一种旋转装备剩余寿命预测方法、设备及存储设备技术

本发明专利技术公开了一种旋转装备剩余寿命预测方法、设备及存储设备，方法包括以下步骤：对机械旋转设备退化多传感器的监测数据进行数据预处理；构造机械旋转设备剩余使用寿命预测模型，所述设备剩余使用寿命预测模型包括：一维卷积神经网络和维纳过程模型；将一维卷积神经网络作为退化特征提取器；利用退化特征提取器从所述监测数据中提取退化特征；根据所述退化特征构造退化健康指标；输入所述退化健康指标至维纳过程模型，计算得到机械旋转设备剩余使用寿命预测值。本发明专利技术大幅节省了剩余使用寿命预测所需的时间；提高了剩余使用寿命预测的精度及效率，且适用性较好。且适用性较好。且适用性较好。

【技术实现步骤摘要】
一种旋转装备剩余寿命预测方法、设备及存储设备


[0001]本专利技术涉及设备寿命预测领域，尤其涉及一种旋转装备剩余寿命预测方法、设备及存储设备。

技术介绍

[0002]随着智能制造的发展，机器变得比以前更加复杂和智能。然而，由于振动、冲击和磨损，这些机器的退化是不可避免的，机器的意外故障可能导致严重的事故，甚至是人员伤亡和损失。因此，对机器的实时监控和智能维护已成为一个重要的研究方向。预测与健康管理(PHM)，旨在利用历史退化数据监测机器的健康状态，在学术界和工业领域都引起了越来越多的关注。作为PHM中最重要的部分之一，剩余使用寿命(RUL)专门用来模拟机器的退化过程，它可以用来预测退化过程中的未来状态，以便提供及时的维护，避免机器故障的风险。
[0003]深度学习(DL)在RUL领域提供了一种促进技术，它可以在大量的历史数据中提取出具有辨识度的特征模式，然后建立特征模式与健康状态之间的关系，从而预测机器的RUL，并在RUL方面得到了广泛研究。尽管基于DL的RUL已经取得了明显的效果，但是存在多个传感器同时监测机器的情况，所以多传感器融合的研究在基于DL的方法中至关重要。多源信号可以全面反映机器的健康状态，可以从多源信号中充分融合有效的判别特征，同时消除不一致的部分和噪声。同时研究者发现设备的退化往往遵循着一定的物理规律和数理统计规律，因此将数理方法应用到机械设备剩余使用寿命预测中是常见的方法，因此使用物理模型和深度学习模型相融合能够取得良好的预测效果，因此目前被广泛研究。

