【技术实现步骤摘要】
一种机械设备的剩余寿命预测方法
[0001]本专利技术属于机械寿命预测
,具体涉及一种机械设备的剩余寿命预测方法。
技术介绍
[0002]随着科学技术的发展和生产工艺的进步,当代设备的复杂化程度得到了日益提升。这些设备在运行过程中会受到内部因素和外部因素的综合作用,性能与健康状态难免会呈现出衰退的趋势,当衰退达到一定程度时,设备将无法完成正常任务和功能,并造成不可估量的后果。因此,对机械设备进行实时监测并预测其剩余使用寿命,对保证机械设备的平稳安全运转,降低维护成本减少人员伤亡具有重要意义。
[0003]近年来,随着传感技术的发展,本专利技术已经可以利用多传感器对机械设备及其零部件的运行状态,进行实时监测从而观测其退化情况。因此,工业系统的故障预测与健康管理(Prognostics andhealth management,PHM)也应用而生,系统的故障预测和健康管理是利用工业系统中产生的各类状态监测数据,经过信号处理和数据分析等手段,实现对复杂系统的健康状态检测,并预测系统的剩余寿命分布。在整个PHM体系中,剩余寿命(Remaining Useful Life,RUL)的预测是其研究的核心内容。RUL的预测方法可大致分为两类,即基于模型的方法和数据驱动的方法。基于模型的方法是试图通过挖掘部件失效的机理,构建数学模型或者物理模型来捕获机器部件的退化过程,从而进行剩余寿命的预测。由于需要大量的专家领域知识且在实际中难以建立准确的模型,从而导致难以精确地进行剩余使用寿命的预测。数据驱动的方法不需要完整的故障 ...
【技术保护点】
【技术特征摘要】
1.一种机械设备的剩余寿命预测方法,其特征在于,具体步骤如下:一、对多传感器的输入数据进行预处理;二、处理后的数据作为多通道/多尺度自适应注意力循环卷积网络的输入数据,该网络将自适应注意力机制嵌入多通道/多尺度循环卷积网络中,自适应注意力机制是一种动态强调与退化相关区分性信息的动态机制,抑制冗余信息,多通道/多尺度的循环卷积对不同退化状态的时间相关性进行建模,融合多传感器的输入数据并增强特征信息表达的完整性,降低数据的不确定性;三、将步骤二的输出数据作为贝叶斯推理网络的输入,利用Adam优化器使得目标函数最小化,通过蒙特卡罗估计法实现剩余寿命的预测,在提升预测精度的同时实现不确定度的量化。2.根据权利要求1所述的一种机械设备的剩余寿命预测方法,其特征在于,在步骤一中,具体的预处理步骤如下:以多传感器采集信号x={x1,x2,
…
,x
N
}作为网络的输入,采用最大最小归一化将原始数据缩放到[0,1]之间,具体表达如下:其中,x
i
为第i个传感器所包含的数据,max(x
i
)为x
i
的最大值,min(x
i
)为x
i
的最小值;将经归一化后的传感器数据经时间窗口处理成输入数据。3.根据权利要求1所述的一种机械设备的剩余寿命预测方法,其特征在于,在步骤二中,具体处理过程如下:建立多通道/多尺度的自适应注意力循环卷积网路,该网络由三条并行通道组成,每条通道均由自适应注意力机制嵌入到循环卷积模块而构成,不同通道中的循环卷积层分别选取大小不同的卷积核来提取局部和全局特征,自适应注意力机制由空间注意力机制和时间注意力机制组成,将三条路径所学到的特征连接起来作为贝叶斯推理网络的输入;给定输入向量x
′
,输入到全局平均池化层和全局最大池化层中对每个输入传感器的全局信息进行整合,分别得到两种不同的信息描述v和m,具体运算如下:v=Gavgpool(x
′
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)m=Gmaxpool(x
′
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中,x
′
为经时间窗口处理后输入数据,Gavgpool(
·
)为全局平均池化操作,Gmaxpool(
·
)为全局最大池化操作,v为经全局平均池化操作后的特征图,m为全局最大池化操作后的特征图;将v和m分别送入含有一个隐藏层的全连接层中,全连接层中各层神经元数量分别设置如下:第一层和第三层的神经元数量等于输入向量的通道数,中间层神经元的数量等于输入向量通道数的一半,以捕捉通道间关系并估计每个通道的信息量,对两个全连接层输出经元素相加后再经sigmoid激活函数激活,得到空间注意力的权重α,具体计算如下:α=σ(W
12
(W
11
v)
⊕
W
22
(W
21
m))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中,α为空间注意力的权重,σ为sigmoid激活函数,W
12
,W
11
,W
22
,W
21
分别为全连接层中的权重;
将空间注意力的权重与输入向量相乘,得到空间注意力机制的输出x
ca
,具体运算如下:其中,x
ca
为空间注意力的输出,α为空间注意力的权重,x
′
为输入向量;空间注意力机制的输出作为时间注意力机制的输入,通过大小为f
ta
的自适应卷积核去提取细化特征,得到时间注意力机制的权重,具体运算如下:X
ta
=σ(W
ta
x
ca
+B
ta
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中,f
ta...
【专利技术属性】
技术研发人员:石慧,冯文君,刘斌,魏琦,聂晓音,
申请(专利权)人:太原科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。