一种基于改进LSTM的设备剩余寿命预测方法技术

本发明专利技术公开了一种基于改进LSTM的设备剩余寿命预测方法，通过改变LSTM模型的输入结构和训练模式，能实时预测工业设备当前的剩余使用寿命，且能够获得设备使用寿命的变化趋势。当此模型预测相同设备的剩余使用寿命时，无需重新获取该设备的历史运行数据，而是将已经训练好的基预测器直接接入设备，随着运行时间的增加，模型精度也会提升，解决了小样本情况下，模型难以建立的问题。模型难以建立的问题。模型难以建立的问题。

【技术实现步骤摘要】
一种基于改进LSTM的设备剩余寿命预测方法


[0001]本专利技术涉及工业设备寿命预测领域，具体是一种基于改进LSTM的设备剩余寿命预测方法。

技术介绍

[0002]故障预测和健康管理(Prognostic and Health Management,PHM)是指运用大量状态监测数据和信息，借助统计方法或算法来分析设备健康状态的技术。近年来PHM技术在工业领域展现出良好的成绩，为工业的安全生产和成本控制提供了技术保障。设备剩余使用寿命(Remaining Useful Life,RUL)预测技术是PHM的重要分支。对工业生产设备的使用寿命进行预测，可以帮助企业调整生产进度和设备维护时间。
[0003]近年来，人工智能技术快速发展，以深度学习为代表的人工智能算法在设备剩余使用寿命领域发挥重要作用。该方法只需要通过对预先准备好的训练数据集进行监督学习，即可拥有对设备剩余使用寿命的预测能力。基于深度学习的设备剩余使用寿命预测通过对系统或部件各个阶段的监测数据、传感器采集的历史数据进行融合与特征提取，建立上述运行数据和设备剩余使用寿命之间的函数关系。长短时记忆神经网络(Long Short
‑
Term Memory，LSTM)是一种特殊的循环神经网络(Recurrent Neural Network，RNN)，通过记忆体单元和门控设计，能有效地抑制RNN在训练过程中出现的梯度爆炸和梯度消失的问题，因此被广泛地应用于自然语言处理、故障诊断和设备剩余使用寿命预测等与时序相关的领域。
[0004]然而，传统LSTM方法都是将已经训练好的LSTM模型直接运用在工业设备的剩余使用寿命预测中，针对不同的设备和工况，模型参数往往固定不变，这就导致预测误差较大。即传统的LSTM方法不能合理利用在线数据进行参数实时更新，不适合实时数据下的预测问题。此外，传统结构的LSTM模型是基于当前时刻的输入和记忆数据预测相应的输出指标，该输出指标只能反应某一时刻的特性，并不能描述未来一段时间输出的变化趋势。针对以上不足，本专利技术提出一种改进LSTM的设备剩余寿命预测方法。首先叠加LSTM网络的层数，提升模型并行处理能力，从点预测转变为趋势预测。再将设备的历史运行数据训练输入改进后的LSTM模型，训练好的模型作为基预测器，设备的实时运行数据输入基预测器后，可以实现模型参数的实时更新，以此实现设备在线寿命预测。

