本发明专利技术公开的基于迁移学习的旋转多组件的退化耦合影响评估方法及系统，包括：获取目标旋转组件的退化数据，提取高级退化特征数据，构成目标域测试样本集，根据旋转组件独立加速退化实验数据中提取高级退化特征，构成源域训练样本集；对目标域测试样本集进行域自适应；构建旋转组件退化曲线预测模型，通过源域训练样本进行训练，预测出耦合关联组件处于健康状态运行工况下的目标旋转组件的退化曲线以及多组件退化耦合影响下的目标旋转组件的退化曲线；计算退化曲线之间的相似性，通过动态时间规整相似性，评估目标旋转组件退化耦合影响。本发明专利技术通过评估多组件退化耦合影响程度，明确系统中组件间的相互影响，有利于设备的健康状况评估。的健康状况评估。的健康状况评估。
【技术实现步骤摘要】
基于迁移学习的旋转多组件退化耦合影响评估方法及系统
[0001]本专利技术涉及设备健康管理
，更具体的，涉及一种基于迁移学习的旋转多组件退化耦合影响评估方法及系统。
技术介绍
[0002]柔性电子基板加工(例如微细孔群精密加工)极其复杂和高速精密，对设备可靠性及稳定性要求极为苛刻，从而对设备的智能维护显得极为重要。柔性电子基板加工设备是典型的多组件系统，某个组件的退化不仅对柔性电子材料本身变形产生影响，而且还会对其它组件甚至整个系统造成竞争风险，虽组件间相互影响最终可以反映在加工结果上，但是如何找到组件间的相互影响关系以及组件的可靠性贡献度评估却是一个长期困扰行业的技术难题。
[0003]目前大多数研究组件退化状态预测是针对单一组件进行预测分析，没有考虑到系统中组件间的相互影响，例如同一系统中组件B会对组件A的退化状态产生影响。
[0004]本专利技术将多组件之间的相互影响问题，拆分为同一类组件在不同工况下的退化曲线之间的相似度比较问题。即将耦合关联组件都处于健康状态运行下场景作为一种工况，而将多组件退化耦合影响运行下的场景作为另外一种工况。将不同工况下特征数据导入退化曲线预测模型得到组件在不同工况下的退化曲线。由于不同工况下的特征数据隐含了多组件随机相关退化内在影响关系，因此只要度量不同工况下组件退化曲线的相似度就能评估多组件退化耦合影响程度。
技术实现思路
[0005]为了解决上述技术问题，本专利技术提出了一种基于迁移学习的旋转多组件退化耦合影响评估方法及系统。
[0006]本专利技术第一方面提供了一种基于迁移学习的旋转多组件退化耦合影响评估方法，包括：获取目标旋转组件的退化数据，根据所述退化数据提取高级退化特征数据，构成目标域测试样本集，根据旋转组件独立加速退化实验数据中提取高级退化特征，构成源域训练样本集；对所述目标域测试样本集进行域自适应，最小化不同域之间的特征分布距离；基于LSTM网络构建旋转组件退化曲线预测模型，通过源域训练样本进行初始化训练，通过训练后的退化曲线预测模型预测出耦合关联组件处于健康状态运行工况下的目标旋转组件的退化曲线C1以及多组件退化耦合影响下的目标旋转组件的退化曲线C2；计算退化曲线C1及C2的相似性，通过动态时间规整相似性，评估目标旋转组件退化耦合影响。
[0007]本方案中，所述退化数据的来源包括当前采集数据及历史运行数据；获取实际工况下，耦合关联组件处于健康状态运行下的目标旋转组件的退化数据
A，记为目标域A，；获取在实验室测试环境下，旋转组件独立加速退化实验数据，其中包括退化状态标签，记为源域；获取实际工况下，多组件退化耦合影响下的目标旋转组件的退化数据B，记为目标域B，；其中，表示目标域A的退化数据集，表示目标域A的退化数据集中的样本，表示源域的退化数据集，表示源域的退化数据集中的样本，表示目标域B的退化数据集，表示目标域B的退化数据集中的样本，，，分别表示目标域A，源域，目标域B的退化数据集中样本的序号，、、分别表示目标域A，源域，目标域B的退化数据集中的样本个数；从旋转组件独立加速退化实验数据中提取高级退化特征，得到的特征构成源域训练样本集，对应所述退化状态标签，记为；提取退化数据A及退化数据B的高级退化特征数据，构成目标域样本集，分别记为，。
