基于MLP-LSTM有监督联合模型的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MLP

【技术实现步骤摘要】
基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法


[0001]本专利技术属于工业过程控制领域，特别涉及一种基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法。

技术介绍

[0002]在工业领域中，由于内部运动因素或外部环境因素的影响，一些重要的机器设备和工业组件在连续工作时，其工作性能和健康状态会呈现衰减的趋势。随着健康状况不断衰减，在未来的某一时刻设备将无法正常工作，其工作效率迅速下降甚至停止运转，达到使用寿命，这会导致工业过程受到影响甚至发生中断。因此需要预测系统在其整个使用寿命期间的剩余使用寿命(Remaining useful life,RUL)，即从当前时间开始直到机器设备使用寿命结束的时间长度。
[0003]近些年来随着大量工业数据的采集和积累，数据驱动的解决方案在RUL预测中受到广泛的关注。数据驱动的解决方案不必了解机械系统的详细操作机制，只需基于传感器收集的数据并根据数据驱动算法识别系统的状况，能够对机理模型复杂的现代工厂设备的剩余使用寿命进行精确预测。传统的预测主要基于物理退化模型，而退化模型的正确建立严重依赖于专家知识。而这些假设和要求在实际工业生产应用中受到很大限制。传统机器学习方法需要手动设计特征，这需要从业者大量的专业知识以及单独的特征提取过程，这增加了模型广泛适用的难度。由于深度学习有对数据自动特征提取的能力，较少依赖对系统的先验知识，最近的研究表明深度学习比物理退化模型和传统机器学习算法能更好地处理工业大数据，更精准地预测机械设备的剩余使用寿命。
[0004]但目前关于深度学习方法预测RUL的研究仍然存在一些问题。首先，数据融合和预测通常分为两个单独的步骤，一般先进行数据融合得到健康指标，然后使用融合信号执行RUL预测过程，这种传统流程将导致两个任务之间缺乏内在联系，无法解释融合信号与预测结果之间的关系。因此，常见的多传感器数据预测RUL深度学习方法是直接获得端到端的预测输出。这种方法的优点是它完全是数据驱动的，无需假设退化模型，参数分布和手工提取特征。但是，这种方法属于黑箱模型方法，无法提供任何性能退化过程的信息。剩余使用寿命是一个时间值，其大小是线性衰减的。而机器的物理状况并不是线性变化的，而是呈指数形式衰减，机器的维护很大程度上同时依赖于这种指数模型，实现在机器进入快速衰减期前完成维护。因此需要能够基于传感器信息同时预测和构建剩余使用时间和健康指标。

技术实现思路

[0005]本专利技术的目的在于针对现有技术的不足，本专利技术提供一种基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法，在判断出机器当前剩余使用寿命的同时能够获得性能退化过程的信息，同时提升了单一LSTM神经网络的预测效果。
[0006]一种基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法，所述MLP
‑
LSTM有监督联合模型是在输入层和深度LSTM神经网络之间增加MLP神经网络，所述MLP神经网络用于
数据融合；所述深度LSTM神经网络用于剩余使用寿命预测，即RUL预测；
[0007]该方法包括以下步骤：
[0008]步骤一：收集设备数据，组成数据集，将数据集分为训练集和验证集，根据不同工况进行数据预处理；
[0009]步骤二：训练集输入给MLP神经网络，MLP神经网络将多维传感器特征压缩为HI健康特征指标，得到若干健康指数HI时间序列；
[0010]步骤三：将健康指数HI时间序列输入到深度LSTM神经网络中，由深度LSTM神经网络计算获得RUL预测值；
[0011]步骤四：基于RUL的预测值和真实值之间的误差计算损失函数，采用训练集通过RMSprop梯度自适应对MLP
‑
LSTM有监督联合模型进行训练；当训练集和验证集输入当前模型后得到的误差结果小于一定值或其变化量小于一定值时，同时模型训练的损失函数达到收敛，模型训练结束并保存MLP
‑
LSTM有监督联合模型；
[0012]步骤五：将待预测的设备数据预处理后输入到保存的MLP
‑
LSTM有监督联合模型，得到实时输出的HI和RUL数值。
[0013]进一步地，所述步骤一中的有标签数据集为：
[0014]X
o
＝{(x
it
，rul
it
)|i≤n，t≤T
i
}
ꢀꢀꢀ
(1)
[0015]其中，rul
it
为t时刻的剩余使用寿命的值，
[0016]rul
it
＝T
i
‑
t
ꢀꢀꢀ
(2)
[0017]当设备完全无法使用时，rul
it
为0，且所有的rul
it
是按时序逆向增加；
[0018]x
it
为第i个传感器数据从初始到时间t的序列，
[0019]x
it
＝[x
i
(1)，x
i
(2)，...，x
i
(t)]ꢀꢀꢀ
(3)其中，x
i
为第i个传感器数据从初始到时间T
i
的序列，
[0020]x
i
＝[x
i
(1)，x
i
(2)，...，x
i
(T
i
)]ꢀꢀꢀ
(4)
[0021]所述预处理包括归一化处理和滑动时间窗采样处理；其中，归一化处理包括全局归一化和条件归一化，当设备数据为不同工况下的数据时，进行条件归一化，否则，进行全局归一化。
[0022]进一步地，所述步骤二中，向MLP中输入多传感器信息多维时间序列，MLP将多维数据压缩为一维，最后输出包含健康指标HI时间序列的集合；
[0023]所述MLP的搭建和预训练过程如下：
[0024]向MLP神经网络中输入多传感器信息多维时间序列，MLP神经网络将多维数据压缩为一维；MLP神经网络前向传播过程中，每一个节点都由前一层的所有节点计算得到，给前一层的每一个节点一个权值W，再加上一个偏置b，最后通过激活函数中得到下一层的某个节点的数值：
[0025]其中，第L+1层节点j的数值为
[0026][0027]MLP神经网络最后一层的输出为HI时间序列的集合H
[0028]H＝{h
i
(t
j
)|i＝1，2，...，N；1，2，...，T
i
}
ꢀꢀꢀ
(6)
[0029]其中，H是由每个时间点的健康指标h
i
(t
j
)构成的集合，h
i
(t
j
)＝f(x
i
(t
j...

