一种基于时序图推理的设备剩余使用寿命预测方法技术

本发明专利技术公开了一种基于时序图推理的设备剩余使用寿命预测方法，其步骤包括：1)构建预测模型，以及获取运行中设备传感器的感知数据；其中，所述预测模型包括时序图构建模块、节点关联特征学习网络、剩余使用寿命映射模块；2)时序图构建模块将每一所述传感器作为一节点，基于当前时刻T0各传感器对应的感知数据序列构建一个时序图序列G；G中的图G

【技术实现步骤摘要】
一种基于时序图推理的设备剩余使用寿命预测方法


[0001]本专利技术属于计算机软件
，涉及一种基于多变量分析的时序图推理模型推理设备剩余使用寿命方法，是通过深度学习模型拟合回归函数，推测设备的使用寿命。

技术介绍

[0002]设备的剩余使用寿命预测(Remaining useful life,RUL)作为设备健康管理(Prognostics and health management,PHM)的关键技术之一，其预测信息可避免灾难性故障，有效保障设备或系统的安全性和可靠性，并能够给维修人员的维修决策和备件订购等活动提供指导性依据，达到降低成本、提高效率的目的。
[0003]时序图(Sequence diagram)是通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。它可以表示用例的行为顺序，当执行一个用例行为时，其中的每条消息对应一个类操作或状态机中引起转换的触发事件。
[0004]图神经网络(Graph Neural Network，GNN)是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
[0005]随着高新技术的发展和生产工艺的进步，一大批科技含量高、结构复杂的设备已经投入到我国工业和国防等领域。但设备中某些部件在运行过程中由于疲劳磨损、腐蚀、老化等原因，设备性能的退化将无法避免，一旦因性能退化造成设备失效，可能会引起事故和不必要的人员伤亡，造成灾难性的后果以及重大的经济损失。如果在设备性能退化初期对其剩余使用寿命进行精确的预测，可为运维人员的预防性维修和备件订购等活动提供指导性依据，较大程度上减少不必要的停机时间，避免事故的发生，进而有效保障设备的安全性和可靠性、提高任务的完成率。
[0006]现有技术中，对RUL技术的分类包括基于机理模型的预测方法、基于数据驱动的预测方法以及基于机理模型和数据混合驱动的预测方法。基于机理模型的RUL预测方法通过设备的失效机理，结合设备先验知识构建数学模型，并通过实时采集的监测数据，实时对设备的使用寿命预估。随着传感器技术的快速发展，获取设备的状态监测数据变得愈发容易，这也给数据驱动的剩余使用寿命预测方法提供了契机。此类方法不依赖设备或系统的机理知识，可以缓解机理模型建模对复杂设备或系统建模困难的问题。该预测方法主要分为统计模型方法和机器学习方法。由于机器学习拥有强大的数据处理能力，且无需通过先验知识建立退化机理模型，采用机器学习的方法进行设备剩余使用寿命预测已经成为工业界和学术界的研究热点。基于机器学习的预测方法又可以进一步分为传统机器学习预测方法和深度学习预测方法。深度学习方法可以从大规模数据中自主发现深层数据特性，实现退化特征的自动提取，为RUL预测提供分析依据。卷积神经网络基于不同大小的感受野组合，学习统一时间段内，不同感知节点间的关联关系，从中发现设备退化状态，进而预测剩余使用寿命。循环神经网络在处理具有时间依赖性的数据时有着较为明显的优势。为了充分挖掘设备状态监测数据的时序特征，部分研究人员采用传统循环神经网络模型或其扩展方法进
行设备的剩余使用寿命预测。但由于梯度消失或爆炸，使得其缺乏学习长期时间依赖的能力。为了解决该问题，部分学者采用LSTM或其他改进方法进行复杂剩余使用寿命预测。近期，随着Transformer网络模型的提出，该模型被广泛应用于机器翻译、交通流量预测等领域。由于该模型利用注意力机制处理序列数据，这使得它可以更好的捕获长期依赖关系，并且可以自主发现设备发生状态转变的关键时间节点。受益于注意力带来的序列长距离影响表示能力，Transformer网络模型能够充分挖掘设备传感器数据间的时空关联，在设备剩余使用寿命预测中取得了卓越表现。
[0007]对于常见的用于RUL预测的机理模型，随着设备或系统的结构复杂性变高以及设备运行环境的多样性，故障模式和失效机理也变的更为复杂，存在各种故障模式相互耦合的问题，导致很难建立合理的机理模型，无法在实际工程应用中得到广泛推广。
[0008]基于数据驱动的深度学习方法中，卷积神经网络关注不同传感器节点间的关联关系，发现其退化特征信息，但对时序特征的提取能力不足，不利于预测设备剩余使用寿命这一具备时序特性的任务。当前深度学习模型主要关注各传感器局部时间范围的关联，未考虑在一个较长周期内，各传感器之间的关联关系模式及其影响、变化情况。实际上，不同传感器节点之间的感知数据，存在一定的关联，如正关联、负关联、传递关联等。而在设备运行的不同阶段，关联性也会随之改变，预示着设备性能的退化。以飞行器工作为例，在其运行早期，相近的部件之间可以保持震动模式的一致性、传递性；而随着工作架次的累积、部件的老化和结合部的松动，这种一致性会逐步减弱，并预示着潜在的设备故障的出现。为此，利用不同传感器节点间关联关系的模式规律、演变趋势，同样能够反映出设备的稳定性变化，进而为剩余使用寿命预测提供更加充分的佐证。同时，Transformer模型仍未能利用设备在运行过程中的各部件的状态变化趋势，其具体体现为无法学习不同传感器关联关系的演变及变化规律。从而为图神经网络，特别是基于时序图神经网络的剩余使用寿命预测模型提供了动机。
[0009]综上所述，随着设备结构复杂性变高以及运行环境的多样性，导致采用基于机理模型的剩余使用寿命预测方法泛化性差、成本代价高、难以在实际工程应用中得到广泛推广。同时，基于数据驱动的方法虽然可以有效降低建模过程中对机理知识的依赖，有效解决复杂设备建模困难的问题，但现有的方法大多仅考虑了传感器监测数据的时序特征提取，而忽略了设备运行过程中传感器间关联关系的模式规律及演变趋势。所以需要一种既可以充分挖掘时序特征，又可以充分利用传感器间关联关系变化规律的剩余使用寿命预测方法，更深层次地挖掘蕴藏的设备退化信息，进而提升对设备剩余使用寿命预测的精确性。

