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，朱军等将小波变换和CNN相结合来预测轴承RUL，首先使用小波变换提取时频特征，然后使用多尺度CNN来估计RUL。该方法虽结合深度学习具有不错的预测效果，但相对于设备传感器数据的高维性和复杂性方面仍有不足。
[0004]随着决策树集成方法的不断发展，极端梯度增强算法(Extreme Gradient Boosting，XGBoost)在许多机器学习难题中取得了不错的效果。而LightGBM是在时间复杂度和预测精度上对XGBoost进行改进，对于设备传感器的高维复杂数据处理具有更加出色的表现。宋海龙等采用基于时间窗口特征衍生模型优化的LightGBM来进行剩余寿命预测(宋海龙,黎明,苟江,赵庆贺.基于LightGBM的航空发动机剩余使用寿命预测[J].现代计算机,2021,27(35):47
‑
52.)。该方法虽具有较高的预测精度，但对于数据特征的深度挖掘不够全面，且LightGBM的超参数难以确定，有待进一步优化和提升。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种旋转机械的RUL预测方法，包括以下步骤：
[0006]S1：获取旋转机械设备传感器数据；
[0007]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；
[0008]S3：构建SE
‑
CNN模型对处理后的数据进行特征提取；
[0009]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；
[0010]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。
[0011]本专利技术的有益效果：
[0012]本专利技术将具有较强的数据特征深度提取能力的SE
‑
CNN与具有对高维复杂数据预测效果较好的LightGBM相结合，解决了深度学习方法对高维复杂数据处理能力不足的问题，以及仅使用LightGBM对数据特征挖掘不全面的问题，同时通过ISSA来优化LightGBM的重要超参数，从而有效提升其剩余使用寿命预测的准确率。
附图说明
[0013]图1为本专利技术的整体流程图；
[0014]图2为本专利技术的经预处理后的C
‑
MAPSS某一发动机的特征数据；
[0015]图3为本专利技术的SE
‑
CNN结构图；
[0016]图4为本专利技术的ISSA
‑
LightGBM结构图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]一种旋转机械的RUL预测方法，如图1整体流程图所示，包括：
[0019]S1：获取旋转机械设备传感器数据；
[0020]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；
[0021]S3：构建SE
‑
CNN模型对处理后的数据进行特征提取；
[0022]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；
[0023]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。
[0024]以C
‑
MAPSS航空发动机数据集中某一发动机为例，首先计算24个可以反映设备退化信息参数的Spearman相关系数，从中选择出14个与时间序列具有较高相关程度的特征，并构建时序特征序列。Spearman相关系数计算公式如下：
[0025][0026]式中，X
n
表示基于时间的序列，表示时间序列的均值，表示所选择特征的序列，表示特征序列的均值(n＝1,2,
…
N)；ρ
m
表示第m个特征序列与时间序列X
n
的相关系数。
[0027]对所选择的特征序列进行批标准化和归一化，分别如式(2)和式(3)所示：
[0028][0029][0030]式中，Y
′
表示批标准化后的数据；μ表示特征序列的均值；σ表示特征序列的标准差；Y
*
表示数据归一化后的数值大小，Y
max
和Y
min
分别为每个采样周期中的最大值和最小值。
[0031]将经过上述处理后的特征划分为训练集和测试集，并用式(4)作为单调递减特征序列的RUL标签，式(5)作为单调递增特征序列的RUL标签：
[0032][0033][0034]式中，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。
[0035]经过预处理后的C
‑
MAPSS某一发动机的特征数据如图2所示，可见所选择特征与时间序列具有较高的相关性，可反映旋转机械的退化信息。
[0036]如图3“SE
‑
CNN模型构建”所示，主要由SE模块和基础的CNN模块构成。首先，经本文档来自技高网...

【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：