一种工业设备剩余使用寿命预测方法、系统及设备技术方案

本发明专利技术公开了一种工业设备剩余使用寿命预测方法、系统及设备，方法包括：获取待预测工业设备的传感器数据，并进行归一化处理，构建得到测试数据集；将所述测试数据集输入至预训练的剩余使用寿命预测回归模型中进行预测，输出得到所述待预测工业设备的剩余使用寿命预测结果；其中，所述预训练的剩余使用寿命预测回归模型，包括依次相连的时间卷积网络单元、第一全连接层、长短期记忆网络单元、第二全连接层及输出单元；本发明专利技术中利用从时间卷积网络单元中提取到的特征馈送到堆叠的长短期记忆网络单元中，以学习长短期时间依赖特征关系，实现兼顾短期时间依赖和长期时间依赖，降低了预测结果的误差，确保了预测结果的精确性。确保了预测结果的精确性。确保了预测结果的精确性。

【技术实现步骤摘要】
一种工业设备剩余使用寿命预测方法、系统及设备


[0001]本专利技术属于工业设备的剩余使用寿命预测
，特别涉及一种工业设备剩余使用寿命预测方法、系统及设备。

技术介绍

[0002]工业设备的剩余使用寿命(Remaining Useful Life，RUL)定义为该设备从当前时刻到因故障导致损坏时，所经历的时间跨度；准确的RUL预测对于航空工业、重型车辆、医疗设备、电力机械和涡轮机等工业设备的预测和健康管理(Prognostics Health Management，PHM)至关重要；具有故障和剩余使用寿命预测功能的工业系统能够使运维人员提前做出对应的维护措施，防止设备出现永久性损坏，以降低运行和维护成本。
[0003]现有的RUL预测方法主要有两种，一种是基于模型的方法，另一种是基于数据驱动的方法；其中，基于模型的方法，通常建立由工业设备的裂纹、磨损、腐蚀等因素引起的物理失效模型，但是此类物理失效模型非常复杂且难以构建，并且许多设备的物理模型根本不存在；因此，基于模型的方法在RUL预测中应用非常有限，在实际生产中较少采用这种方法；基于数据驱动的方法，主要是利用传感器实时采集工业设备中与剩余使用寿命密切相关的性能参数值，所述性能参数值(例如：压力、温度、转速、湿度及流量等)随时间或环境变化而变化，再利用深度学习算法建立回归预测模型，以实现RUL预测。
[0004]目前，基于数据驱动的剩余使用寿命预测方法包括滑动窗口(SWA)方法、基于隐马尔可夫模型(HMM)方法和基于循环神经网络(RNN)方法；其中，基于滑动窗口的方法将一系列传感器数据分割成多个窗口片段，各个片段仅考虑该窗口内的序列关系，因此仅能够捕获短期时间依赖；例如，RUL随时间前移而不断减小，则对于两个连续的滑动窗口，前一个窗口应该比后一个窗口具有更大的RUL，即各滑动窗口数据之间存在时间依赖性，但是在传统方法中考虑的窗口片段是相互独立的；基于马尔可夫模型的方法，由于HMM的限制，隐藏状态必须从大小合适的离散状态空间中提取；并且当隐藏阶段集变大时，HMM对算力和存储要求非常高，使得HMM方法不可行；此外，HMM每个隐藏状态只能依赖于前一个状态，因此无法模拟长期时间依赖关系；基于循环神经网络的方法虽然比HMM更能学习时间依赖，但存在长期时间依赖问题，即用于捕获长期时间依赖时往往会出现梯度消失或爆炸问题；因此，RNN应用于RUL预测也有很大的局限性。
[0005]综上，由于工业设备的传感器数据并非相互独立，针对其RUL预测过程，既需要考虑短期时间依赖，又需要考虑到长期时间依赖；但现有基于数据驱动的剩余使用寿命预测方法并无法满足兼顾短期时间依赖和长期时间依赖，预测结果误差较大。

