一种基于物理健康步长的卷积贝叶斯循环神经网络的寿命预测方法技术

本发明专利技术公开了一种基于物理健康步长的卷积贝叶斯循环神经网络的寿命预测方法，涉及剩余寿命预测领域。该方法主要分为数据预处理、模型建立和模型评价三部分组成。数据预处理阶段主要包括数据集的划分、确定真实RUL标签、归一化处理和数据增强。本发明专利技术的网络模型主要由两个LSTM网络和一个CB

【技术实现步骤摘要】
一种基于物理健康步长的卷积贝叶斯循环神经网络的寿命预测方法


[0001]本专利技术涉及剩余寿命预测领域，更具体的涉及基于物理健康步长的卷积贝叶斯循环神经网络的剩余寿命预测应用领域。
现有技术
[0002]工程系统的健康监测数据集通常由运行条件和传感器信号等观测数据组成，数据标有相应的时间步长或运行周期。时间序列数据用作学习数据，以模拟预测中的退化模式。为了提高数据质量，信号处理和特征提取已成为减少感官数据中噪声的流行方法。但是在数据质量改进中没有考虑每个感官数据的时间步长(Labeled Timestep，LT)信息，只是将其从输入数据中排除。LT包含有用的时间信息，在单个系统单元中与设备寿命(Remaining Useful Life，RUL)有着紧密关联，这些信息没有得到很好的利用。针对这一现状，提出一种能更好利用LT的RUL预测方法对设备的维护具有重要应用价值。
[0003]通过对现有的文献检索发现，尽管基于深度学习的方法在RUL预测领域取得了一些应用成果，但其只能通过确定性神经网络来实现预测，给出RUL值的点估计，忽略了相关的不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于物理健康步长的卷积贝叶斯循环神经网络的寿命预测方法，其特征在于，包括如下步骤：步骤1：获取数据集分析得到RUL所需的数据，在设备上安装相应的传感器获取原始数据集。步骤2：数据预处理(1)划分数据集两个LSTM网络和CB
‑
LSTM网络所需的训练数据和测试数据都不相同，需要对数据集进行划分，分别为参考数据集D
R
、训练集D
T
、更新后的训练集D'
T
、测试集D
t
'和更新后的测试集D
t
'。(2)确定真实RUL标签采用分段线性函数确定设备的真实RUL标签，以便更好地模拟理论RUL曲线随时间的变化过程。在设备退化阶段开始之前，RUL被视为一个常数，当设备进入退化阶段后，RUL随时间呈线性模式退化。(3)归一化处理为了消除数据之间不同量纲的影响，同时也为了方便神经网络模型对数据的学习和训练，采用最大
‑
最小归一化方法对原始的传感器数据进行线性变换，将每个数据限定在[0,1]之间。其中，表示第i个操作条件下第j个传感器信号的归一化数据，分别用和表示所有训练引擎中第i个操作条件下第j个传感器信号的最大值和最小值。(4)数据增强选择滑动时间窗方法在整个退化数据上滑动固定宽度为d的时间窗，该操作能够将现有样本转换生成新样本来增加训练数据量实现数据增强。步骤3：训练LSTM网络1LSTM网络1由一层LSTM层和两层前馈神经网络(feed forward neural network，FNN)组成。选择训练集的一部分作为参考数据集D
R
，训练阶段将D
R
中的传感器数据及其RUL输入LSTM网络1，学习其隐藏的设备健康状态，输出设备运行过程中的时间步长信息。同时使用均方误差函数作为损失函数，函数表示式如下。其中，y
i
表示真实值，y
i
'表示预测值在训练时，设置初始的网络超参数，并使用自适应下降算法进行训练，随后反复实验确定合理的网络超参数，最小化损失函数，采用dropout方法减少神经网络的过拟合，完成LSTM网络1的训练。测试阶段将测试样本集D
T
中设备的传感器数据及其RUL输入训练好的网络，并用最后一个时刻的PHT作为设备的最终健康状态输出，并将作为训练集每个单元的最大步长。
步骤4：更新PHT信息利用和LT导出其他时刻的PHT，公式(3)表示每个单元中每个时刻的PHT与最后一个时刻的PHT和LT之间的关系，并根据公式(3)对步骤2中获得的进行更新，得到更新后的训练集D'
T
。PHT
n,i
＝PHT
n,last
‑
(LT
n,last
‑
LT
n,i
) (3)...

【专利技术属性】
技术研发人员：陈绍炜，何家伟，温鹏飞，赵帅，张金玲，薛峰，高萌，李勇，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：