一种旋转机械的RUL预测方法技术

本发明专利技术属于旋转机械监测领域，具体涉及一种旋转机械的RUL预测方法，包括：通过Spearman相关系数对旋转机械设备传感器数据进行特征选择，将与时间序列相关性较高的特征进行批标准化和归一化处理，同时划分好训练集和测试集并标注序列的RUL标签；构建SE

【技术实现步骤摘要】
一种旋转机械的RUL预测方法


[0001]本专利技术属于旋转机械监测领域，具体涉及一种旋转机械的RUL预测方法。

技术介绍

[0002]旋转机械承担着主要的现代化工业生产任务，对其研究保以安全正常工作，对于我国工业生产具有十分重要的现实意义。对于如何有效维护旋转机械的安全运行，一些国内外学者研究提出了一种结合信息技术和人工智能等领域研究成果的预测维修策略，即故障预测与健康管理(Prognosis and Health Management，PHM)，而剩余使用寿命(Remaining Useful Life，RUL)的预测便是其核心环节。基于数据驱动的RUL预测方法不依赖于设备系统的相关领域知识，解决了基于物理模型方法对复杂设备系统建模困难的问题，在大数据背景的不断发展的背景下已然成为RUL预测领域的主流方法。马海龙等利用PCA方法融合振动信号的均方根值、峰值和小波熵等特征来表征轴承的退化状态。
[0003]上述方法采用的是人工特征提取，其建模方式复杂并且人工提取很容易被忽略掉部分特征。近年来，深度学习在预测与健康管理领域逐渐火热，朱军本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械的RUL预测方法，其特征在于，包括：S1：获取旋转机械设备传感器数据；S2：通过Spearman相关系数对传感器数据进行特征选择，将与时间序列相关性较高的特征进行批标准化和归一化处理，同时划分好训练集和测试集并标注序列的RUL标签；S3：构建SE
‑
CNN模型对处理后的数据进行特征提取；S4：通过ISSA算法优化LightGBM模型中的子叶个数、最大深度和学习率，并将训练集中的数据输入优化后的LightGBM模型根据其标注的RUL标签进行训练，当LightGBM模型的损失函数值最小时完成模型的训练；S5：将划分好的测试集数据输入训练完成后的LightGBM模型，输出预测的RUL值。2.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，所述Spearman相关系数计算，包括：其中，ρ
m
表示第m个特征序列与时间序列X
n
的相关系数，X
n
表示时间序列，表示时间序列的均值，表示第m个特征序列，表示特征序列的均值(n＝1,2,
…
N)，N表示序列数量。3.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，标注序列的RUL标签，包括：所述RUL标签包括单调递减特征序列的RUL标签和单调递增特征序列的RUL标签；所述单调递减特征序列的RUL标签：所述单调递增特征序列的RUL标签：其中，x
td
和x
tr
分别表示第t个采样点时单调递减特征序列和单调递增特征序列的RUL标签，l表示全寿命周期。4.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，所述SE
‑
CNN模型，包括：SE模块、基础的CNN模块、压平层；经过预处理的特征输入到CNN模块进行特征提取，其提取结果输入到...

【专利技术属性】
技术研发人员：杨泽远，杨刚，蒲朝东，汪宙峰，熊心和，匡海军，宋兵，杨一博，隆勇，朱海清，
申请(专利权)人：重庆市荣冠科技有限公司，
类型：发明
国别省市：