技术实现思路

[0006]针对现有技术中存在的技术问题，本专利技术提供了一种工业设备剩余使用寿命预测方法、系统及设备，以解决现有基于数据驱动的剩余使用寿命预测方法，无法满足兼顾短期时间依赖和长期时间依赖，预测结果误差较大的技术问题。
[0007]为达到上述目的，本专利技术采用的技术方案为：
[0008]本专利技术提供了一种工业设备剩余使用寿命预测方法，包括：
[0009]获取待预测工业设备的传感器数据，并进行归一化处理，构建得到测试数据集；
[0010]将所述测试数据集输入至预训练的剩余使用寿命预测回归模型中进行预测，输出得到所述待预测工业设备的剩余使用寿命预测结果；
[0011]其中，所述预训练的剩余使用寿命预测回归模型为经过训练的剩余使用寿命预测回归模型；所述剩余使用寿命预测回归模型，包括依次相连的时间卷积网络单元、第一全连接层、长短期记忆网络单元、第二全连接层及输出单元。
[0012]进一步的，所述预训练的剩余使用寿命预测模型的训练过程，具体如下：
[0013]获取与待预测工业设备同型号设备的历史传感器数据，构建得到原始数据集；
[0014]利用预设的数据扩充算法，对所述原始数据集进行数据扩充，得到扩充后的数据集；
[0015]对所述扩充后的数据集，进行归一化处理，得到训练数据集；
[0016]构建剩余使用寿命预测回归模型，并利用所述训练数据集进行训练，得到所述预训练的剩余使用寿命预测回归模型。
[0017]进一步的，所述原始数据集为：
[0018][0019]其中，X为原始数据集；为设备中第n个组件第t时间步长的传感器数据；N为设备中组件的总数；T
m
为最大时间步长；
[0020]利用预设的数据扩充算法，对所述原始数据集进行数据扩充，得到扩充后的数据集的过程，具体如下：
[0021]根据所述原始数据集X，利用预设的目标函数，获取设备的剩余使用寿命训练值集合R；并确定随机正整数λ；其中，所述随机正整数λ为获取的部分训练轨迹的数量；
[0022]根据所述的原始数据集X以及设备的训练剩余使用寿命值集合R，得到设备的剩余使用寿命值训练曲线，即得到完整轨迹曲线；
[0023]在设备的剩余适用寿命训练值开始减小的时间步长t时，从所述完整轨迹曲线中开始搜索随机截断点；若对于设备中的每个组件均存在所述随机截断点，则所述随机截断点位于时间步长区间(t,T
m
)中；
[0024]从所述时间步长区间(t,T
m
)中的离散均匀分布中，随机选取整数t
i
，得到部分训练轨迹的时间步长区间(1,t
i
)；
[0025]根据所述部分轨迹的时间步长区间(1,t
i
)，从所述完整轨迹曲线中截取所述部分训练轨迹的时间步长区间(1,t
i
)对应的曲线部分，得到部分训练轨迹；
[0026]重复执行上述操作λ次，得到λ个部分训练轨迹；
[0027]从所述λ个部分训练轨迹，获取部分训练数据集X
n,j
，并将所述部分训练数据集添加至所述原始数据集X，得到所述扩充后的数据集X
′
。
[0028]进一步的，所述时间卷积网络单元，包括三个依次相连的时间卷积层；三个所述时间卷积层的结构相同，均包括一维时间卷积模块和一维最大池化模块；
[0029]其中，第l
‑
1个时间卷积层中一维最大池化模块的输出作为第l个时间卷积层中一维时间卷积模块的输入；第l个时间卷积层中一维时间卷积模块的输出为若干特征图d
l
，并
作为第l个时间卷积层中一维最大池化模块的输入。
[0030]进一步的，所述第l个时间卷积层中一维时间卷积模块输出的第j个特征图为：
[0031][0032]其中，为第l个时间卷积层中一维时间卷积模块输出的第j个特征图；为第l个时间卷积层中一维时间卷积模块输出的第j个特征图的一维权重，为第l个时间卷积层中一维时间卷积模块输出的第j个特征图的偏差；f(*)为非线性激活函数；为第l
‑