【技术保护点】

【技术特征摘要】
1.一种基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法，其特征在于，所述MLP
‑
LSTM有监督联合模型是在输入层和深度LSTM神经网络之间增加MLP神经网络，所述MLP神经网络用于数据融合；所述深度LSTM神经网络用于剩余使用寿命预测，即RUL预测；该方法包括以下步骤：步骤一：收集设备数据，组成数据集，将数据集分为训练集和验证集，根据不同工况进行数据预处理；步骤二：训练集输入给MLP神经网络，MLP神经网络将多维传感器特征压缩为HI健康特征指标，得到若干健康指数HI时间序列；步骤三：将健康指数HI时间序列输入到深度LSTM神经网络中，由深度LSTM神经网络计算获得RUL预测值；步骤四：基于RUL的预测值和真实值之间的误差计算损失函数，采用训练集通过RMSprop梯度自适应对MLP
‑
LSTM有监督联合模型进行训练；当训练集和验证集输入当前模型后得到的误差结果小于一定值或其变化量小于一定值时，同时模型训练的损失函数达到收敛，模型训练结束并保存MLP
‑
LSTM有监督联合模型；步骤五：将待预测的设备数据预处理后输入到保存的MLP
‑
LSTM有监督联合模型，得到实时输出的HI和RUL数值。2.根据权利要求1所述的基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法，其特征在于，所述步骤一中的有标签数据集为：X
o
＝{(x
it
，rul
it
)|i≤n，t≤T
i
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，rul
it
为t时刻的剩余使用寿命的值，rul
it
＝T
i
‑
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)当设备完全无法使用时，rul
it
为0，且所有的rul
it
是按时序逆向增加；x
it
为第i个传感器数据从初始到时间t的序列，x
it
＝[x
i
(1)，x
i
(2)，...，x
i
(t)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，x
i
为第i个传感器数据从初始到时间T
i
的序列，x
i
＝[x
i
(1)，x
i
(2)，...，x
i
(T
i
)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)所述预处理包括归一化处理和滑动时间窗采样处理；其中，归一化处理包括全局归一化和条件归一化，当设备数据为不同工况下的数据时，进行条件归一化，否则，进行全局归一化。3.根据权利要求1所述的基于MLP
‑
LSTM有监督联合模型的剩余使用寿命预测方法，其特征在于，所述步骤二中，向MLP中输入多传感器信息多维时间序列，MLP将多维数据压缩为一维，最后输出包含健康指标HI时间序列的集合；所述MLP的搭建和预训练过程如下：向MLP神经网络中输入多传感器信息多维时间序列，MLP神经网络将多维数据压缩为一维；MLP神经网络前向传播过程中，每一个节点都由前一层的所有节点计算得到，给前一层的每一个节点一个权值W，再加上一个偏置b，最后通过激活函数中得到下一层的某个节点的数值：其中，第L+1层节点j的数值为
MLP神经网络最后一层的输出为HI时间序列的集合片H＝{h
i
(t
j
)|i＝1，2，...，N；1，2，...，T
i
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，H是由每个时间点的健康指标h
i
(t
j
)构成的集合，h
i
(t
j
)＝f(x
i
(t
j
))，f(x
i
)即为MLP神经网络对应的函数；T为时间序列的长度；h表示健康指数HI；x
i
(t
j
)表示t
j
时刻每个传感器数据l...

【专利技术属性】
技术研发人员：张新民，张雨桐，李乐清，朱哲人，
申请(专利权)人：浙江大学，
类型：发明
国别省市：