一种机械设备剩余寿命区间预测方法技术

本发明专利技术公开了一种机械设备剩余寿命区间预测方法，针对统计数据驱动的剩余寿命预测模型难以描述多维传感器数据之间的耦合关系以及数据驱动融合模型存在关键信息丢失的问题，首先，利用特征注意力机制(Featureattention,FA)从多维度、非线性和大规模的传感器信号中提取出关键特征向量；然后，采用BiGRU网络从前向和后向两个方向对注意力加权特征的时变特性进行建模学习，并通过最大似然估计损失函数来训练网络参数，获得隐含状态输出向量的概率分布，从而计算出基于LN分布的PDF，实现部件不确定性的衡量的剩余寿命区间预测方法。仿真结果表明本发明专利技术提出的基于FA

【技术实现步骤摘要】
一种机械设备剩余寿命区间预测方法


[0001]本专利技术涉及机械设备的寿命预测领域，特别涉及一种机械设备剩余寿命区间预测方法。

技术介绍

[0002]机械设备(如飞机上的发动机)的剩余使用寿命(RemainingUsefulLife，简称RUL)预测通过分析机械设备的历史性能退化过程，动态感知设备健康状态的未来变化，从而预测设备衰退到失效阈值的剩余时间，目前主要包括基于机理模型、基于数据驱动和基于两者混合驱动3类预测方法。基于机理模型和混合驱动的预测方法能够精确的描述系统退化过程，通过已知的力学原理和机械原理建立明确的数学模型，进而分析设备的性能退化过程。然而以涡轮发动机为代表的大型设备机械结构复杂、任务环境恶劣和故障模式多样，建立精确的物理失效模型代价过高，难以部署在实际应用过程中。数据驱动的预测方法可以充分挖掘设备运行过程中的历史监测数据，通过提取设备性能劣化特征来构建RUL预测模型，该方法无需先验知识且规避了机械设备复杂机理的建模过程，逐渐成为当下RUL预测方法研究的热点。
[0003]数据驱动的预测模型主要分为机器学习模型和统计分析模型两大类。深度学习方法可以充分学习时间序列蕴含的信息，从而对RUL进行更为精确的预测，无需确切的物理模型和先验知识，但该方法只能提供RUL的点估计而非区间估计，难以量化RUL预测过程中不确定性的概率分布，增加后续健康管理中制定维修决策的风险。统计分析方法通过统计模型或随机过程对设备历史失效数据进行分布拟合，利用参数估计构造RUL的概率密度分布函数(probability density function,PDF)，然后对实时传感器数据进行统计分析来实现RUL的预测。统计数据驱动的方法所建立的模型参数和随机分布与设备退化失效过程紧密联系，具有较强的可解释性，同时可以准确得到RUL预测的概率分布，在度量预测的不确定性上具有天然优势。然而随着传感器和信息技术的迅猛发展，通常采用多种组网传感器收集多源数据来全面描述设备运行状态，监测大数据往往呈现出大规模、碎片化、非线性、稀疏化和相互耦合的特点。基于信息融合将多性能退化变量转换为融合变量的方式虽然可以应用于传统单变量退化建模，但是难以描述多维数据的耦合关系，存在监测数据退化信息利用不充分的问题。
[0004]鉴于此，数据驱动下属的机器学习和统计分析融合RUL预测方法得到了国内外学者的广泛关注。尽管上述方法可以综合机器学习方法和统计分析方法两者的优势，可是依然存在以下局限：
①
深度网络提取的退化特征难以匹配之后所采用的随机模型：深度网络的退化特征提取过程和随机模型建模过程是相互独立的，退化特征能否适用于随机模型有待商榷，且上述方法只能通过指标筛选技术从多维退化特征中选择最优指标用于随机退化建模，在非线性转换为线性的过程中存在关键信息丢失的风险；
②
实际部署存在困难：上述方法在实际应用中需要大量的计算资源，整个训练和预测过程被分为两步，且需要多次迭代才能得到最优置信区间，不适合实时RUL预测。