技术实现思路

[0010]针对现有技术中存在的问题，本专利技术的目的在于提供一种基于时序图推理的设备剩余使用寿命预测方法。本专利技术能够充分利用传感器运行状态耦合关系及其变化趋势，挖掘其中蕴含的设备性能退化信息，用于设备剩余使用寿命精确预测。通过构建多个连续时间切片内的传感器节点关系图，并基于连续的图结构进行表示学习，充分发现设备各部件间的状态时空关联，刻画不同传感器节点间关联关系的变化过程。该模型能够预测未来时刻的节点属性、关联、以及整体信息，从而作为剩余使用寿命预测的分析依据。
[0011]本专利技术的技术方案为：
[0012]一种基于时序图推理的设备剩余使用寿命预测方法，其步骤包括：
[0013]1)构建预测模型，以及获取运行中设备传感器的感知数据；其中，所述预测模型包括时序图构建模块、节点关联特征学习网络、剩余使用寿命映射模块；在所述的N个目标部位上分别设置一传感器，第i个传感器对应的感知数据序列为{d
i1
,d
i2
,...,d
ij
,...}，d
ij
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序图推理的设备剩余使用寿命预测方法，其步骤包括：1)构建预测模型，以及获取运行中设备传感器的感知数据；其中，所述预测模型包括时序图构建模块、节点关联特征学习网络、剩余使用寿命映射模块；在所述的N个目标部位上分别设置一传感器，第i个传感器对应的感知数据序列为{d
i1
，d
i2
，...，d
ij
，...}，d
ij
表示第i个传感器在第j个运行时刻采集的感知数据，i＝1～N；2)所述时序图构建模块将每一所述传感器作为一个节点，基于当前时刻T0各传感器对应的感知数据序列构建一个时序图序列G中的第j个图G
j
＝{V
j
，E
j
}为第j个运行时刻对应的时序图，V
j
表示第j个运行时刻对应的节点集合，E
j
表示节点集合V
j
内节点间的关联，其中e
jik
∈E
j
，表示第j个运行时刻节点v
i
和节点v
k
间的关联类型；根据节点v
i
第j个运行时刻及其之前采集的感知数据构成的子序列D
ij
和节点v
k
第j个运行时刻及其之前采集的感知数据构成的子序列D
kj
，计算得到e
jik
；3)所述节点关联特征学习网络基于传感器感知数据和时序图序列G进行特征学习，得到各运行时刻的传感器节点特征矩阵和传感器关联特征；4)所述剩余使用寿命映射模块通过回归分析，利用所得到各运行时刻的传感器节点特征矩阵和传感器关联特征，预测得到所述设备的剩余使用寿命T。2.根据权利要求1所述的方法，其特征在于，所述节点关联特征学习网络首先采样图卷积网络对第t运行时刻对应的时序图G
t
进行特征聚合，得到节点关联特征和关系聚合特征R
′
t
；然后基于门控机制的循环神经网络GRU根据节点关联特征和第t
‑
1运行时刻对应的节点关联特征H
t
‑1进行特征学习，得到第t运行时刻对应的传感器节点特征矩阵H
t
；然后根据第t
‑
1时刻对应的关系特征矩阵R
t

【专利技术属性】
技术研发人员：刘雨蒙，万梓航，赵怡婧，王碧聪，王潮，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：