技术实现思路

[0004]为了提高设备寿命预测的精度，本专利技术提出一种旋转装备剩余寿命预测方法，方法包括以下步骤：
[0005]S101：对机械旋转设备退化多传感器的监测数据进行数据预处理；
[0006]S102：构造机械旋转设备剩余使用寿命预测模型，所述设备剩余使用寿命预测模型包括：一维卷积神经网络和维纳过程模型W(
·
,m,λ)；其中为一维神经网络的权重和偏置参数；m为维纳过程模型的阈值；λ代表维纳过程的漂移系数；
[0007]S103：将一维卷积神经网络作为退化特征提取器；利用退化特征提取器从所述监测数据中提取退化特征；根据所述退化特征构造退化健康指标；
[0008]S104：输入所述退化健康指标至维纳过程模型，计算得到机械旋转设备剩余使用寿命预测值。
[0009]一种存储设备，所述存储设备存储指令及数据用于实现一种旋转装备剩余寿命预测方法。
[0010]一种旋转装备剩余寿命预测设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种旋转装备剩余寿命预测方法。
[0011]本专利技术提供的有益效果是：将一维卷积神经网络和维纳过程模型融合成一个整体，形成了一个端对端的寿命预测模型，由于端对端的特性，该方法的运算速度和预测速度得到大幅提升；该方法能够处理多个传感器的监测信号，并提取其中的机械设备退化特征而无须使用复杂的信号处理方法，大幅节省了剩余使用寿命预测所需的时间；该方法提高了剩余使用寿命预测的精度及效率，且适用性较好，有利于在实际应用中推广使用。
附图说明
[0012]图1是本专利技术方法流程示意图；
[0013]图2是本专利技术实施例的硬件设备工作示意图。
具体实施方式
[0014]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。
[0015]请参考图1，图1是本专利技术方法流程示意图。
[0016]本专利技术提供了一种旋转装备剩余寿命预测方法，包括：
[0017]S101：对机械旋转设备退化多传感器的监测数据进行数据预处理；
[0018]需要说明的是，本专利技术使用多个传感器采集机械设备的退化时间信号，然后选择与退化过程相关性强的传感信号作为实验数据，然后对信号进行平滑处理和归一化。
[0019]S102：构造机械旋转设备剩余使用寿命预测模型，所述设备剩余使用寿命预测模型包括：一维卷积神经网络和维纳过程模型W(
·
,m,λ)；其中为一维神经网络的权重和偏置参数；m为维纳过程模型的阈值；λ代表维纳过程的漂移系数；
[0020]需要说明的是，所述设备剩余使用寿命预测模型是由维纳过程模型和一维卷积神经网络融合成的一个整体的模型，从而成为一个端对端的模型；
[0021]该端对端的模型能够快速实现剩余使用寿命的预测。
[0022]其中，一维卷积神经网络表示为其中的所有权重和偏置参数定义为维纳过程模型被表示为W(
·
,m,λ)，维纳过程模型中的参数包含阈值和漂移系数，表示为{m,λ}；所有参数在初始化时都被设置为1。
[0023]具体地说，在设备剩余使用寿命预测模型内加入若干个一维卷积层，并按照维纳过程模型的定义去搭建一个全新的维纳过程计算层。
[0024]多个一维卷积层相继处理数据构成一维卷积神经网络；
[0025]维纳过程计算层则位于一维卷积神经网络后方并承担最后一步计算；需要说明的是，所述维纳过程模型，具体指：机械旋转设备的退化量的变化过程遵循维纳过程；其中退化量变化过程如下式(1)：
[0026]Z(t)＝Z(0)+λt+σW(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0027]式(1)中，Z表示退化量，Z(0)表示初始退化量，t表示时间，λ和σ分别表示维纳过程的漂移系数与扩散系数，W(t)表示标准布朗运动；
[0028]机械设备失效时间的定义如式(2)：
[0029]t
F
＝inf{t:Z(t)≥m|Z(0)≤m}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0030]式(2)中，m表示退化阈值，当退化量Z大于退化阈值m时，则设备被定义为失效，退
化量首次达到阈值的时刻就被定义为设备失效时间；当前预测的时刻与设备失效时间之间的时间差则被定义为设备的剩余使用寿命。
[0031]最终，输入由一维卷积神经网络构建的健康指标进行转换计算以输出机械设备的剩余使用寿命。一维卷积神经网络和维纳过程模型被共同封装在一个类中形成一个全新的端对端的剩余使用寿命预测混合模型。
[0032]在预测过程中，向集成的混合Wiener
‑
CNN模型的输入端输入经过步骤S101预处理后的数据，混合Wiener
‑
CNN模型就能够直接在输出端输出剩余使用寿命预测结果，而在模型训练过程中，一维卷积神经网络和维纳过程模型的所有参数将同步被优化函数与损失函数优化，能够实现模型的各个模块同步运算和同步优化。
[0033]所述设备剩余使用寿命预测模型的参数优化过程由损失函数和梯度下降算法实现，其损失函数如式(3)所示：
[0034][0035]式(3)中，L
C
表示损失函数，l表示剩余本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转装备剩余寿命预测方法，其特征在于：包括以下步骤：S101：对机械旋转设备退化多传感器的监测数据进行数据预处理；S102：构造机械旋转设备剩余使用寿命预测模型，所述设备剩余使用寿命预测模型包括：一维卷积神经网络和维纳过程模型W(
·
,m,λ)；其中为一维神经网络的权重和偏置参数；m为维纳过程模型的阈值；λ代表维纳过程的漂移系数；S103：将一维卷积神经网络作为退化特征提取器；利用退化特征提取器从所述监测数据中提取退化特征；根据所述退化特征构造退化健康指标；S104：输入所述退化健康指标至维纳过程模型，计算得到机械旋转设备剩余使用寿命预测值。2.如权利要求1所述的一种旋转装备剩余寿命预测方法，其特征在于：步骤S101中，所述数据预处理包括：数据平滑和数据归一化。3.如权利要求1所述的一种旋转装备剩余寿命预测方法，其特征在于：步骤S103中，所述退化健康指标如式(1)所示：式(1)中，HI为退化健康指标；多传感器的监测数据为x＝{x1,x2,...,x
S
}，一维卷积神经网络为其中S是传感器的总数，代表一维卷积神经网络的所有参数。4.如权利要求1所述的一种旋转装备剩余寿命预测方法，其特征在于：步骤S104中所述剩余使用寿命预测模型如式(2)：式(2)中，表示计算得到的剩余使用寿命预测值，m表示退化阈值，HI表示健康指标，λ代表维纳过程的漂移系数。5.如权利要求1所述的一种旋转装备剩余寿命预测方法，其特征在于：所述维纳过程模型，具体指：机械旋转设备的退化量的变化过程遵循维纳过程；其中退化量变化过程如下式(3)：Z(t)＝Z(0)+λ
·
t+σ
·
W(t)
ꢀꢀꢀꢀ
(3)式(3)中，Z表示退化量，Z(0)表示初始...

【专利技术属性】
技术研发人员：叶雨星，苏少权，胡隆鑫，文龙，李庆哲，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：