[0008]本方案中，对目标域测试样本集进行域自适应，域自适应学习源域和目标域之间的域不变特征；将由目标域A提取出的高级退化特征与源域提取出的高级退化特征进行特征迁移，以及将目标域B提取出的高级退化特征与源域提取出的高级退化特征进行特征迁移，分别完成两域之间的迁移；通过计算源域与目标域的概率分布之间的距离的最大平均差异进行分布差异判断，最小化不同域之间的特征分布距离，构建优化对象，即目标域A和源域的分布差异损失：其中，表示提取数据特征时所使用的核函数的集合，表示概率分布之间的距离的最大平均差异。
[0009]本方案中，基于LSTM网络构建旋转组件退化曲线预测模型，具体为：
构建单层LSTM结构作为旋转组件退化曲线预测模型，将源域训练样本集输入到LSTM网络，通过遗忘门，记忆门，输出门控制传输状态；所述LSTM网络有N个LSTM单层结构单元，当前单元的输出值受上一个LSTM单层结构单元的输出值的影响；旋转组件退化曲线预测模型的损失函数为源域性能退化观测值与估计值之间的预测损失，通过平均绝对误差来定义预测误差：其中，表示源域中的样本个数，、分别表示来自源域的观察到的退化状态值和估计的退化状态值；通过折衷系数对旋转组件退化曲线预测模型的损失函数进行优化，优化后的损失函数L为：本方案中，通过旋转组件退化曲线预测模型，输入退化数据A特征适配后的目标域样本集以及退化数据B特征适配后的目标域样本集，分别预测出耦合关联组件处于健康状态运行工况下的目标旋转组件的退化曲线C1以及多组件退化耦合影响下的目标旋转组件的退化曲线C2；利用动态时间规整算法计算退化曲线C1，C2的相似性，将退化曲线C1记为，退化曲线C2记为，则匹配路径记为：记为：其中，退化曲线是由多个预测点组成的时序轨迹，，分别表示退化曲线C1，C2按时序排列的第一个预测点，，分别表示退化曲线C1，C2按时序排列的最后一个的预测点，分别为退化曲线C1，C2的长度，分别为退化曲线C1，C2的下标，为匹配路径的集合，。
[0010]本方案中，通过动态时间规整算法算出的相似性，评估目标旋转组件退化耦合影响；若计算得出的值越小，说明两者之间的相似度越高，目标旋转组件在退化耦合的
影响下，加速其性能退化的进程。
[0011]本专利技术第二方面还提供了一种基于迁移学习的旋转多组件的退化耦合影响评估系统，该系统包括：存储器、处理器，所述存储器中包括一种基于迁移学习的旋转多组件的退化耦合影响评估方法程序，所述一种基于迁移学习的旋转多组件的退化耦合影响评估方法程序被所述处理器执行时实现如下步骤：获取目标旋转组件的退化数据，根据所述退化数据提取高级退化特征数据，构成目标域测试样本集，根据旋转组件独立加速退化实验数据中提取高级退化特征，构成源域训练样本集；对所述目标域测试样本集进行域自适应，最小化不同域之间的特征分布距离；基于LSTM网络构建旋转组件退化曲线预测模型，通过源域训练样本进行初始化训练，通过训练后的退化曲线预测模型预测出耦合关联组件处于健康状态运行工况下的目标旋转组件的退化曲线C1以及多组件退化耦合影响下的目标旋转组件的退化曲线C2；计算退化曲线C1及C2的相似性，通过动态时间规整相似性，评估目标旋转组件退化耦合影响。