技术实现思路

[0005]针对上述存在的问题，本专利技术提出了一种机械设备剩余寿命(remain useful life,RUL)区间预测方法，其是一种输入端直接到输出端的RUL预测方法，无需人工提取特征，使得模型对RUL变化趋势的拟合更加精准，同时基于特征注意力机制的对数正态分布模型和双向门控循环单元(feature attention
‑
lognorm
‑
bidirectional gated recurrent unit,FA
‑
LN
‑
BiGRU)实现机械设备剩余寿命区间预测。
[0006]为了实现上述目的，本专利技术所采用的技术方案如下：
[0007]一种机械设备剩余寿命区间预测方法，其特征在于，包括以下步骤：
[0008]步骤1：获取机械设备的传感器监测数据；
[0009]步骤2：构建FA
‑
LN
‑
BiGRU预测模型；
[0010]步骤3：将得到的传感器数据输入至FA
‑
LN
‑
BiGRU预测模型中，通过所述预测模型计算并输出航空发动机的RUL的PDF参数预测值；
[0011]步骤4：根据PDF参数预测值对发送机的剩余寿命区间进行预测。
[0012]进一步地，所述FA
‑
LN
‑
BiGRU预测模型包括依次连接的输入层、特征加权层、特征学习层和输出层；
[0013]输入层，用于将得到的航空发动机的历史传感器监测数据输入到特征加权层；
[0014]特征加权层，用于通过轻量级特征注意力机制提取输入的传感器监测数据的注意力加权特征向量；
[0015]特征学习层，用于通过双向BiGRU网络提取注意力加权特征向量的时序依赖关系；
[0016]输出层，用于计算航空发动机的RUL的PDF参数预测值。
[0017]进一步地，所述特征加权层包括全局平均池层、两层全连接层和sigmoid激活函数；
[0018]全局平均池化层，用于将获取到的传感器监测数据进行平均池化操作，得到每个时间样本的均值信息；
[0019]全连接层，用于量化各个特征对应的注意力权重；
[0020]sigmoid激活函数，用于注意力权重做归一化处理。
[0021]进一步地，步骤3的具体操作步骤包括：
[0022]步骤31：输入层获取不同运行工况和类型的机械设备历史传感器数据，将所述传感器数据表示为多维特征时间序列矩阵：
[0023][0024]其中，为在t时刻的F个特征数值序列，为第f个多维特征在T个历史时刻的数值序列；
[0025]步骤32：所述特征加权层利用特征注意力机制提取多维特征时间序列与目标建模参数之间的关联关系，通过循环迭代对所有时刻各个特征分别分配注意力权重，得到输入的多维特征时间序列的注意力加权特征；
[0026]步骤33：特征学习层将输入的注意力加权特征向量分时刻输入至双向BiGRU网络
的前向层和反向层，得到t时刻前向输出和后向输出，再将前向层和反向层的输出合并得到总输出；
[0027]步骤34：输出层根据得到的特征学习层的总输出，实现特征学习层输出向量对最终参数输出的映射，得到当前时刻下的对数均值μ
t
和对数方差σ
t
，从而计算此时RUL的PDF；
[0028]步骤35：构建最终参数与目标输出的损失函数，通过损失函数更新网络参数，再通过更新后的网络循环迭代求解下一时刻的对数均值和对数方差，最终实现对数正态分布参数的最大似然估计。
[0029]进一步地，步骤32的具体操作步骤包括：
[0030]步骤321：将输入的多维特征时间序列x通过全局平均池进行池化操作，得到每个时间样本的均值信息，将维度为T
×
F的多维特征时间序列本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机械设备剩余寿命区间预测方法，其特征在于，包括以下步骤：步骤1：获取机械设备的传感器监测数据；步骤2：构建FA
‑
LN
‑
BiGRU预测模型；步骤3：将得到的传感器数据输入至FA
‑
LN
‑
BiGRU预测模型中，通过所述预测模型计算并输出航空发动机的RUL的PDF参数预测值；步骤4：根据PDF参数预测值对发送机的剩余寿命区间进行预测。2.如权利要求1所述的一种机械设备剩余寿命区间预测方法，其特征在于，所述FA
‑
LN
‑
BiGRU预测模型包括依次连接的输入层、特征加权层、特征学习层和输出层；输入层，用于将得到的航空发动机的历史传感器监测数据输入到特征加权层；特征加权层，用于通过轻量级特征注意力机制提取输入的传感器监测数据的注意力加权特征向量；特征学习层，用于通过双向BiGRU网络提取注意力加权特征向量的时序依赖关系；输出层，用于计算航空发动机的RUL的PDF参数预测值。3.如权利要求2所述的一种机械设备剩余寿命区间预测方法，其特征在于，所述特征加权层包括全局平均池层、两层全连接层和sigmoid激活函数；全局平均池化层，用于将获取到的传感器监测数据进行平均池化操作，得到每个时间样本的均值信息；全连接层，用于量化各个特征对应的注意力权重；sigmoid激活函数，用于注意力权重做归一化处理。4.如权利要求3所述的一种机械设备剩余寿命区间预测方法，其特征在于，步骤3的具体操作步骤包括：步骤31：输入层获取不同运行工况和类型的机械设备历史传感器数据，将所述传感器数据表示为多维特征时间序列矩阵：其中，为在t时刻的F个特征数值序列，为第f个多维特征在T个历史时刻的数值序列；步骤32：所述特征加权层利用特征注意力机制提取多维特征时间序列与目标建模参数之间的关联关系，通过循环迭代对所有时刻各个特征分别分配注意力权重，得到输入的多维特征时间序列的注意力加权特征；步骤33：特征学习层将输入的注意力加权特征向量分时刻输入至双向BiGRU网络的前向层和反向层，得到t时刻前向输出和后向输出，再将前向层和反向层的输出合并得到总输出；步骤34：输出层根据得到的特征学习层的总输出，实现特征学习层输出向量对最终参数输出的映射，得到当前时刻下的对数均值μ
t
和对数方差σ
t
，从而计算此时RUL的PDF；步骤35：构建最终参数与目标输出的损失函数，通过损失函数更新网络参数，再通过更新后的网络循环迭代求解下一时刻的对数均值和对数方差，最终实现对数正态分布参数的
最大似然估计。5.如权利要求2所述的一种机械设备剩余寿命区间预测方法，其特征在于，步骤32的具体操作步骤包括：步骤321：将输入的多维特征时间序列x通过全局平均池进行池化操作，得到每个时间样本的均值信息，将维度为T
×
F的多维特征时间序列降维至1
×
F，该计算过程记为：其中，y
f
表示通过全局平均池化后得到的向量；g(
·
)为特征维度的全局平均池化操作；X
f
为第f个特征所有时间点的数据；为第f个特征的第t个时间点的数据；步骤322：通过两层全连接层量化各个特征对应的注意力权重，并通过sigmoid激活函数对权重做归一化处理，得到归一化后的注意力权重α
f
：α
f
＝σ(W2δ(W...

【专利技术属性】
技术研发人员：闫啸家，梁伟阁，王旋，张钢，佘博，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：