一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统技术方案

本发明专利技术提出的一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统，包括：获取历史复杂装备的多维时序监控数据和性能衰退HI曲线；利用训练后的第一深度残差LSTM模型对待测复杂装备的多维时序监控数据进行性能衰退起始点检测，获得所述待测复杂装备是否进入衰退期：若否，则结束检测；若是，获取待测复杂装备的性能衰退起始点，并利用训练后的第二深度残差LSTM模型对所述待测复杂装备的多维时序监控数据进行预测，获得所述待测复杂装备的预测剩余寿命。本申请在保留传统LSTM网络时序数据处理能力的同时，有效解决深层LSTM训练困难和性能退化问题，并能够对复杂装备性能衰退起始点的检测和进入衰退期后的剩余寿命快速准确预测。速准确预测。速准确预测。

【技术实现步骤摘要】
一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统


[0001]本专利技术涉及复杂装备领域，尤其涉及一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统。

技术介绍

[0002]大多数复杂装备的性能状态符合图1所示的浴盆曲线。首先，在开始投入使用时，即1所示的早期失效期，该阶段复杂装备失效率高、性能不稳定，其原因主要是由于设计、原材料和制造过程中的缺陷造成的；但随着运行时间的增加，失效率迅速降低，进入运行平稳期，即1所示的偶然失效期，该阶段复杂装备失效率低且性能稳定，失效率和性能均可近似看成常数，是最好的使用阶段，偶然失效主要是由于出现重大故障等因素引起的；最后，进入运行的衰退期，即图1所示的耗损失效期，该阶段失效率和性能随运行时间的增加而急速增加，造成该原因是长期使用导致复杂装备发生磨损、疲劳、老化等。
[0003]从图2可以看出，当某些装备个体进入衰退期后性能衰退非常剧烈，需要快速准确地预测出剩余使用寿命(RUL)，保证运行安全。因此，需要关注复杂装备何时进入衰退期，并且一旦进入衰退期，需要快速准确的预测出 RUL，防止预测误差过大造成的安全隐患，对预测效率也有一定的要求。

