化过程，可采用基于Weiner过程、离散损伤累积模型、Gamma过程等传统可靠性模型，在缺乏或没有寿命数据的情况下预测设备的平均故障时间，即可以基于设备退化的早期数据，预测设备的故障时间，但连续Weiner过程损伤模型和传统可靠性分析方法相同，缺乏对设备性能退化情况的具体情况信息，因此在设备性能退化末期，模型误差较大，甚至存在超出模型预测范围的情况。因此，基于深度学习的性能退化模型与基于统计模型的可靠性模型在产品不同剩余寿命阶段，各有优势。

技术实现思路

[0008]本专利技术所要解决的技术问题是：一种基于深度学习的设备剩余寿命预测模型构建方法，以解决上述现有技术中存在的设备剩余寿命评估误差较大的问题。
[0009]本专利技术采取的技术方案为：一种基于深度学习的设备剩余寿命预测模型构建方法，该方法包括以下步骤：
[0010]步骤一：收集产品可靠性增长试验数据，初始化n台样品设备全寿命周期监测数据(包括任务剖面、环境应力、试验时间、各项性能参数)，通过滑窗将每台设备的数据分为多个监测批次，设第i台设备监测批次为m
i
。取各设备前两批数据，并标注其性能退化量为0.01～0.05的随机数，取各设备的最后一批数据，标注其性能退化量为0.9～0.91的随机数，倒数第二批数据，标注其性能退化量为0.89～0.9之间的随机数。
[0011]步骤二：将各设备首尾批监测数据、环境应力、性能退化量标签值，以及试验时间的位置编码，输入性能退化仿真模型进行训练。
[0012]训练的原则是基于样品设备早期是健康状态，存在一定的装配差异，其性能退化量处于一个较低的随机值状态。对设备寿命末期，其判断标准是前一时刻性能退化量未超阈值，后一时刻性能退化量超出阈值。性能退化仿真模型选用基于Transformer的多头注意力机制的深度学习模型，目的是通过深度学习模型挖掘多维监测数据、环境应力、时间，与产品性能指标之间的耦合关系，并通过Transformer捕捉时序变化过程中的性能变化信息。
[0013]步骤三：将试验样本全寿命监测数据，通过位置编码，输入Transformer模型进行再训练和预测，将模型最终预测结果作为试验样本全寿命周期里的性能退化指标DHI。然后画出所有样品设备全寿命周期中性能退化指标，选择产品性能退化的早期阶段，即DHI变化不大的剩余寿命区间[rul
wmin
,rul
wmax
]，并以剩余寿命区间最后阶段rul
wmin
的各样本DHI的均值加2倍方差，作为早期退化过程的失效阈值；
[0014]步骤四：对DHI变化不大的剩余寿命区间[rul
wmin
,rul
wmax
]，通过n台样本可靠性增长试验数据以及Wiener过程模型，得到Wien本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的设备剩余寿命预测模型构建方法，其特征在于以下步骤：步骤S10：收集产品可靠性增长试验数据，初始化n台样品设备全寿命周期监测数据(包括任务剖面、环境应力、试验时间、各项性能参数)，通过滑窗将每台设备的数据分为多个监测批次，设第i台设备监测批次为m
i
。取各设备前两批数据，并标注其性能退化量为0.01～0.05的随机数，取各设备的最后一批数据，标注其性能退化量为0.9～0.91的随机数，倒数第二批数据，标注其性能退化量为0.89～0.9之间的随机数；步骤S20：选用基于Transformer的多头注意力机制的深度学习模型，将各设备首尾批监测数据、环境应力、性能退化量标签值，以及试验时间的位置编码，输入性能退化仿真模型进行训练；步骤S30：将试验样本全寿命监测数据，通过位置编码，输入Transformer模型进行再训练和预测，模型最终预测结果即为试验样本全寿命周期里的性能退化指标DHI。然后画出所有样品设备全寿命周期中性能退化指标，选择产品性能退化的早期阶段，即DHI变化不大的剩余寿命区间[rul
wmin
,rul
wmax
]，并以剩余寿命区间最后阶段rul
wmin
的各样本DHI的均值加2倍方差，作为早期退化过程的失效阈值，其计算如下：DHI
fault
＝μ
wmin
+2σ
wmin
；；其中为剩余寿命区间最后阶段rul
wmin
的各样本性能退化指标，DHI
fault
为早期退化过程的失效阈值，μ
wmin
为剩余寿命区间最后阶段rul
wmin
的各样本性能退化指标的均值，σ
wmin
为剩余寿命区间最后阶段rul
wmin
的各样本性能退化指标的方差；步骤S40：对性能退化指标变化不大的剩余寿命区间[rul
wmin
,rul
wmax
]，采用n台样本可靠性增长试验数据以及Wiener过程模型，得到Wiener过程的未知参数μ和σ的似然函数，并计算参数μ和σ的极大似然估计值如下：其中Wiener过程模型模型如下：其中Δx
ij
＝DHI
ij+1
‑
DHI
ij
为i设备j+1时刻与j时刻性能退化的差值，σ和μ为Wiener过程待求解参数，rul
j
为i设备j时刻的剩余寿命；；利用以下方程组求解参数μ和σ的极大似然估计值和和步骤S50：将所述的均值和方差参数估计值和以及设备性能失效阈值DHI
fault
，代入
连续Weiner过程损伤累积模型的失效概率密度函数f(t)，计算设备失效概率随时间变化的分布密度函数如下：分布密度函数如下：分布密度函数如下：分布密度函数如下：其中MTBF(DHI
fault
)表示设备从性能退化指标为0的健康状态退化到故障失效阈值DHI
fault
的预测时间；f(t)为连续Weiner过程损伤累积模型的失效概率密度函数；DHI
fault
为设备性能失效阈值；与为基于连续Weiner过程的设备退化性能指标均值和方差参数估计值；步骤S60：根据所述的设备退化性能指标均值和方差参数估计值与连续Weiner过程损伤累积模型，计算任意时刻i的设备状态到故障状态...

【专利技术属性】
技术研发人员：王瑞奇，徐廷学，李海君，顾钧元，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：