一种机械设备的剩余寿命预测方法技术

本发明专利技术公开了一种机械设备的剩余寿命预测方法，属于机械寿命预测技术领域，具体技术方案为：一、对多传感器输入数据进行预处理；二、预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，这种动态机制可以动态的强调与退化相关的区分性信息，并抑制冗余信息，可对不同退化状态的时间相关性进行建模，以此来融合多传感器的输入数据并增强特征信息表达的完整性，从而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。定度的量化。定度的量化。

【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机理和全部的专家知识，它包括统计数据驱动和机器学习的方法。在机器学习的方法中，由于深度学习(Deep Learning，DL)较浅层机器学习而言，具有自动处理原始数据和描述复杂非线性系统的退化过程的能力而被广泛使用，成为系统剩余寿命预测的主流技术。
[0004]通常，基于深度学习的剩余寿命预测是构建一个端到端的模型，来反映监测信号与系统剩余寿命之间的关系。在现有方法中，最广泛应用的算法是卷积神经网络(CNN)、递归神经网络(RNN)。它们在机械设备剩余寿命预测方面取得了显着的成效。基于这两种网络框架，已经提出了许多用于机械设备剩余寿命预测的变体网络。
[0005]其中，卷积神经网络在机械设备的剩余寿命预测中得到了良好的应用，其人工神经元可以响应一部分覆盖范围内的周围单元，有效地提取出数据局部特征。Babu等首先将其应用到时间序列上，建立了基于回归模型的预测系统。而后，Yao等利用网络深度优势，提出改进的一维卷积神经网络(1D
‑
CNN)和简单的递归单元(SRU)网络相结合，利用1D
‑
CNN来提取信号特征，通过重构传统递归神经网络(RNN)的串行操作模式，建立了并行输入SRU网络来进行剩余寿命预测，该网络的有效性在XJTU
‑
SY数据集上得到了验证。Huang等开发了一种新的基于深度卷积神经网络剩余使用寿命预测方法，所提出的体系结构包括两个主要部分：即深度卷积神经网络
‑
多层感知器双网络用于同时提取隐藏在基于时间序列中的特征表示，并进行RUL的预测，其有效性在XJTU
‑
SY轴承数据集上得到了验证。
[0006]网络深度的增加，虽然可以更好地拟合特征，但是会带来梯度不稳定、网络退化等问题。为了减少网络深度，避免单一尺度提取信息不充分的缺点，在GoogleNet中提出了多尺度卷积的概念。Xu等将多尺度模块加入到预测模型中，通过对飞机发动机和切削刀具进行剩余寿命预测，并与相关工作进行比较，验证了其有效性。而后，Wang等提出了多尺度卷积注意力网络(MSCAN)，首先构建了自注意模块，以有效地融合输入的多传感器数据。然后，开发了一种多尺度学习策略，以自动学习来自不同时间尺度的特征表示。最后，学习到的高级表示被馈送到动态密集层中，进行RUL估计，在铣刀数据集是上验证了其有效性。
[0007]虽然卷积神经网络在寿命预测中取得了一些成果，但是它只能识别局部特征，存在着一定缺陷。为了弥补这一缺陷，循环神经网络得到了应用。Guo等构建了健康指标，并将其应用于轴承数据集。由于梯度消失等问题，循环神经网络的预测能力具有一定局限性。Hochreiter等引入了细胞状态这一概念，提出了解决这些问题的长短期记忆网络(Long Short
‑
Term Memory，LSTM)。Cho等简化了长短期记忆网络的模型，提出了节约计算成本的门控循环单元(Gate Recurrent Unit,GRU)。Lin提出了一种综合了时间窗、多尺度序列和LSTM结构的模型，用滑动时间窗方法准备训练样本，并将退化特征直接映射到RUL预测。同时，通过输入多尺度序列调整模型参数，获得最佳预测性能。
[0008]综上所述，相关学者对于系统剩余寿命预测方法已经做了一些研究工作，但仍存在以下几个方面的问题：
[0009]一、设备故障的发展是一个渐进的演变过程，不同时间点的退化状态在时间尺度上是相关的。然而，卷积神经网络是前向传播网络，无法构建历史输入信息和当前输入信息之间的相关性。此外，单一通道单一尺度的卷积神经网络，不能有效识别多传感器输入信息中与退化相关的区分性信息，也无法促成更完整的信息表达。
[0010]二、无论是卷积神经网络(CNN)还是递归神经网络(RNN)的剩余寿命预测方法，只关注了预测的精度，只能给出剩余使用寿命预测的点估计值，而没有考虑到模型本身存在的不确定性，不能给出预测不确定性的估量。

技术实现思路

[0011]为解决现有技术存在的技术问题，本专利技术提供了一种机械设备的剩余寿命预测方法，实现预测不确定度的量化，预测精度高。
[0012]为实现上述目的，本专利技术所采用的技术方案为：一种机械设备的剩余寿命预测方法，具体步骤如下：
[0013]一、对多传感器的输入数据进行预处理；
[0014]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，可以动态的强调与退化相关的区分性信息，并抑制冗余信息。同时，多通道/多尺度的循环卷积可以对不同退化状态的时间相关性进行建模，以此来融合多传感器的输入数据并增强特征信息表达的完整性，从而降低数据的不确定性。
[0015]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。
[0016]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：
[0017][0018]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<本文档来自技高网...

【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：