一种时间卷积网络的设备剩余使用寿命预测方法及装置制造方法及图纸

本发明专利技术公开了一种时间卷积网络的设备剩余使用寿命预测方法及装置，属于设备健康管理技术领域，包括以下步骤：S10：采集至少一次设备的全寿命周期数据；S20：对采集的所述全寿命周期数据进行清洗与特征提取；S30：将所述全寿命周期数据按比例划分，确定模型输入与标签；S40：构建时间卷积网络，利用训练集训练模型并测试集优化模型；S50：采集需预测设备运行数据，执行步骤S20中清洗与特征提取后，输入模型预测设备剩余使用寿命；该时间卷积网络的设备剩余使用寿命预测方法及装置，实现简单、移植性高，适用于大多数设备，基于时间卷积网络的模型预测结果充分利用了设备历史运行的数据，相比于传统机器学习算法相比，预测准确性更高。高。高。

【技术实现步骤摘要】
一种时间卷积网络的设备剩余使用寿命预测方法及装置


[0001]本专利技术属于设备健康管理
，具体涉及时间卷积网络的设备剩余使用寿命预测方法及装置。

技术介绍

[0002]随着工业互联网技术的快速发展，设备的预测性维护逐渐成为可能，实现设备预测性维护的关键就是对设备系统的剩余使用寿命进行有效的预测，并据此对设备进行提前维护或者更换，从而减少整个设备非计划停机时间，避免因计划外停机而带来的经济损失。
[0003]目前绝大多数利用人工智能技术来实现设备剩余使用寿命预测的方法是，对设备的全周期数据进行分段，计算每段的平均值、最大值、最小值、方差等统计特征，将统计特征输入给传统机器学习算法如支持向量机、随机森林等进行模型训练与预测，该方法由于采用分段统计，导致了特征维度大、计算量大、易过拟合的问题，且传统机器学习算法因自身结构无法有效利用原始数据的时序信息，现有技术存在着计算量大、灵活性低、预测准确率低等问题。

技术实现思路

[0004]本专利技术的目的在于提供一种时间卷积网络的设备剩余使用寿命预测方法及装置，以解决现有技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：包括以下步骤：S10：采集至少一次设备的全寿命周期数据；S20：对采集的所述全寿命周期数据进行清洗与特征提取；S30：将所述全寿命周期数据按比例划分，确定模型输入与标签；S40：构建时间卷积网络，利用训练集训练模型并测试集优化模型；S50：采集需预测设备运行数据，执行步骤S20中清洗与特征提取后，输入模型预测设备剩余使用寿命；其中，所述训练集训练模型并测试集优化模型,包括：训练过程中，使用损失函数，在每轮训练迭代完成后，随机从训练集中选出部分样本进行测试，并使用损失函数作为评价指标，若测试误差下降，保存模型并继续训练，直至连续测试误差未下降或达到设置的训练循环次数。2.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述步骤S20中，清洗与特征提取包括：S21：对采集的所述全寿命周期数据中缺失值采用上一时刻值填充；S22：对所述全寿命周期数据中不包括工作时长的特征数据进行log平滑变化；S23：使用拉依达准则剔除所述全寿命周期数据中异常数据；S24：使用Min
‑
Max Normalization对所有特征数据进行归一化，所述Min
‑
Max Normalization公式为：其中，X
i
代表第i个测点所有数据，X
i_mean
为该测点平均值，X
i_max
该测点的最大值，X
i_min
为该测点最小值，X
i
’
为归一化后的测点值。3.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述步骤S30中：所述确定模型输入与标签的方法包括：S31：按设备工作时长划分把每个全寿命周期数据划分若干份数的数据作为模型的若干个输入样本，每份数据对应的标签为剩余寿命；S32：按照S31中的划分方法形成若干份运行数据，所述运行数据组成数据集，并把数据集按并按0.7:0.3划分成训练集与测试集，确定模型训练集与测试集。4.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述步骤S40中：...

【专利技术属性】
技术研发人员：张翔，毛旭初，
申请(专利权)人：朗坤智慧科技股份有限公司，
类型：发明
国别省市：