一种零寿命标签下退化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零寿命标签下退化设备剩余寿命预测方法及系统。该方法包括：设置不同的网络参数，获得不同的零寿命标签下LSTM网络模型；根据所述零寿命标签下的时间序列，通过滑动窗方法构建训练数据集，训练不同的双向LSTM网络模型，得到多个训练后的双向LSTM网络模型；获取待测退化设备的当前退化数据，输入至所述训练后的双向LSTM网络模型，输出多个当前剩余寿命；根据所述训练数据集以及当前数据集，利用贝叶斯模型确定不同的所述训练后的双向LSTM网络模型的网络后验概率；根据所述网络后验概率融合多个所述当前剩余寿命，预测零寿命标签下所述待测退化设备的最终剩余寿命。本发明专利技术能够降低剩余寿命预测误差。发明专利技术能够降低剩余寿命预测误差。发明专利技术能够降低剩余寿命预测误差。

【技术实现步骤摘要】
一种零寿命标签下退化设备剩余寿命预测方法及系统


[0001]本专利技术涉及可靠性工程领域，特别是涉及一种零寿命标签下退化设备剩余寿命预测方法及系统。

技术介绍

[0002]随着传感器技术和数据存储技术的不断发展，当前健康管理领域可用的退化数据越来越多，由于退化数据本身包含着丰富的系统退化信息，因此如何根据监测得到的退化数据，建立能够准确描述系统退化规律的退化模型，成为当前数据驱动剩余寿命预测方法的研究重点。要准确描述包含大量物理化学过程的复杂系统退化，通常需要构建多自由度退化模型，当使用统计数据方法建模时，模型参数估计算法的实现难度会随着参数数量的增加而呈指数性地增长，因此通常仅能通过数值仿真方法得剩余寿命预测结果。在此情况下，采用神经网络方法预测复杂系统剩余寿命将占据较大优势：一是神经网络方法预测剩余寿命时解决了模型选择错误的问题；二是神经网络方法仅需通过网络层数的堆叠即可实现模型自由度和拟合能力的增加。因此，神经网络方法在复杂退化系统剩余寿命预测中受到了越来越多的关注。
[0003]尽管神经网络方法在系统剩余寿命预测中取得了较为突出成果，但是神经网络训练中超参数的选择设置一直是神经网络方法的关键难题。在给定训练数据集情况下，由于训练迭代次数、学习率和样本批量大小等超参数的不同，训练得到的神经网络权重参数会略有差异。对于寿命标签网络，由于训练算法能够保证神经网络在训练数据集上的最优性，因此不同超参数设置下得到的寿命标签网络能够保证剩余寿命预测结果具有相似的最优性。但是，对于训练标签为退化值的零寿命标签网络，训练算法在保证退化轨迹整体预测精度的同时难以确保局部退化预测的一致性。因此在局部退化预测误差相对较大情形下，通过退化预测结果迭代计算得到的系统剩余寿命将出现较大偏差，故训练条件不同造成的零寿命标签神经网络权重不确定性将引发剩余寿命预测的不确定性。