[0012]本方案中，旋转组件退化曲线预测模型采用LSTM神经网络，具体为：构建单层LSTM结构作为旋转组件退化曲线预测模型，LSTM网络主要通过遗忘门，记忆门，输出门控制传输状态；将源域训练样本集输入到LSTM网络中，由上一时刻的输出和当前输入决定当前记忆单元是否需要遗忘的不重要的信息，输出经sigmoid函数后，取值在（0,1）之间，当取值趋于1时，需要遗忘的信息接近于0；记忆门则由上一时刻的输出和当前输入决定当前本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的旋转多组件的退化耦合影响评估方法，其特征在于，包括以下步骤：获取目标旋转组件的退化数据，根据所述退化数据提取高级退化特征数据，构成目标域测试样本集，根据旋转组件独立加速退化实验数据中提取高级退化特征，构成源域训练样本集；对所述目标域测试样本集进行域自适应，最小化不同域之间的特征分布距离；基于LSTM网络构建旋转组件退化曲线预测模型，通过源域训练样本进行初始化训练，通过训练后的退化曲线预测模型预测出耦合关联组件处于健康状态运行工况下的目标旋转组件的退化曲线C1以及多组件退化耦合影响下的目标旋转组件的退化曲线C2；计算退化曲线C1及C2的相似性，通过动态时间规整相似性，评估目标旋转组件退化耦合影响。2.根据权利要求1所述的一种基于迁移学习的旋转多组件的退化耦合影响评估方法，其特征在于，所述退化数据的来源包括当前采集数据及历史运行数据；获取实际工况下，耦合关联组件处于健康状态运行下的目标旋转组件的退化数据A，记为目标域A，；获取在实验室测试环境下，旋转组件独立加速退化实验数据，其中包括退化状态标签，记为源域，；获取实际工况下，多组件退化耦合影响下的目标旋转组件的退化数据B，记为目标域B，；其中，表示目标域A的退化数据集，表示目标域A的退化数据集中的样本，表示源域的退化数据集，表示源域的退化数据集中的样本，表示目标域B的退化数据集，表示目标域B的退化数据集中的样本，，，分别表示目标域A，源域，目标域B的退化数据集中样本的序号，、、分别表示目标域A，源域，目标域B的退化数据集中的样本个数；从旋转组件独立加速退化实验数据中提取高级退化特征，得到的特征构成源域训练样本集，对应所述退化状态标签，记为；提取退化数据A及退化数据B的高级退化特征数据，构成目标域样本集，分别记为，。3.根据权利要求2所述的一种基于迁移学习的旋转多组件的退化耦合影响评估方法，其特征在于，对目标域测试样本集进行域自适应，域自适应学习源域和目标域之间的域不变特征；
将由目标域A提取出的高级退化特征与源域提取出的高级退化特征进行特征迁移，以及将目标域B提取出的高级退化特征与源域提取出的高级退化特征进行特征迁移，分别完成两域之间的迁移；通过计算源域与目标域的概率分布之间的距离的最大平均差异进行分布差异判断，最小化不同域之间的特征分布距离，构建优化对象，即目标域A和源域的分布差异损失：其中，表示提取数据特征时所使用的核函数的集合，表示概率分布之间的距离的最大平均差异。4.根据权利要求1所述的一种基于迁移学习的旋转多组件的退化耦合影响评估方法，其特征在于，基于LSTM网络构建旋转组件退化曲线预测模型，具体为：构建单层LSTM结构作为旋转组件退化曲线预测模型，将源域训练样本集输入到LSTM网络，通过遗忘门，记忆门，输出门控制传输状态；所述LSTM网络有N个LSTM单层结构单元，当前单元的输出值受上一个LSTM单层结构单元的输出值的影响；旋转组件退化曲线预测模型的损失函数为源域性能退化观测值与估计值之间的预测损失，通过平均绝对误差来定义预测误差：其中，表示源域中的样本个数，、分别表示来自源域的观察到的退化...
【专利技术属性】
技术研发人员：邓耀华，邵志锋，卢绮雯，杨杰，
申请(专利权)人：广东工业大学，
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。