一种面向缺失数据的设备剩余寿命预测方法及系统技术方案

本发明专利技术涉及一种面向缺失数据的设备剩余寿命预测方法及系统。该方法包括：获取待预测设备的退化数据；退化数据为对待预测设备运行过程采样得到的存在缺失的数据；基于退化数据，采用退化数据生成模型生成待预测设备的完整数据；退化数据生成模型为包括生成器和判别器的生成对抗网络模型；根据完整数据，采用双向长短期记忆网络对待预测设备的剩余寿命进行预测，得到待预测设备的剩余使用寿命估计值。本发明专利技术可以提高设备剩余寿命预测的准确度，提高后续维修决策的质量。

【技术实现步骤摘要】
一种面向缺失数据的设备剩余寿命预测方法及系统
本专利技术涉及可靠性工程
，特别是涉及一种面向缺失数据的设备剩余寿命预测方法及系统。
技术介绍
预测与健康管理技术可以在线监测设备健康状态且实时给出诊断信息，实现了从基于传感器的诊断向基于智能系统的预测的转变。其中，预测是指利用设备寿命周期内的状态监测信息或其他历史信息，通过相关的数据处理和分析过程诊断部件或系统未来的健康状态，最后给出剩余寿命分布、性能退化程度或设备失效的概率，为视情维修提供决策信息。现有的剩余寿命预测方法可分为基于失效机理的方法、数据驱动的方法以及融合的方法。随着设备现代化水平的不断提高，往往难以依据失效机理建立数学模型描述其耦合性、非线性等复杂特性，数据驱动的方法则为解决这类问题提供了一条可行的途径，而基于融合方法的研究及也较为匮乏。数据驱动的方法又分为基于统计数据的方法和基于机器学习的方法，统计数据驱动的方法以寿命数据或退化数据为基础构建设备随机退化模型，通过准确的参数估计得到剩余寿命估计；基于机器学习的方法通过模拟人类学习过程来训练神经元，无需事先选择模型，但通过黑箱学习的方法给出网络输入与输出之间的关系。不论采用统计数据驱动的方法还是机器学习的方法进行剩余寿命估计，都必须获得充足的失效数据或退化数据。作为剩余寿命预测的基础，收集到的数据质量往往决定了模型预测质量的上界，但实际中收集的数据集存在着各种问题，诸如：噪声、冗余、异构、缺失等，其中数据缺失是最常见的一种问题。数据缺失是指数据集中某一个或多个属性值缺失的现象，造成数据缺失的原因是多方面的，对于工业设备来说，主要产生于数据获取与传输阶段，例如：技术上无法获取、传感器传输故障等。此外，诸如战略导弹之类的设备属于长期存储、不定期通电监测的设备，频繁的监测会加速导弹的性能退化，但长期存储造成的影响是不能忽略的，因此采集到的数据十分有限且不连续。数据缺失直接影响到寿命预测的准确性以及维修决策的质量。
技术实现思路
本专利技术的目的是提供一种面向缺失数据的设备剩余寿命预测方法及系统，以提高设备剩余寿命预测的准确度，提高后续维修决策的质量。为实现上述目的，本专利技术提供了如下方案：一种面向缺失数据的设备剩余寿命预测方法，包括：获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。可选的，所述基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据，之前还包括：构建包括所述生成器和所述判别器的所述生成对抗网络模型；基于K-S检验，确定所述生成器的损失函数；确定判别器的损失函数；基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。可选的，所述生成器的损失函数为：其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；XN1表示容量为N1的真实数据集；XN2表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。可选的，所述根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，具体包括：根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测；将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻；将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。可选的，所述根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测，具体包括：根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。本专利技术还提供一种面向缺失数据的设备剩余寿命预测系统，包括：退化数据获取模块，用于获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；完整数据生成模块，用于基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；剩余寿命预测模块，用于根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。可选的，还包括：生成对抗网络模型构建模块，用于在基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据之前，构建包括所述生成器和所述判别器的所述生成对抗网络模型；生成器损失函数确定模块，用于基于K-S检验，确定所述生成器的损失函数；判别器损失函数确定模块，用于确定判别器的损失函数；交替训练模块，用于基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；退化数据生成模型确定模块，用于将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。可选的，所述生成器的损失函数为：其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；XN1表示容量为N1的真实数据集；表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。可选的，所述剩余寿命预测模块，具体包本文档来自技高网...

【技术保护点】
1.一种面向缺失数据的设备剩余寿命预测方法，其特征在于，包括：/n获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；/n基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；/n根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。/n

【技术特征摘要】
1.一种面向缺失数据的设备剩余寿命预测方法，其特征在于，包括：
获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；
基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；
根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。


2.根据权利要求1所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据，之前还包括：
构建包括所述生成器和所述判别器的所述生成对抗网络模型；
基于K-S检验，确定所述生成器的损失函数；
确定判别器的损失函数；
基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；
将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。


3.根据权利要求1所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述生成器的损失函数为：



其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示经K-S检验得到的生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；表示容量为N1的真实数据集；表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。


4.根据权利要求1所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，具体包括：
根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测；
将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻；
将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。


5.根据权利要求4所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测，具体包括：
根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；
根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。


6.一种面向缺失数据的设备剩余寿命预测系统，其特征在于，包括：
退化数据获取模块...

【专利技术属性】
技术研发人员：张晟斐，司小胜，李天梅，胡昌华，裴洪，张建勋，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：陕西;61