一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统技术方案

本发明专利技术提供了一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统，方法包括，S1、数据预处理；S2、Transformer域自适应模型构建；S3、Transformer域自适应模型多层特征对齐；S4、剩余使用寿命预测。优点是：构建基于Transformer网络的域自适应模型，利用其多头自注意力机制和并行计算的特点，可以捕捉更丰富的时序特征信息并提高计算效率。采用基于多层特征对齐的域自适应策略，通过对多个网络层输出的特征矩阵进行对齐，更加充分的利用了各层网络的信息，使得对齐后的源域与目标域数据分布更加接近，提高迁移模型的泛化性。通过计算目标域测试序列与训练序列的SBD相似度，构造出了预测补偿项，该补偿项能够对模型测试阶段的预测结果进行修正，得到更准确的输出。得到更准确的输出。得到更准确的输出。

【技术实现步骤摘要】
一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统


[0001]本专利技术涉及机电设备状态监测和健康管理
，尤其涉及一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统。

技术介绍

[0002]近年来，随着工业技术的不断发展与进步，设备系统的复杂化与自动化程度日益提高，为了维护设备系统长期高效的产出并保证其工作效率，人们对于设备的可靠性与安全性的需求也逐渐增强，故障预测与健康管理（Prognostics and Health Management, PHM）逐渐成为了工业领域关注的焦点问题。PHM旨在敏捷、高效地发现设备中存在的“亚健康”问题，为设备管理者提供有益的管理决策方案，即使进行预防性的维护，避免严重事故。剩余使用寿命（Remaining useful life prediction，RUL）预测是PHM领域最核心的问题之一，其目的是通过设备的历史状态变化及其他条件信息来判断设备从当前时刻运行到失效的剩余时间，及时制定维护策略。
[0003]目前，机电设备剩余寿命预测方法主要包括基于模型的剩余寿命预测方法和基于数据驱动的剩余寿命预测方法。（1）基于模型的剩余寿命预测方法：基于模型的方法是通过设备的内外特性、退化机理来构建设备退化的数学模型。基于模型的方法能够实现设备剩余使用寿命的准确估计，但是该类方法需要大量的相关知识作为支持，然而大多数设备的退化机理非常复杂、难以理解，构建高度精确的模型十分困难，这些问题限制了该类方法的推广与应用。（2）基于数据驱动的剩余寿命预测方法：随着人工智能、机器学习技术的发展，基于数据驱动的剩余寿命预测方法开始得到广泛应用，这类方法通过从历史数据中学习潜在的退化趋势，建立回归模型进而实现设备的剩余使用寿命预测，早期的方法都是基于传统机器学习算法实现的，需要人为构造特征，且无法处理海量的数据。深度学习方法的出现有效地解决了传统机器学习算法的问题，深度学习方法能够从大量的数据中自动提取高维特征建立回归模型，其所具有的优势引起了广泛的关注，人们也提出了很多基于深度学习的剩余使用寿命预测方法。
[0004]但无论传统的机器学习方法还是深度学习方法都需要训练数据集和测试数据集满足独立同分布的假设，数据的数量和质量决定了模型的精度与效果。但是在实际情况中，想要获取高质量有标签数据是很困难的，而且由于设备的型号、初始状态、工作条件等不同，导致了不同设备的数据分布存在差异，这就导致在一种设备上训练的剩余使用寿命预测模型在另一种设备上的预测性能急剧下降，这种问题被称为“跨域问题”。为了解决这种数据分布不一致导致的跨域问题，迁移学习（Transfer Learning, TL）方法已被广泛地应用于剩余使用寿命预测领域。迁移学习方法是利用可用数据域，也就是源域中学习到的知识在另一个分布不同的数据域，即目标域中建立可靠的模型，实现对目标域上可靠的预测。目前，迁移学习中的领域自适应（Domain Adaptation, DA）策略是应用最多的方法，其核心思想是将两个域数据映射到一个新的空间，使其数据分布更加接近，原理如图1所示。DA与
深度学习相结合的剩余使用寿命预测方法也是目前最受关注的方向之一，取得了很多突出的成果。
[0005]基于域自适应的迁移学习方法很好的解决了剩余寿命预测中的“跨域问题”，然而绝大多数方法却忽略了一个问题，在实际应用中通常需要我们对目标域数据对应的设备进行剩余寿命的实时预测，这种背景下目标域的全寿命周期数据是缺失的，目标域数据在时间轴上存在“时序分布漂移”问题，同样会影响目标域数据上的预测精度，如图2所示。经过调研，针对此类问题的解决还未引起关注。