1个时间卷积层中一维最大池化模块的输出；*为卷积运算；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业设备剩余使用寿命预测方法，其特征在于，包括：获取待预测工业设备的传感器数据，并进行归一化处理，构建得到测试数据集；将所述测试数据集输入至预训练的剩余使用寿命预测回归模型中进行预测，输出得到所述待预测工业设备的剩余使用寿命预测结果；其中，所述预训练的剩余使用寿命预测回归模型为经过训练的剩余使用寿命预测回归模型；所述剩余使用寿命预测回归模型，包括依次相连的时间卷积网络单元、第一全连接层、长短期记忆网络单元、第二全连接层及输出单元。2.根据权利要求1所述的一种工业设备剩余使用寿命预测方法，其特征在于，所述预训练的剩余使用寿命预测模型的训练过程，具体如下：获取与待预测工业设备同型号设备的历史传感器数据，构建得到原始数据集；利用预设的数据扩充算法，对所述原始数据集进行数据扩充，得到扩充后的数据集；对所述扩充后的数据集，进行归一化处理，得到训练数据集；构建剩余使用寿命预测回归模型，并利用所述训练数据集进行训练，得到所述预训练的剩余使用寿命预测回归模型。3.根据权利要求2所述的一种工业设备剩余使用寿命预测方法，其特征在于，所述原始数据集为：其中，X为原始数据集；为设备中第n个组件第t时间步长的传感器数据；N为设备中组件的总数；T
m
为最大时间步长；利用预设的数据扩充算法，对所述原始数据集进行数据扩充，得到扩充后的数据集的过程，具体如下：根据所述原始数据集X，利用预设的目标函数，获取设备的剩余使用寿命训练值集合R；并确定随机正整数λ；其中，所述随机正整数λ为获取的部分训练轨迹的数量；根据所述的原始数据集X以及设备的训练剩余使用寿命值集合R，得到设备的剩余使用寿命值训练曲线，即得到完整轨迹曲线；在设备的剩余适用寿命训练值开始减小的时间步长t时，从所述完整轨迹曲线中开始搜索随机截断点；若对于设备中的每个组件均存在所述随机截断点，则所述随机截断点位于时间步长区间(t,T
m
)中；从所述时间步长区间(t,T
m
)中的离散均匀分布中，随机选取整数t
i
，得到部分训练轨迹的时间步长区间(1,t
i
)；根据所述部分轨迹的时间步长区间(1,t
i
)，从所述完整轨迹曲线中截取所述部分训练轨迹的时间步长区间(1,t
i
)对应的曲线部分，得到部分训练轨迹；重复执行上述操作λ次，得到λ个部分训练轨迹；从所述λ个部分训练轨迹，获取部分训练数据集X
n,j
，并将所述部分训练数据集添加至所述原始数据集X，得到所述扩充后的数据集X
′
。4.根据权利要求1所述的一种工业设备剩余使用寿命预测方法，其特征在于，所述时间卷积网络单元，包括三个依次相连的时间卷积层；三个所述时间卷积层的结构相同，均包括一维时间卷积模块和一维最大池化模块；
其中，第l
‑
1个时间卷积层中一维最大池化模块的输出作为第l个时间卷积层中一维时间卷积模块的输入；第l个时间卷积层中一维时间卷积模块的输出为若干特征图d
l
，并作为第l个时间卷积层中一维最大池化模块的输入。5.根据权利要求4所述的一种工业设备剩余使用寿命预测方法，其特征在于，所述第l个时间卷积层中一维时间卷积模块输出的第j个特征图为：其中，为第l个时间卷积层中一维时间卷积模块输出的第j个特征图；为第l个时间卷积层中一维时间卷积模块输出的第j个特征图的一维权重，为第l个时间卷积层中一维时间卷积模块输出的第j个特征图的偏差；f(*)为非线性激活函数；为第l
‑
1个时间卷积层中一维最大池化模块的输出；*为卷积运算；第l个时间卷积层中一维最大池化模块输出...

【专利技术属性】
技术研发人员：蔺杰，叶冉，杨新宇，赵鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：