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，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：