技术实现思路

[0006]本专利技术的目的在于提供一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统，从而解决现有技术中存在的前述问题。
[0007]为了实现上述目的，本专利技术采用的技术方案如下：一种无全寿命周期样本的机电设备跨域剩余寿命预测方法，包括如下步骤，S1、数据预处理：采用滑动窗口对数据集中的源域数据集合和目标域数据集合进行切分，获取原始输入，并将原始输入按比例划分为训练集和测试集；S2、Transformer域自适应模型构建：基于Transformer网络模型构造域自适应编码器、域自适应解码器以及全连接结构的预测器，以形成Transformer域自适应模型；S3、Transformer域自适应模型多层特征对齐：将训练集输入到Transformer域自适应模型中对其进行训练；训练过程中，基于域自适应编码器的对齐损失、域自适应解码器的对齐损失以及预测器的回归误差损失和威布尔分布损失，获取模型总损失，并通过最小化模型总损失以优化域自适应编码器、域自适应解码器以及预测器的参数，获取训练好的Transformer域自适应模型；S4、剩余使用寿命预测：将测试集中输入到训练好的Transformer域自适应模型中获取初始预测结果；计算训练集和测试集的相似度以获取偏移补偿项，利用偏移补偿项修正初始预测结果，获取最终预测结果。
[0008]优选的，所述源域数据集合包括各源域多维时间序列数据样本所对应的多维退化特征以及各多维退化特征所对应的RUL标签；所述目标域数据集包括各目标域多维时间序列数据样本所对应的多维退化特征。
[0009]优选的，源域多维时间序列数据样本为机电设备运行到失效时采集的机电设备监测数据；目标域多维时间序列数据样本为无机电设备运行到故障时采集的完整机电设备监测数据；所述源域多维时间序列数据样本是具有机电设备剩余寿命作为标签的有监督数据；所述目标域多维时间序列数据样本是不具有机电设备剩余寿命标签的无监督数据。
[0010]优选的，采用滑动窗口对源域数据集合和目标域数据集合中的数据进行切分，以获取等长度的数据。
[0011]优选的，所述Transformer域自适应模型包括依次连接的域自适应编码器输入层、
位置编码层、域自适应编码器、域自适应解码器输入层、域自适应解码器以及全连接结构的预测器；所述域自适应编码器包括多个相同的编码器块，编码器块由多头自注意力机制层和前馈层这两个子层构成，每个子层后跟随一个归一化层；所述域自适应解码器包括多个相同的解码器块，解码器块由多头自注意力机制层和前馈层这两个子层构成，每个子层后跟随一个归一化层；所述解码器块比编码器块多一个多头自注意力机制层和归一化层。
[0012]优选的，步骤S3具体包括如下内容，S31、利用域自适应编码器对训练集中的源域数据和目标域数据进行编码，获取编码后的时序特征矩阵并进行第一层特征对齐，获取域自适应编码器的对齐损失；S32、利用域自适应解码器对域自适应编码器的输出进行解码，得到解码后的时序特征矩阵并对其进行特征对齐，得到域自适应解码器的第一对齐损失和域自适应解码器的第二对齐损失；S33、汇总域自适应编码器的对齐损失、域自适应解码器的第一对齐损失和域自适应解码器的第二对齐损失，获取多层特征对齐总损失；S34、将域自适应解码器的输出输入到全连接结构的预测器中，输出预测值；利用训练集中源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无全寿命周期样本的机电设备跨域剩余寿命预测方法，其特征在于：包括如下步骤，S1、数据预处理：采用滑动窗口对数据集中的源域数据集合和目标域数据集合进行切分，获取原始输入，并将原始输入按比例划分为训练集和测试集；S2、Transformer域自适应模型构建：基于Transformer网络模型构造域自适应编码器、域自适应解码器以及全连接结构的预测器，以形成Transformer域自适应模型；S3、Transformer域自适应模型多层特征对齐：将训练集输入到Transformer域自适应模型中对其进行训练；训练过程中，基于域自适应编码器的对齐损失、域自适应解码器的对齐损失以及预测器的回归误差损失和威布尔分布损失，获取模型总损失，并通过最小化模型总损失以优化域自适应编码器、域自适应解码器以及预测器的参数，获取训练好的Transformer域自适应模型；S4、剩余使用寿命预测：将测试集中输入到训练好的Transformer域自适应模型中获取初始预测结果；计算训练集和测试集的相似度以获取偏移补偿项，利用偏移补偿项修正初始预测结果，获取最终预测结果。2.根据权利要求1所述的无全寿命周期样本的机电设备跨域剩余寿命预测方法，其特征在于：所述源域数据集合包括各源域多维时间序列数据样本所对应的多维退化特征以及各多维退化特征所对应的RUL标签；所述目标域数据集包括各目标域多维时间序列数据样本所对应的多维退化特征。3.根据权利要求2所述的无全寿命周期样本的机电设备跨域剩余寿命预测方法，其特征在于：源域多维时间序列数据样本为机电设备运行到失效时采集的机电设备监测数据；目标域多维时间序列数据样本为无机电设备运行到故障时采集的完整机电设备监测数据；所述源域多维时间序列数据样本是具有机电设备剩余寿命作为标签的有监督数据；所述目标域多维时间序列数据样本是不具有机电设备剩余寿命标签的无监督数据。4.根据权利要求1所述的无全寿命周期样本的机电设备跨域剩余寿命预测方法，其特征在于：采用滑动窗口对源域数据集合和目标域数据集合中的数据进行切分，以获取等长度的数据。5.根据权利要求1所述的无全寿命周期样本的机电设备跨域剩余寿命预测方法，其特征在于：所述Transformer域自适应模型包括依次连接的域自适应编码器输入层、位置编码层、域自适应编码器、域自适应解码器输入层、域自适应解码器以及全连接结构的预测器；所述域自适应编码器包括多个相同的编码器块，编码器块由多头自注意力机制层和前馈层这两个子层构成，每个子层后跟随一个归一化层；所述域自适应解码器包括多个相同的解码器块，解码器块由多头自注意力机制层和前馈层这两个子层构成，每个子层后跟随一个归一化层；所述解码器块比编码器块多一个多头自注意力机制层和归一化层。6.根据权利要求1所述的无全寿命周期样本的机电设备跨域剩余寿命预测方法，其特征在于：步骤S3具体包括如下内容，
S31、利用域自适应...

【专利技术属性】
技术研发人员：宋磊，贵轩昂，杜俊蓉，张健，郭丽丽，阎镇，
申请(专利权)人：中国科学院空间应用工程与技术中心，
类型：发明
国别省市：