一种基于深度学习的生成回放剩余有效寿命预测方法技术

本发明专利技术提供一种基于深度学习的生成回放剩余有效寿命预测方法，属于工程预测与健康管理系统领域，步骤：1)根据初始数据集建立最初的生成器与解决器；2)在新数据输入前，先根据旧生成器生成仿真的旧数据；3)将生成的旧数据和新数据混合输入到旧的生成器和解决器进行训练。本发明专利技术设计简便且便于使用于深度学习算法程序中；可缓解深度学习在剩余有效寿命预测中碰到大量数据或其他原因必须使用连续学习时的灾难性遗忘难题，通过不断训练用于生成仿真旧数据的生成器，实现在深度学习训练时能加入包含部分重要旧数据特征的效果。入包含部分重要旧数据特征的效果。入包含部分重要旧数据特征的效果。

【技术实现步骤摘要】
一种基于深度学习的生成回放剩余有效寿命预测方法


[0001]本专利技术属于工程预测与健康管理系统领域，涉及一种基于深度学习的生成回放剩余有效寿命预测方法。

技术介绍

[0002]在过去的几十年里，随着人工智能的快速发展，工程健康维护策略有了很大的改进，这些领域的主要焦点逐渐将基于条件的维护转换为预测性维护。与基于条件的维护方法相比，基于预测性维护的维护决策方法更加有效，它们可以同时考虑现在和未来的状态，这将导致更好的维护优化结果。其中剩余使用寿命预测是预测维修系统的关键部分，在保持系统稳定性和降低维修成本方面起着重要作用。同时，目前主流的剩余寿命预测方法主要可分为基于模型和基于数据库。但是由于基于模型的方法复杂度高且精度低一直未能很好的应用，而近年来随着计算机算力和人工智能的不断发展基于数据的方法愈发的受欢迎。
[0003]对绝大部分机械部件和系统而言，即使是在相同的工作条件下，其使用寿命也是不同的甚至有时会有很大差异。而在不同的工作条件下使用，其使用寿命差异会更加显著。因此，研究可持续剩余有效预测的研究是特别有价值的。另一方面，其中有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的生成回放剩余有效寿命预测方法，其特征在于，包括以下步骤：第一步，首先，通过实验获取设备的全寿命周期数据构建全寿命周期数据集，将全寿命周期数据集根据现场实际情况分成多个任务，并对所有任务采用1、2
……
n进行编号；然后，对每个任务的全寿命周期数据均进行分类，每个任务的数据均包括寿命标签数据和训练用数据两类；其次，对所有任务的训练用数据进行初始化处理，并将初始化处理后的训练用数据和寿命标签数据一起进行时间滑窗；最后，将时间滑窗后的数据再次分为寿命标签和训练用数据后，并按照任务编号依次输出，得到每个任务对应的最终数据集；第二步，根据现场实际情况设计生成器和解决器模型，并制定相应的评估标准；采用任务1的最终数据集对初始化的生成器和解决器进行训练，获得任务1的生成器和解决器，并将它们保存并输出；然后在全任务数据上进行预测，根据评估标准记录相应的数据；第三步，处理任务2的最终数据集、任务1的生成器和解决器：首先，使用任务1的生成器生成仿真训练用旧数据，并输入至任务1的解决器生成仿真寿命标签旧数据；其次，将仿真训练用旧数据与任务2的训练用数据等比例融合形成新训练用数据，将仿真寿命标签旧数据与任务2的寿命标签数据等比例融合形成新寿命标签数据；然后，使用新训练用数据训练任务1的生成器形成任务2的生成器，并使用新训练用数据和新寿命标签数据训练任务1的解决器形成任务2的解决器，并将它们保存并输出；最后，...

【专利技术属性】
技术研发人员：孙希明，王天诚，郭迪，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：