一种基于双重注意力网络的设备剩余使用寿命预测方法技术

本发明专利技术公开了一种基于双重注意力网络的设备剩余使用寿命预测方法，其步骤包括：1收集传感器数据并进行预处理，通过滑动时间窗口方法构建数据样本集；2搭建双重注意力网络，网络结构包含空间注意力模块、双向长短期记忆模块、时间注意力模块和全连接网络预测模块；3训练双重注意力网络模型，优化模型参数；4利用训练好的双重注意力网络模型预测设备的剩余使用寿命。本发明专利技术能自适应融合多源传感器数据，并能实现不同时间的特征的差异性利用，从而提升剩余使用寿命预测效果。升剩余使用寿命预测效果。升剩余使用寿命预测效果。

【技术实现步骤摘要】
一种基于双重注意力网络的设备剩余使用寿命预测方法


[0001]本专利技术属于剩余使用寿命预测领域，具体涉及一种基于双重注意力网络的设备剩余使用寿命预测方法。

技术介绍

[0002]故障预测与健康管理(Prognostic and Health Management，PHM)技术是现代工业发展的核心技术之一。剩余使用寿命(Remaining Useful Life，RUL)预测是PHM的重要组成部分，能为企业进行设备健康管理提供基础的决策信息。剩余使用寿命预测是根据系统现在或者历史的监测状态数据预测系统从当前时刻到发生故障所经历的时间，准确的剩余寿命预测有助于企业在系统故障前采取相应的维修措施，对保障系统的安全性与可靠性，降低企业维护成本具有重大意义和应用价值。
[0003]当前，对RUL进行预测主要有两种方法：基于物理模型的方法和数据驱动的方法。其中，基于物理模型的方法通过分析系统的退化机理，结合先验知识和系统运行状态建立数学模型，进而预测系统的剩余使用寿命。但由于工业系统的复杂性以及工作条件的多变性，建立准确的物理模型十分困难。与基于物理模型的方法相比，数据驱动的预测方法依赖于传感信号数据，基于统计和机器学习方法来建立健康监测数据与RUL之间的映射关系，在精度、复杂度和泛化能力等方面具有一定的优势。近年来，随着物联网的发展，企业可以收集到大量的传感器数据，其中很多数据(如振动、温度、压力等数据)能够反映设备的健康状态变化。一方面，深度学习方法已成为预测RUL的主流方法，能够从多个传感器数据中自动学习特征表示并预测RUL。但是，这些方法大多忽略了多源传感器之间的差异和关系，缺乏有效机制来自动区分不同传感器的重要性，也无法充分利用多个传感器中的交互信息。另一方面，传感器监测的数据本质上是时间序列数据，虽然传统的长短期记忆网络等能够学习监测数据内的时间依赖性，但其仍然存在一定的局限性，难以反映不同时刻的特征对剩余使用寿命预测结果的差异。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供一种基于双重注意力网络的设备剩余使用寿命预测方法，以期能实现不同传感器数据的自适应融合以及不同时间步的序列特征的差异性利用，从而提高剩余使用寿命预测的精度。
[0005]本专利技术为达到上述专利技术目的，采用以下技术方案：
[0006]本专利技术一种基于双重注意力网络的设备剩余使用寿命预测方法的特点包括以下步骤：
[0007]步骤1，从多个传感器获取设备运行时的状态监测数据并进行预处理，通过滑动时间窗口构建数据样本集：
[0008]步骤1.1，获取设备从初始运行到失效的全寿命周期下的状态监测数据并进行归一化处理，得到归一化后的状态监测数据；
[0009]步骤1.2，通过滑动时间窗口对归一化后的状监测数据进行样本划分，得到样本集D＝{(X1,y1),(X2,y2),...,(X
u
,y
u
),...,(X
U
,y
U
)}，其中，(X
u
,y
u
)为第u个样本，X
u
代表第u个滑动窗口内的传感器数据，且滑动窗口内的传感器数据，且表示第u个滑动窗口内第n个传感器所采集的数据，且p代表时间窗口的大小，y
u
为第u个滑动窗口内最后一个时间点对应的剩余使用寿命；
[0010]步骤2，搭建双重注意力网络，包括：空间注意力模块、双向长短期记忆模块、时间注意力模块和全连接预测模块：
[0011]步骤2.1，定义迭代次数为z，并初始化z＝1，迭代阈值为Z；初始化所述双重注意力网络中的参数；
[0012]步骤2.2，将所述样本集中每个滑动窗口内的传感器数据依次输入所述空间注意力模块进行处理，并相应输出加权后的传感器数据：
[0013]步骤2.2.1，所述空间注意力模块利用式(1)得到第z次迭代的传感器的注意力权重矩阵
[0014][0015]式(1)中，z为迭代次数，k为空间注意力模块的超参数，为第z次迭代输入的传感器数据；；表示拼接，表示第z
‑
1次迭代的抽象特征矩阵；当z＝1时，令为随机初始化的向量，q为抽象特征向量的维数，是第z次迭代的空间注意力模块的参数矩阵，tanh(
·
)表示双曲正切激活函数；
[0016]步骤2.2.2，所述空间注意力模块利用式(2)对注意力权重矩阵进行处理，得到归一化后的注意力矩阵
