本发明专利技术公开了一种剩余寿命预测方法、装置和存储介质，其中方法包括：获取设备的原始数据；对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签；建立基于时空双细胞状态衰减阶段自适应感知的剩余寿命预测模型，根据伪标签对剩余寿命预测模型进行辅助自监督课程训练；采集设备的实时数据，将实时数据输入训练后的剩余寿命预测模型进行预测，输出设备的剩余寿命的预测值和对应的阶段值。本发明专利技术以无监督的方式得到衰减阶段信息，以及以自监督辅助学习的方式加强模型对衰减状态学习的能力，从而能让模型更好地融合衰减阶段的概念于剩余寿命预测任务中，进一步提高模型的预测效果。本发明专利技术可广泛应用于设备剩余寿命预测领域。域。域。
【技术实现步骤摘要】
一种剩余寿命预测方法、装置和存储介质
[0001]本专利技术涉及设备剩余寿命预测领域，尤其涉及一种剩余寿命预测方法、装置和存储介质。
技术介绍
[0002]故障预测和健康管理(Prognostic and Health Management,PHM)是指利用大量状态监测数据和信息，借助统计算法或模型来评估和管理装备的健康状态的技术，以提前对潜在故障进行预测，并结合各种装备信息提供维护决策，实现视情维护，从而提高生产过程的安全性及降低维护成本。剩余使用寿命(Remaining Useful Life,RUL)预测技术是PHM的关键技术之一，通过分析传感器监测的运行数据或建立合适的退化模型对系统或部件的RUL进行提前预测。数据驱动的方法提供了一种重要的RUL预测手段通过数据获取、数据预处理、特征工程、模型建立、模型训练与预测，从而建立一个有效的RUL预测模型对监测数据进行处理以实现RUL预测。
[0003]在实际生产的RUL预测中，如何使用数据驱动的方法准确预测设备部件的寿命，仍然面临很多挑战。首先，在不同工况下，设备部件(如轴承)寿命衰减行为不尽相同，即使同一工况下，由于部件出厂状态在统计上存在方差，个体之间初始差异导致衰减过程变化的不同，因此，设备寿命受环境影响深刻；其次，在剩余寿命预测任务中，不同采样段中采集的数据存在时间相关性，即除了单段连续采样的数据存在时序关系之外，时间上存在先后顺序的不同采样段之间的数据同样存在一定的时间相关性，例如不同衰减状态的数据有前后发生关系；再次，监测数据往往会存在数据不平衡问题，尤其在于健康
‑
不健康的不平衡问题明显，需要找到一种方法来平衡处于健康状态的监测数据和不健康的剧烈衰减状态数据，这便需要引入时空双特征的阶段信息。
技术实现思路
[0004]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种剩余寿命预测方法、装置和存储介质。
[0005]本专利技术所采用的技术方案是：
[0006]一种剩余寿命预测方法，包括以下步骤：
[0007]获取设备的原始数据；
[0008]对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签；
[0009]建立基于时空双细胞状态衰减阶段自适应感知的剩余寿命预测模型，根据伪标签对剩余寿命预测模型进行辅助自监督课程训练；
[0010]采集设备的实时数据，将实时数据输入训练后的剩余寿命预测模型进行预测，输出设备的剩余寿命的预测值和对应的阶段值。
[0011]进一步地，所述对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签，包括：
[0012]采用深度模型将原始数据转化为高维特征，对高维特征特征进行聚类，根据每次聚类结果获取伪标签；
[0013]将伪标签反馈给深度模型，并进行参数更新，最终得到深度聚类网络；
[0014]其中，所述深度聚类网络用于识别原始数据对应的衰减阶段。
[0015]进一步地，所述剩余寿命预测模型包括多层卷积嵌入的循环神经网络和一个预测层；
[0016]滑动窗口的方式对原始数据进行采样，获得窗口数据，作为剩余寿命预测模型的输入；
[0017]窗口数据经过循环神经网络和预测层后，输出剩余寿命预测值；
[0018]其中，循环神经网络的每层网络由时序状态转移和空间状态转移两部分组成，时序状态在水平方向上随着时间步传播，而空间状态则在垂直方向上以之字形穿梭于相邻时间步之间。
[0019]进一步地，所述剩余寿命预测模型为采用卷积循环神经网络，以卷积嵌入的带有双时空细胞状态的长短期记忆网络；
[0020]所述长短期记忆网络能够充分利用卷积网络对数据空间特征的提取的能力和循环神经网络的对时序特征的提取能力，将两者的优势结合起来，能够对带有时空特征的原始信号进行特征提取，最终建立对设备剩余寿命更加可靠的映射关系。
[0021]进一步地，所述剩余寿命预测模型采用长短期记忆网络作为主干，将长短期记忆网络原有的输入
‑
隐藏和隐藏
‑
隐藏的转移函数的点乘操作替换为卷积操作；
[0022]空间状态在垂直不同网络层次上传播，带有每层空间特征提取状态信息；时间状态在水平不同时间步上按时间顺序进行传播，带有每个时间步的时序上的长期依赖状态信息，另外配合隐藏状态实现长短期状态的传递；