技术实现思路

[0004]本专利技术的目的是提供一种零寿命标签下退化设备剩余寿命预测方法及系统，以解决退化设备剩余寿命预测误差大的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种零寿命标签下退化设备剩余寿命预测方法，包括：
[0007]设置不同的网络参数，获得不同的零寿命标签下的双向LSTM网络模型；所述网络参数包括网络结构、样本批量大小、学习率与训练迭代期次数；
[0008]根据所述零寿命标签下的时间序列，通过滑动窗方法构建训练数据集，训练不同的双向LSTM网络模型，得到多个训练后的双向LSTM网络模型；所述训练数据集包括退化设备不同时刻下的历史退化数据以及不同时刻下所述历史退化数据对应的退化设备的历史剩余寿命；
[0009]获取待测退化设备的当前退化数据，输入至所述训练后的双向LSTM网络模型，输出多个当前剩余寿命；
[0010]根据所述训练数据集以及当前数据集，利用贝叶斯模型确定不同的所述训练后的双向LSTM网络模型的网络后验概率；所述当前数据集包括所述当前退化数据以及所述当前剩余寿命；
[0011]根据所述网络后验概率融合多个所述当前剩余寿命，预测零寿命标签下所述待测退化设备的最终剩余寿命。
[0012]可选的，所述双向LSTM网络模型的前向网络层中t时刻第L层的LSTM神经元为：
[0013][0014]其中，为前向第L层遗忘门；σ为Sigmoid激活函数；为前向第L层遗忘门与状态h之间的权重；为前向网络第L层t
‑
1时刻记忆单元递归层状态的输出；为前向第L层遗忘门与输入x之间的权重；为前向网络第L
‑
1层t时刻记忆单元递归层状态的输出；为前向第L层遗忘门的偏置；为前向第L层输入门；为前向第L层输入门与h之间的权重；为前向第L层输入门与x之间的权重；为前向第L层输入门的偏置；为前向第L层输出门；为前向第L层输出门与h之间的权重；为前向第L层输出门与x之间的权重；为前向第L层输出门的偏置；为前向第L层筛选前t时刻输入信息，这里的双曲正切能够实现输入信息的缩放，可视为一种短期记忆；为前向第L层短期记忆与状态h之间的权重；为前向第L层短期记忆与输入x之间的权重；为前向第L层短期记忆中的偏置；为前向第L层t时刻记忆单元的状态；为前向第L层t
‑
1时刻记
忆单元的状态；为前向第L层t时刻记忆单元递归层状态的输出。
[0015]所述双向LSTM网络模型的后向网络层中t时刻第L层的LSTM神经元为：
[0016][0017]其中，为后向第L层遗忘门；为后向网络第L层t
‑
1时刻记忆单元递归层状态的输出；为后向第L层遗忘门与状态h之间的权重；为后向第L层遗忘门与输入x之间的权重；为后向网络第L
‑
1层t时刻记忆单元递归层状态的输出；为后向第L层遗忘门的偏置；为后向第L层输入门；为后向第L层输入门与h之间的权重；为后向网络第L层t
‑
1时刻记忆单元递归层状态的输出；为后向第L层输入门与x之间的权重；为后向输入门的偏置；为后向输出门；为后向输出门与h之间的权重；为后向第L层输出门与x之间的权重；为后向第L层输出门的偏置；为后向网络第L层筛选前t时刻输入信息，可视为一种短期记忆；为后向第L层短期记忆与状态h之间的权重；为后向第L层短期记忆与输入x之间的权重；为后向第L层短期记忆中的偏置；为后向第L层t时刻记忆单元的状态；为后向第L层t
‑
1时刻记忆单元的状态；为后向网络第L层t时刻记忆单元递归层状态的输出；
[0018]所述双向LSTM网络模型的输出为：
[0019][0020]其中，y
t
为双向LSTM网络模型的输出；为前向隐藏层最后一层网络与模型输
出之间的权重；为前向隐藏层最后一层网络的输出；为后向隐藏层最后一层网络与模型输出之间的权重；为向后隐藏层最后一层网络的输出；b
y
为双向LSTM网络模型的输出偏置。
[0021]可选的，所述根据所述训练数据集以及当前数据集，利用贝叶斯模型确定不同的所述训练后的双向LSTM网络模型的网络后验概率，具体包括：
[0022]根据所述训练数据集确定所述训练后的双向LSTM网络模型的训练测试精度；
[0023]根据所述训练测试精度确定所述训练后的双向LSTM网络模型的网络先验概率；所述网络先验概率作为贝叶斯模型的先验概率；
[0024]根据所述当前数据集确定所述训练后的双向LSTM网络模型的总体预测精度；
[0025]根据所述总体预测精度确定预测退化概率；
[0026]基于所述贝叶斯模型，根据所述网络先验概率以及所述预测退化概率确定所述训练后的双向LSTM网络模型的网络后验概率。
[0027]可选的，所述网络先验概率为：
[0028][0029]其中，P
TA
(M
c
)为网络先验概率；M
C
为所述训练后的双向LSTM网络模型；为M
...

