一种基于统计模型与深度学习的设备多阶段退化演化预测方法、设备和存储介质技术

本发明专利技术属于设备退化演化预测技术领域，公开了一种基于统计模型与深度学习的设备多阶段退化演化预测方法、设备和存储介质。本发明专利技术建立AR模型将机械设备的退化过程划分为多个退化阶段，同时采用GA优化的LSTM构建多阶段退化演化预测模型，减少了退化演化预测的不确定性，提高了预测精度，同时多阶段预测结果可以估计每个阶段的状态，可以更好地支持机械设备剩余寿命的预测，因此具有实际的应用意义。因此具有实际的应用意义。因此具有实际的应用意义。

【技术实现步骤摘要】
一种基于统计模型与深度学习的设备多阶段退化演化预测方法、设备和存储介质


[0001]本专利技术属于设备退化演化预测
，具体涉及一种基于统计模型与深度学习的设备多阶段退化演化预测方法、设备和存储介质。

技术介绍

[0002]随着工业的发展，机械设备的结构以及功能日趋复杂，自动化程度不断提高。但是，在实际工程应用中，由于机械设备的工作环境恶劣多变，工况复杂，使得机械设备容易发生退化，影响机械设备的正常运行以及可靠性。为了保障机械设备安全高效地运行，退化演化预测一直是工业领域研究的热点问题。对设备进行退化演化预测可有效识别异常部件，有助于预防系统潜在故障，提高机械设备的安全性。因此，机械设备的退化演化预测对其可靠性和安全性均具有重要的保障意义。
[0003]在大多数情况下，设备退化趋势随不同工况而呈现出不同的特征，基于单阶段模型的预测方法很难有效捕捉到不同阶段的退化特征，给设备可靠性运维带来极大的挑战。深度学习在复杂退化数据处理方面具有强大的计算能力，十分适用于处理多特征退化序列。基于统计学的方法具有清晰的数学表达式及解析过程，可以有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于统计模型与深度学习的设备多阶段退化演化预测方法，其特征在于，包括如下步骤：S1：提取退化指标时序数据总集：采集设备退化信号的时间序列数据，以均方根为退化指标，按单位时间段提取所述退化信号的时间序列数据的均方根值，得到退化指标时序数据总集；S2：识别退化突变点：将步骤S1得到的退化指标时序数据总集分段处理，同时分段建立AR模型，然后根据AR模型拟合结果获取AR模型一步预测误差，以多段误差最小为目标识别退化突变点；S3：获得LSTM模型最优参数组合：构建LSTM模型，采用遗传算法GA优化LSTM模型涉及到的参数，得到最优参数组合；S4：以步骤S2得到的退化突变点为界将退化指标时序数据总集划分为多个退化指标时序数据子集；采用步骤S3得到的最优参数组合代入构建的LSTM模型中构建退化预测模型，并分别以每个退化指标时序数据子集训练和测试所述退化预测模型，同时得到多段退化预测曲线；按时序拼接多段退化预测曲线后即得多阶段退化预测曲线。2.根据权利要求1所述的多阶段退化演化预测方法，其特征在于，步骤S2中识别退化突变点的具体步骤为：S21、识别第一退化突变点：S211、根据所述退化指标时序数据总集的变化趋势，划定第一退化突变点所在区间；S212、在退化突变点所在区间内选取任意一点将所述退化指标时序数据总集划分为第一子集和第二子集；S213、以AR模型为基础，分别以第一子集和第二子集建立第一AR模型和第二AR模型；然后分别采用第一AR模型和第二AR模型对第一子集和第二子集中的数据拟合，计算得到第一AR模型的一步预测误差平方和与第二AR模型的一步预测误差平方和之和RSS；S214、遍历步骤S211中所述退化突变点所在区间内所有点，重复步骤S212和步骤S213的计算过程得到退化突变点所在区间内所有点的RSS；筛选RSS最小时对应的点为第一退化突变点；S22、识别其他退化突变点：根据所述退化指标时序数据总集中第一退化突变点之后的数据变化趋势，再次划定第二退化突变点所在区间；在退化突变点所在区间内选取任意一点将退化指标时序数据总集中第一退化突变点之后的数据划分为第一子集和第二子集；重复步骤S213和步骤S214得到第二退化突变点；以此类推得到所述退化指标时序数据总集中所有退化突变点。3.根据权利要求1所述的多阶段退化演化预测方法，其特征在于，步骤S3中采用遗传算法GA对LSTM模型涉及到的参数进行优化时，以预测误差最小为目标函数，获取参数搜索空间的最优解，得到最优参数组合，具体步骤为：S31、设置问题候选解并进行染色体编码，具体为：将LSTM模型涉及到的学习率、训练次数、序列长度以及隐藏层神经元个数4个参数取值后组成一组候选解；遗传算法GA中个体为参数的取值，而本发明参数的取值为实数，可将实数编码为向量表示，因此将个体编码为染色体后，每条染色体基因数目为4，分别对应4个参数，每条染色
体可表示为X＝(学习率，训练次数，序列长度，隐藏层神经元个数)；其数学表达式如下：x(j)＝a(j)+y(j)(b(j)
‑
a(j)),j＝1,2,
…
p式中，p为优化参数的数目，在本发明中p＝4，x(j)是第j个优化参数，[a(j),b(j)]为x(j)的变化区间，y(j)为参数编码对应的实数；S32、种群初始化：设置初始参数值，采用随机方法产生种群，并根据预测数据设置预测模型需要优化的4个参数的取值范围；S33、构建适应度函数：将LSTM神经网络的均方根误差的倒数作为适应度函数，其数学表达式为：式中，n是数据序列长度，Y
i
是真实值，是预测值；S34、将解的个体进行选择交叉变异操作：对于交叉操作，采用模拟二进制交叉算子完成交叉运算，其交叉后的新个...

【专利技术属性】
技术研发人员：段超群，郭康豪，沈逸霖，钟宋义，刘富樯，蒲华燕，罗均，刘志杰，孟献兵，
申请(专利权)人：上海大学，
类型：发明
国别省市：