[0023]在空间和时序双特征状态传递基础上，引入动态和静态子细胞差分机制，在动态子细胞中以上一层的当前时刻输出与上一时间步输出的差分值作为输入，经过计算后输出到静态子细胞中进行计算，得到关注在空间和时间上对预测的剩余寿命值更有贡献的不变特征；
[0024]最后，由空间和时序特征所提取到的健康因子经过一个全连接的回归网络，进行回归操作，得到一条拟合后的设备剩余使用寿命曲线；
[0025]其中，下一时间步的空间状态可由上一时间步最后一层的空间状态通过上采样逐层累加等到，如下公式所示：
[0026][0027]其中，是第一层的空间状态输入，Upsamplinq是指上采样算法，一般采用线性插值，是指第i层的空间状态。
[0028]进一步地，所述根据伪标签对剩余寿命预测模型进行辅助自监督课程训练，包括:
[0029]通过设计一种新型深度模型损失函数，基于辅助任务学习来提高主任务的性能的基础，在剩余寿命预测任务学习的同时学习设备健康阶段分类任务；随着时间推移，从健康状态到最终进入到剧烈衰减期期间，逐渐将学习重心从阶段分类任务到剩余寿命预测任务
转移，以达到更好地服务剩余寿命预测这个主任务。
[0030]进一步地，损失函数的表达式如下:
[0031][0032]式中，λ是一个随时间变化的参数，代表辅助学习的偏重权重，采用以下公式计算获得
[0033]λ(i)＝max(ζ，λ(0)
‑
∈
·
i)
[0034]其中，ζ是λ最大值，∈是衰减速率因子；
[0035]均方误差和交叉墒损失函数的表达式如下:
[0036][0037][0038]式中，是剩余寿命真实值，是剩余寿命预测值，n是样本总数，y
i
是第i个真实值，是第i个预测值，P(y
ij
)是真实类别标签的分布，是值为0或1的one
‑
hot向量，是预测类别的分布，是一个向量，其值介于[0,1]之间，p是样本总数，q是类别总数。
[0039]进一步地，所述根据伪标签对剩余寿命预测模型进行辅助自监督课程训练，包括：
[0040]根据无监督阶段获得的伪标签，解决主任务和辅助任务双任务的形式强化模型对阶段的感知能力，从而强迫时间和空间状态遵循阶段变化而发挥作用；其中，时间和空间状态相互影响而又受到阶段信息的制约。
[0041]本专利技术所采用的另一技术方案是：
[0042]一种剩余寿命预测装置，包括：
[0043]至少一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种剩余寿命预测方法，其特征在于，包括以下步骤：获取设备的原始数据；对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签；建立基于时空双细胞状态衰减阶段自适应感知的剩余寿命预测模型，根据伪标签对剩余寿命预测模型进行辅助自监督课程训练；采集设备的实时数据，将实时数据输入训练后的剩余寿命预测模型进行预测，输出设备的剩余寿命的预测值和对应的阶段值。2.根据权利要求1所述的一种剩余寿命预测方法，其特征在于，所述对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签，包括：采用深度模型将原始数据转化为高维特征，对高维特征特征进行聚类，根据每次聚类结果获取伪标签；将伪标签反馈给深度模型，并进行参数更新，最终得到深度聚类网络；其中，所述深度聚类网络用于识别原始数据对应的衰减阶段。3.根据权利要求1所述的一种剩余寿命预测方法，其特征在于，所述剩余寿命预测模型包括多层卷积嵌入的循环神经网络和一个预测层；滑动窗口的方式对原始数据进行采样，获得窗口数据，作为剩余寿命预测模型的输入；窗口数据经过循环神经网络和预测层后，输出剩余寿命预测值；其中，循环神经网络的每层网络由时序状态转移和空间状态转移两部分组成，时序状态在水平方向上随着时间步传播，而空间状态则在垂直方向上以之字形穿梭于相邻时间步之间。4.根据权利要求1所述的一种剩余寿命预测方法，其特征在于，所述剩余寿命预测模型为采用卷积循环神经网络，以卷积嵌入的带有双时空细胞状态的长短期记忆网络；所述长短期记忆网络充分利用卷积网络对数据空间特征的提取的能力和循环神经网络的对时序特征的提取能力，将两者的优势结合起来，能够对带有时空特征的原始信号进行特征提取，最终建立对设备剩余寿命更加可靠的映射关系。5.根据权利要求4所述的一种剩余寿命预测方法，其特征在于，所述剩余寿命预测模型采用长短期记忆网络作为主干，将长短期记忆网络原有的输入
‑
隐藏和隐藏
‑
隐藏的转移函数的点乘操作替换为卷积操作；空间状态在垂直不同网络层次上传播，带有每层空间特征提取状态信息；时间状态在水平不同时间步上按时间顺序进行传播，带有每个时间步的时序上的长期依赖状态信息，另外配合隐藏状态实现长短期状态的传递；在空间和时序双特征状态传递基础上，引入动态和静态子细胞差分机制，在动态子细胞中以上一层的当前时刻输出与上一时间步输出的差分值作为输入，经过计算后输出到静态子细胞中进行计算，得到关注在空间和时间上对预测...
【专利技术属性】
技术研发人员：李方，郭炜森，张平，
申请(专利权)人：华南理工大学，
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。