【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。