[0017][0018]式(2)中，表示第z次迭代的空间注意力模块的另一个参数矩阵；softmax表示激活函数；
[0019]步骤2.2.3，所述空间注意力模块利用式(3)获得第z次迭代输入的传感器数据的注意力分数α
(z)
：
[0020][0021]式(3)中，sum
column
(
·
)表示对矩阵每列求和；
[0022]步骤2.2.4，所述空间注意力模块利用式(4)更新第z次迭代输入的传感器数据，得到第z次迭代加权后的传感器数据X
′
(z)
：
[0023]X
′
(z)
＝BN(α
(z)
⊙
X
(z)
)
ꢀꢀꢀꢀꢀꢀ
(4)
[0024]式(4)中，
⊙
表示两个矩阵的对应元素相乘，BN(
·
)表示批归一化操作；
[0025]步骤2.3，将所述第z次迭代加权后的传感器数据X
′
(z)
输入所述双向长短期记忆模块进行处理，并相应输出深度时序特征：
[0026]所述双向长短期记忆模块对所述第z次迭代加权后的传感器数据X
′
(z)
进行前向信息与后向信息的提取，并在最后一层的长短期记忆模块中，将时间步t上的前向隐藏状态向量和后向隐藏状态向量进行拼接后，得到第z次迭代的时间步t上的深度时序特征且d为拼接后的特征维数，从而得到第z次迭代的所有时间步上的深度时序特征，记为T
*
为总时间步长；
[0027]步骤2.4，将所述第z次迭代的所有时间步上的深度时序特征输入时间注意力模块和第z
‑
1次迭代的抽象特征向量f
(z
‑
1)
输入所述时间注意力模块进行处理，输出相应的融合时序特征：
[0028]步骤2.4.1，所述时间注意力模块利用式(5)和式(6)计算时间步t的注意力权重
[0029][0030][0031]式(5)和(6)中，表示第z
‑
1次迭代的抽象特征f
(z
‑
1)
和第z次迭代的时间步t上的深度时序特征之间的相似性，和分别是第z次迭代的时间注意力模块的两个参数矩阵，T表示矩阵转置，exp(
·
)是以自然常数e为底的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重注意力网络的设备剩余使用寿命预测方法，其特征包括以下步骤：步骤1，从多个传感器获取设备运行时的状态监测数据并进行预处理，通过滑动时间窗口构建数据样本集：步骤1.1，获取设备从初始运行到失效的全寿命周期下的状态监测数据并进行归一化处理，得到归一化后的状态监测数据；步骤1.2，通过滑动时间窗口对归一化后的状监测数据进行样本划分，得到样本集D＝{(X1,y1),(X2,y2),...,(X
u
,y
u
),...,(X
U
,y
U
)}，其中，(X
u
,y
u
)为第u个样本，X
u
代表第u个滑动窗口内的传感器数据，且窗口内的传感器数据，且表示第u个滑动窗口内第n个传感器所采集的数据，且p代表时间窗口的大小，y
u
为第u个滑动窗口内最后一个时间点对应的剩余使用寿命；步骤2，搭建双重注意力网络，包括：空间注意力模块、双向长短期记忆模块、时间注意力模块和全连接预测模块：步骤2.1，定义迭代次数为z，并初始化z＝1，迭代阈值为Z；初始化所述双重注意力网络中的参数；步骤2.2，将所述样本集中每个滑动窗口内的传感器数据依次输入所述空间注意力模块进行处理，并相应输出加权后的传感器数据：步骤2.2.1，所述空间注意力模块利用式(1)得到第z次迭代的传感器的注意力权重矩阵阵式(1)中，z为迭代次数，k为空间注意力模块的超参数，为第z次迭代输入的传感器数据；；表示拼接，表示第z
‑
1次迭代的抽象特征矩阵；当z＝1时，令为随机初始化的向量，q为抽象特征向量的维数，是第z次迭代的空间注意力模块的参数矩阵，tanh(
·
)表示双曲正切激活函数；步骤2.2.2，所述空间注意力模块利用式(2)对注意力权重矩阵进行处理，得到归一化后的注意力矩阵化后的注意力矩阵式(2)中，表示第z次迭代的空间注意力模块的另一个参数矩阵；softmax表示激活函数；步骤2.2.3，所述空间注意力模块利用式(3)获得第z次迭代输入的传感器数据的注意力分数α
(z)
：式(3)中，sum
column
(
·
)表示对矩阵每列求和；步骤2.2.4，所述空间注意力模块利用式(4)更新第z次迭代输入的传感器数据，得到第z次迭代加权后的传感器数据X
′
(z)
：
X
′
(z)
＝BN(α
(z)
⊙
X
(z)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式(4)中，
⊙
表示两个矩阵的对应元素相乘，BN(
·
)表示批归一化操作；步骤2.3，将所述第z次...

【专利技术属性】
技术研发人员：王刚，李慧，张亚楠，伍章俊，卢明凤，贡俊巧，祝贺功，王逸飞，程萌勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：