技术实现思路

[0005]本专利技术的目的在于提供一种基于改进LSTM的设备剩余寿命预测方法。
[0006]实现本专利技术目的的技术解决方案为：
[0007]一种基于改进LSTM的设备剩余寿命预测方法，包括以下步骤：
[0008]步骤S1、采集设备运行数据Φ，构建训练模型所需的样本数据集；
[0009]步骤S2、改进LSTM模型结构；
[0010]步骤S3、根据获取的设备历史运行数据训练改进后的LSTM预测模型，以此获得基
预测器；
[0011]步骤S4、采集在线新数据输入基预测器，对模型参数进行实时更新。
[0012]进一步地，步骤S1具体包括以下步骤：
[0013]S101,利用传感器采集设备运行数据并存储；S102,将采集到的数据中的时间缺失值用上一个时刻和下一个时刻的平均值代替；
[0014]S103,确定数据集样本序列长度λ
s
和预测标签长度λ
t
，将长度为λ
s
的序列作为模型输入量，长度为λ
t
的序列作为训练模型时的标签，序列长度的计算公式为：
[0015][0016]其中，λ
n
为数据总长度；α∈(0,5]为采样步长。
[0017]进一步地，步骤S2具体包括以下步骤：
[0018]S201,构建第一层LSTM网络模型，该模型具有遗忘门f
t1
、输出门和输出门步骤S1所获得的数据具有时序性，在训练数据中t时刻的值输入模型后上一时刻模型的状态量会与x
t
共同进入遗忘门，得出对上一时刻记忆单元中数据的遗忘矩阵，遗忘矩阵中的数介于0到1之间，0表示遗忘中对应位置的数据，1则表示保留中对应位置的数据；其具体运算规则为：
[0019][0020]其中，和分别表示t时刻值输入模型时，第一层LSTM模型在遗忘门f
t1
中输入量x
t
和的权值；为偏置向量；σ为sigmoid函数，该函数可将数值控制在[0,1]范围内，其表达式为：
[0021][0022]S202,输入门决定输入x
t
中有多少信息进入记忆单元其计算过程如下：
[0023][0024]其中，和分别表示t时刻值输入模型时，输入量x
t
和在输入门中的权值；为偏置向量；
[0025]S203,输出门o
1t
决定t时刻值输入模型时，LSTM模型应该输出多少信息，其计算过程为：
[0026][0027]其中，和分别表示t时刻值输入模型时，输入量x
t
和在输出门中的权
值；为偏置向量；
[0028]S204,在训练集中t时刻值输入模型时，通过以下公式更新存储单元S204,在训练集中t时刻值输入模型时，通过以下公式更新存储单元的值与输入x
t
和有关：
[0029][0030]其中，和分别表示t时刻值输入模型时，输入量x
t
和在存储单元中的权值；为偏置向量；softmax激活函数选用tanh(
·
)：
[0031][0032]S205,当前时刻记忆单元的信息由遗忘门f
t1
和输入门共同控制，f
t1
负责遗忘上一时刻记忆单元中信息的多少，负责控制记忆x
t
中信息的多少；
[0033]为上一时刻记忆单元，遗忘门f
t1
负责删除中的无用信息；x
t
为当前时刻的输入，输入门负责筛选x
t
中的有用信息；当前时刻记忆单元的信息由删除信息后的和筛选信息后的x
t
共同决定；的计算过程如下：
[0034][0035]S206,当前时刻LSTM模型状态量由输入门控制记忆单元输出多少信息决定：
[0036][0037]S207,当前时刻模型的输出即预测值y
t
计算如下：
[0038][0039]式中，为输出的权重矩阵，为输出的偏置向量；上述计算中，
·
表示矩阵相乘，
×
表示矩阵中对应元素相乘；权重向量和偏置向量通过模型训练获得；S208,构建第二层LSTM网络模型，第一层中的传递到下一层，充当x
t
输入LSTM；第二层LSTM模型的结构如下：
[0040]门控单元：
[0041][0042]存储单元：
[0043][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进LSTM的设备剩余寿命预测方法，其特征在于，包括以下步骤：步骤S1、采集设备运行数据Φ，构建训练模型所需的样本数据集；步骤S2、改进LSTM模型结构；步骤S3、根据获取的设备历史运行数据训练改进后的LSTM预测模型，以此获得基预测器；步骤S4、采集在线新数据输入基预测器，对模型参数进行实时更新。2.根据权利要求1所述的基于改进LSTM的设备剩余寿命预测方法，其特征在于，步骤S1具体包括以下步骤：S101,利用传感器采集设备运行数据并存储；S102,将采集到的数据中的时间缺失值用上一个时刻和下一个时刻的平均值代替；S103,确定数据集样本序列长度λ
s
和预测标签长度λ
t
，将长度为λ
s
的序列作为模型输入量，长度为λ
t
的序列作为训练模型时的标签，序列长度的计算公式为：其中，λ
n
为数据总长度；α∈(0,5]为采样步长。3.根据权利要求1所述的基于改进LSTM的设备剩余寿命预测方法，其特征在于，步骤S2具体包括以下步骤：S201,构建第一层LSTM网络模型，该模型具有遗忘门输出门和输出门步骤S1所获得的数据具有时序性，在训练数据中t时刻的值输入模型后上一时刻模型的状态量会与x
t
共同进入遗忘门，得出对上一时刻记忆单元中数据的遗忘矩阵，遗忘矩阵中的数介于0到1之间，0表示遗忘中对应位置的数据，1则表示保留中对应位置的数据；其具体运算规则为：其中，和分别表示t时刻值输入模型时，第一层LSTM模型在遗忘门中输入量x
t
和的权值；为偏置向量；σ为sigmoid函数，该函数可将数值控制在[0,1]范围内，其表达式为：S202,输入门决定输入x
t
中有多少信息进入记忆单元其计算过程如下：其中，和分别表示t时刻值输入模型时，输入量x
t
和在输入门中的权值；为偏置向量；
S203,输出门o
1t
决定t时刻值输入模型时，LSTM模型应该输出多少信息，其计算过程为：其中，和分别表示t时刻值输入模型时，输入量x
t
和在输出门中的权值；为偏置向量；S204,在训练集中t时刻值输入模型时，通过以下公式更新存储单元的值与输入x
t
和有关：其中，和分别表示t时刻值输入模型时，输入量x
t
和在存储单元中的权值；为偏置向量；softmax激活函数选用tanh(
·
)：S205,当前时刻记忆单元的信息由遗忘门和输入门共同控制，负责遗忘上一时刻记忆单元中信息的多少，负责控制记忆x

【专利技术属性】
技术研发人员：刘鑫宇，朱彤，韩子延，徐鹏，徐炜翔，夏秋成，
申请(专利权)人：江苏杰瑞信息科技有限公司中船重工信息科技有限公司中国船舶集团有限公司第七一六研究所，
类型：发明
国别省市：