【技术保护点】

【技术特征摘要】
1.一种零寿命标签下退化设备剩余寿命预测方法，其特征在于，包括：设置不同的网络参数，获得不同的零寿命标签下的双向LSTM网络模型；所述网络参数包括网络结构、样本批量大小、学习率与训练迭代期次数；根据所述零寿命标签下的时间序列，通过滑动窗方法构建训练数据集，训练不同的双向LSTM网络模型，得到多个训练后的双向LSTM网络模型；所述训练数据集包括退化设备不同时刻下的历史退化数据以及不同时刻下所述历史退化数据对应的退化设备的历史剩余寿命；获取待测退化设备的当前退化数据，输入至所述训练后的双向LSTM网络模型，输出多个当前剩余寿命；根据所述训练数据集以及当前数据集，利用贝叶斯模型确定不同的所述训练后的双向LSTM网络模型的网络后验概率；所述当前数据集包括所述当前退化数据以及所述当前剩余寿命；根据所述网络后验概率融合多个所述当前剩余寿命，预测零寿命标签下所述待测退化设备的最终剩余寿命。2.根据权利要求1所述的零寿命标签下退化设备剩余寿命预测方法，其特征在于，所述双向LSTM网络模型的前向网络层中t时刻第L层的LSTM神经元为：其中，为前向第L层遗忘门；σ为Sigmoid激活函数；为前向第L层遗忘门与状态h之间的权重；为前向网络第L层t
‑
1时刻记忆单元递归层状态的输出；为前向第L层遗忘门与输入x之间的权重；为前向网络第L
‑
1层t时刻记忆单元递归层状态的输出；为前向第L层遗忘门的偏置；为前向第L层输入门；为前向第L层输入门与h之间的权重；为前向第L层输入门与x之间的权重；为前向第L层输入门的偏置；为前向第L层输出门；为前向第L层输出门与h之间的权重；为前向第L层输出门与x
之间的权重；为前向第L层输出门的偏置；为前向第L层筛选前t时刻输入信息，这里的双曲正切能够实现输入信息的缩放，可视为一种短期记忆；为前向第L层短期记忆与状态h之间的权重；为前向第L层短期记忆与输入x之间的权重；为前向第L层短期记忆中的偏置；为前向第L层t时刻记忆单元的状态；为前向第L层t
‑
1时刻记忆单元的状态；为前向第L层t时刻记忆单元递归层状态的输出。所述双向LSTM网络模型的后向网络层中t时刻第L层的LSTM神经元为：其中，为后向第L层遗忘门；为后向网络第L层t
‑
1时刻记忆单元递归层状态的输出；为后向第L层遗忘门与状态h之间的权重；为后向第L层遗忘门与输入x之间的权重；为后向网络第L
‑
1层t时刻记忆单元递归层状态的输出；为后向第L层遗忘门的偏置；为后向第L层输入门；为后向第L层输入门与h之间的权重；为后向网络第L层t
‑
1时刻记忆单元递归层状态的输出；为后向第L层输入门与x之间的权重；为后向输入门的偏置；为后向输出门；为后向输出门与h之间的权重；为后向第L层输出门与x之间的权重；为后向第L层输出门的偏置；为后向网络第L层筛选前t时刻输入信息，可视为一种短期记忆；为后向第L层短期记忆与状态h之间的权重；为后向第L层短期记忆与输入x之间的权重；为后向第L层短期记忆中的偏置；为后向第L层t时刻记忆单元的状态；为后向第L层t
‑
1时刻记忆单元的状态；为后向
网络第L层t时刻记忆单元递归层状态的输出；所述双向LSTM网络模型的输出为：其中，y
t
为双向LSTM网络模型的输出；为前向隐藏层最后一层网络与模型输出之间的权重；为前向隐藏层最后一层网络的输出；为后向隐藏层最后一层网络与模型输出之间的权重；为向后隐藏层最后一层网络的输出；b
y
为双向LSTM网络模型的输出偏置。3.根据权利要求1所述的零寿命标签下退化设备剩余寿命预测方法，其特征在于，所述根据所述训练数据集以及当前数据集，利用贝叶斯模型确定不同的所述训练后的双向LSTM网络模型的网络后验概率，具体包括：根据所述训练数据集确定所述训练后的双向LSTM网络模型的训练测试精度；根据所述训练测试精度确定所述训练后的双向LSTM网络模型的网络先验概率；所述网络先验概率作为贝叶斯模型的先验概率；根据所述当前数据集确定所述训练后的双向LSTM网络模型的总体预测精度；根据所述总体预测精度确定预测退化概率；基于所述贝叶斯模型，根据所述网络先验概率以及所述预测退化概率确定所述训练后的双向LSTM网络模型的网络后验概率。4.根据权利要求3所述的零寿命标签下退化设备剩余寿命预测方法，其特征在于，所述网络先验概率为：其中，P
TA
(M
c
)为网络先验概率；M
C
为所述训练后的双向LSTM网络模型；为M
C
的训练测试精度；S为候选模型数目；i为样本标号的索引；j为候选模型的索引；N为测试样本个数；为所述历史退化数据；代表M
c
预测的退化数据。5.根据权利要求4所述的零寿命标签下退化设备剩余寿命预测方法，其特征在于，所述预测退化概率为：其中，P
PA
(X
m
|M
c
)为网络后验概率；X
m
为所述当前剩余寿命的序列；为第c个网络模
型的总体预测精度；为第i个网络模型的总体预测精度；m为任一时刻；W为输入序列长度；k为预测步数；x
j
为第j个样本的真实退化标签；y
c...

【专利技术属性】
技术研发人员：裴洪，司小胜，李天梅，胡昌华，郑建飞，喻勇，耿鑫月，
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：