技术实现思路

[0004]本专利技术的目的是提供一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法及系统，为解决现有技术中当某些复杂装备个体进入衰退期后性能衰退非常剧烈，无法准确地预测出剩余使用寿命，预测误差过大造成安全隐患，且预测效率较低的问题。需要注明的是，剩余使用寿命在本申请中简称为剩余寿命(RUL)。
[0005]为解决上述技术问题，根据一些实施例，本专利技术提供了一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法，包括：
[0006]获取历史复杂装备的多维时序监控数据作为样本集，并获取所述样本的性能衰退HI曲线；
[0007]训练第一深度残差LSTM模型，包括：基于所述性能衰退HI曲线对历史复杂装备的性能衰退阶段进行划分，并标记每个阶段的状态标签，其中，划分的阶段包括：平稳期、衰退期和性能衰退起始点；基于所述样本集和所述样本集对应的状态标签训练所述第一深度残差LSTM模型进行复杂装备性能衰退起始点检测；
[0008]训练第二深度残差LSTM模型，包括：基于划分的阶段对历史复杂装备运行时刻的剩余寿命进行标注；基于所述样本集和所述样本集对应的剩余寿命标注训练所述第二深度残差LSTM模型进行复杂装备剩余寿命预测；
[0009]利用训练后的第一深度残差LSTM模型对待测复杂装备的多维时序监控数据进行性能衰退起始点检测，获得所述待测复杂装备是否进入衰退期：
[0010]若否，则结束检测；
[0011]若是，获取待测复杂装备的性能衰退起始点，并利用训练后的第二深度残差LSTM模型对所述待测复杂装备的多维时序监控数据进行预测，获得所述待测复杂装备的预测剩余寿命。
[0012]进一步地，所述获取历史复杂装备的多维时序监控数据作为样本集，包括：
[0013]获得所述历史复杂装备的的完整性能衰退至失效的多维时序监控数据；
[0014]对所述多维时序监控数据进行预处理，所述预处理包括：将所述多维时序监控数据划分为若干个子序列和归一化处理。
[0015]进一步地，基于所述性能衰退HI曲线对历史复杂装备的性能衰退阶段进行划分，并标记每个阶段的状态标签，包括：
[0016]采用威布尔失效率函数对所述性能衰退HI曲线进行拟合，获得拟合性能衰退HI曲线，拟合函数符合如下公式：λ(t,β,η,c,κ)＝c+κ(β/η
β
)t
β
‑1，其中，c为常量值，代表复杂装备的初始衰退程度，β表示形状参数，η表示比例参数，κ表示范围参数，t表示复杂装备的运行时刻，λ表示；
[0017]将拟合性能衰退HI曲线上点的纵坐标的值与预设阈值比较：
[0018]若所述纵坐标的值大于所述预设阈值，则将该点标记为平稳期；
[0019]若所述纵坐标的值小于所述预设阈值，则将该点标记为衰退期；
[0020]若所述纵坐标的值等于所述预设阈值，则将该点标记衰退起始点。
[0021]进一步地，基于划分的阶段对历史复杂装备运行时刻的剩余寿命进行标注，包括：
[0022]利用分段函数对剩余寿命进行分配，分配过程符合公式：
[0023][0024]其中，RUL表示复杂装备的剩余寿命，R表示历史复杂装备开始运行至失效的总飞行循环次数，r
max
表示初始运行时历史复杂装备的RUL的最大值,t 表示复杂装备的运行时刻。
[0025]进一步地，深度残差LSTM由多个残差LSTM堆叠而成，所述残差LSTM 由n个LSTM层和一个跨层路径组成。
[0026]进一步地，所述训练第一深度残差LSTM模型，还包括：
[0027]将所述历史复杂设备的状态标签作为第一深度残差LSTM的目标输出；
[0028]利用二分类交叉熵作为损失函数进行训练。
[0029]进一步地，所述训练第二深度残差LSTM模型，还包括：
[0030]对标注的剩余寿命进行归一化处理，将归一化处理后的剩余寿命作为第二深度残差LSTM模型的目标输出；
[0031]利用均方误差作为损失函数进行训练。
[0032]进一步地，利用训练后的第一深度残差LSTM模型对待测复杂装备的多维时序监控数据进行性能衰退起始点检测，获得所述待测复杂装备是否进入衰退期，包括：
[0033]获取待测复杂装备的多维时序监控数据；
[0034]将所述多维时序监控数据分为若干个子序列，并按照时间进行排序；
[0035]依次将排序后的所述若干个子序列输入至第一深度残差LSTM模型，输出所述若干
个子序列的状态标签；
[0036]根据所述若干个子序列的状态标签获取到待测复杂装备的性能衰退起始点，所述性能衰退起始点用T
cp
表示；
[0037]若所述若干个子序列的状态标签表示的阶段均为平稳期，表示所述待测复杂装备未运行到性能衰退起始点，且未进入衰退期；
[0038]若所述若干个子序列的状态标签表示的阶段含有衰退期，表示所述待测复杂装备进入衰退期。
[0039]进一步地，所述利用训练后的第二深度残差LSTM模型对待测复杂装备多维时序监控数据进行预测，获得待测复杂装备的预测剩余寿命，包括：
[0040]将所述若干个子序列中最末子序列输入至第二深度残差LSTM模型，获得所述最末子序列对应的归一化剩余寿命；
[0041]基于所述归一化剩余寿命和性能衰退起始点对应的运行时刻,计算所述待测复杂装备的预测剩余寿命，计算过程符合公式：
[0042]和公式：
[0043]其中，表示待测复杂装备总飞行循环数，RUL(t)表示运行到时刻t时，待测复杂装备的预测剩余寿命，表示子序列对应的归一化RUL。
[0044]本申请的另一方面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双深度残差LSTM的复杂装备剩余寿命的预测方法，其特征在于，包括：获取历史复杂装备的多维时序监控数据作为样本集，并获取所述样本的性能衰退HI曲线；训练第一深度残差LSTM模型，包括：基于所述性能衰退HI曲线对历史复杂装备的性能衰退阶段进行划分，并标记每个阶段的状态标签，其中，划分的阶段包括：平稳期、衰退期和性能衰退起始点；基于所述样本集和所述样本集对应的状态标签训练所述第一深度残差LSTM模型进行复杂装备性能衰退起始点检测；训练第二深度残差LSTM模型，包括：基于划分的阶段对历史复杂装备运行时刻的剩余寿命进行标注；基于所述样本集和所述样本集对应的剩余寿命标注训练所述第二深度残差LSTM模型进行复杂装备剩余寿命预测；利用训练后的第一深度残差LSTM模型对待测复杂装备的多维时序监控数据进行性能衰退起始点检测，获得所述待测复杂装备是否进入衰退期：若否，则结束检测；若是，获取待测复杂装备的性能衰退起始点，并利用训练后的第二深度残差LSTM模型对所述待测复杂装备的多维时序监控数据进行预测，获得所述待测复杂装备的预测剩余寿命。2.根据权利要求1所述的基于双深度残差LSTM的复杂装备剩余寿命的预测方法，其特征在于，所述获取历史复杂装备的多维时序监控数据作为样本集，包括：获得所述历史复杂装备的完整性能衰退至失效的多维时序监控数据；对所述多维时序监控数据进行预处理，所述预处理包括：将所述多维时序监控数据划分为若干个子序列和归一化处理。3.根据权利要求2所述的基于双深度残差LSTM的复杂装备剩余寿命的预测方法，其特征在于，基于所述性能衰退HI曲线对历史复杂装备的性能衰退阶段进行划分，并标记每个阶段的状态标签，包括：采用威布尔失效率函数对所述性能衰退HI曲线进行拟合，获得拟合性能衰退HI曲线，拟合函数符合如下公式：λ(t,β,η,c,κ)＝c+κ(β/η
β
)t
β
‑1，其中，c为常量值，代表复杂装备的初始衰退程度，β表示形状参数，η表示比例参数，κ表示范围参数，t表示复杂装备的运行时刻；将拟合性能衰退HI曲线上点的纵坐标的值与预设阈值比较：若所述纵坐标的值大于所述预设阈值，则将该点标记为平稳期；若所述纵坐标的值小于所述预设阈值，则将该点标记为衰退期；若所述纵坐标的值等于所述预设阈值，则将该点标记衰退起始点。4.根据权利要求3所述的基于双深度残差LSTM的复杂装备剩余寿命的预测方法，其特征在于，基于划分的阶段对历史复杂装备运行时刻的剩余寿命进行标注，包括：利用分段函数对剩余寿命进行分配，分配过程符合公式：其中，RUL表示复杂装备的剩余寿命，R表示历史复杂装备开始运行至失效的总飞行循环次数，r
max
表示初始运行时历史复杂装备的RUL的最大值,t表示复杂装备的运行时刻。
5.根据权利要求1所述的基于基于双深度残差LSTM的复杂装备剩余寿命的预测方法，其特征在于，深度残差LSTM由多个残差LSTM堆叠而成，所述残差LSTM由n个LSTM层和一个跨层路径组成。6.根据权利要求1所述的基于双深度残差LSTM的复杂装备剩余寿命的预测方法，其特征在于，所述训练第一深度残差LS...

【专利技术属性】
技术研发人员：付松，林琳，郭丰，钟诗胜，赵明航，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：