一种基于数据裁剪的船舶设备剩余使用寿命预测方法技术

本发明专利技术公开了一种基于数据裁剪的船舶设备剩余使用寿命预测方法，构建船舶设备剩余使用寿命预测模型，船舶设备剩余使用寿命预测模型依次包括数据处理模块，空间注意力特征加权模块，深度特征提取模块，回归预测模块；计算新的损失函数用于模型训练；对训练样本进行数据裁剪，进行二次度量裁剪，取交集作为最终裁剪集，用裁剪后的样本对模型进行训练；利用训练好的预测模型对实时监测数据进行船舶设备剩余使用寿命预测。本发明专利技术的船舶设备剩余使用寿命预测方法，可以有效降低模型训练时间和能源消耗，降低对计算机算力的要求，有效降低在船舶上配置设备剩余使用寿命预测系统的成本。舶上配置设备剩余使用寿命预测系统的成本。舶上配置设备剩余使用寿命预测系统的成本。

【技术实现步骤摘要】
一种基于数据裁剪的船舶设备剩余使用寿命预测方法


[0001]本专利技术属于机器学习
，尤其涉及一种基于数据裁剪的船舶设备剩余使用寿命预测方法。

技术介绍

[0002]数据驱动的人工智能技术广泛应用到人类生活、生产的各个领域。大数据的积累、计算机算力和存储力的增强满足了深度学习技术的进一步提升和应用推广。对于各类船舶舰艇等，通过传感器对舱室内各个设备进行监测，可以实时采集舱室设备的运行状态数据，利用这些状态数据和深度学习模型，可以对设备进行实时健康监测、故障诊断和寿命预测等智能维护。
[0003]剩余使用寿命（Remaining Useful Life，RUL）预测技术是通过建立基于深度学习等方法的智能模型，从历史运行状态数据中学习健康状态退化规律，从而利用实时监测的运行数据预测剩余使用寿命。在实际中，船舶的机电设备需要连续运转，为避免设备运转因故障而突然停机造成损失，利用寿命预测技术进行预测性维护是非常有必要的。根据预测结果提前制定维护计划，避免船舶设备突然中断造成的经济损失，模型的预测性能是预测性维护技术能否有效实施的关键。
[0004]在数据驱动的前提下，通过增加数据量、扩大模型规模可以提高深度学习模型的性能，但这种性能提升需要耗费更多的算力、存储力、时间和能源等资源。对于图像处理、语言翻译、智慧医疗等通用性强的应用场景，可以靠大流量、大用户分担更高的资源消耗和成本。
[0005]然而在船舶设备的预测性维护应用中，模型在不同级别的船舶之间通用性较差，且用户规模相对较小。现有的深度学习方法因为占用大量计算资源、模型训练耗费时间和能源，过高的成本阻碍了深度学习RUL预测方法在实际当中的应用推广。因此对专门的船舶设备开发资源耗费少、低成本、易部署的深度学习预测模型才能真正有助于推广基于数据驱动的预测性维护技术的应用。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术的目的在于，提供一种基于数据裁剪的船舶设备剩余使用寿命预测方法。
[0007]为实现本专利技术的目的，本专利技术所采用的技术方案是：
[0008]一种基于数据裁剪的船舶设备剩余使用寿命预测方法，包括步骤：
[0009]（1）构建船舶设备剩余使用寿命预测模型；
[0010]（2）计算新的损失函数用于模型训练；
[0011]（3）对训练样本进行数据裁剪，用裁剪后的样本对模型进行训练；
[0012]（4）利用训练好的预测模型对实时监测数据进行船舶设备剩余使用寿命预测。
[0013]进一步地，步骤（1）中，船舶设备剩余使用寿命预测模型依次包括数据处理模块，
空间注意力特征加权模块，深度特征提取模块，回归预测模块。
[0014]进一步地，数据处理模块，用于对预测模型输入数据进行数据归一化，将所有原数据缩放到0~1之间；并进行数据分割，将初始样本滑动分割为长度为L的等长数据作为模型后面的输入。
[0015]进一步地，空间注意力特征加权模块由三个公式表示：
[0016]ꢀꢀ
（2）
[0017]ꢀꢀꢀ
（3）
[0018]ꢀꢀꢀ
（4）
[0019]公式（2）表示，将尺寸为F*L的输入输入到卷积核的个数为H的卷积网络获得H个F*L的中间特征图；
[0020]公式（3）表示，对沿时间维度进行平均池化和最大池化获得两个H*F的特征描述，将其拼接得到拼接特征图；输入到卷积核个数为1的第二层卷积神经网络，得到尺寸为H*F*1的中间特征图；利用激活函数softmax对中间特征图沿空间维度进行重要性权值分配，得到空间域重要性权值矩阵向量；
[0021]公式（4）表示，对特征图的空间重要性加权，经过空间注意力模块加权得到。
[0022]进一步地，深度特征提取模块由3层CNN网络构成，回归预测模块由3层全连接层构成。
[0023]进一步地，步骤（2）中，模型的损失函数为：
[0024]+
[0025][0026][0027]其中，，R表示模型训练的总迭代次数，r为当前迭代次数；
[0028]为相邻约束损失函数项，h为采样时间间隔，为采样样本的模型的预测值；
[0029]为传统均方误差损失函数，M表示样本总数量，表示样本对应的真实寿命值，表示以为输入的模型预测值。
[0030]进一步地，步骤（3）中，数据裁剪的具体步骤为，
[0031]进行两次独立训练来联合度量样本重要性，设第一次度量获得裁剪集合P1，第二次度量获得裁剪集合P
2,
，取P1和P2的交集作为最终裁剪集P；
[0032]P=P1∩P2ꢀꢀꢀ
（11）
[0033]P从训练集中裁掉后，保留的样本集用于样本的后续迭代训练。
[0034]进一步地，样本度量裁剪过程为，
[0035]对于训练集，样本在第t次（t≤10）调参时的贡献度由模型参数的损失梯度范数的期望进行度量，表示为：
[0036] （9）
[0037]样本10次迭代的总贡献：
[0038]ꢀꢀ
（10）
[0039]按照样本贡献度，对所有样本按从重要到冗余的顺序排序，将贡献度高的前50%划分到样本保留集合，后50%划分到样本裁剪集合。
[0040]本专利技术的有益效果在于，与现有技术相比，本专利技术构建的船舶设备剩余使用寿命预测模型，包括数据处理，空间注意力特征加权，深度特征提取，回归预测等四个模块；其中，空间注意力特征加权模块，对相对关键的传感器数据赋予更大权值，这样模型训练时自动关注到这些重要的信息元素上，从而提高模型性能。
[0041]本专利技术提供了一种新的损失函数计算策略，结合传统均方误差损失函数和相邻约束损失函数项，能够帮助模型提高训练效率和预测精度。
[0042]本专利技术提供了一种数据裁剪方法，用于裁剪寿命预测模型训练集中的冗余样本，进行两次独立训练来联合度量样本重要性，从而降低参数初始化的随机性造成的误裁剪。
[0043]本专利技术的船舶设备剩余使用寿命预测方法，可以有效降低模型训练时间和能源消耗，降低对计算机算力的要求，有效降低在船舶上配置设备剩余使用寿命预测系统的成本。
附图说明
[0044]图1是本专利技术所述的基于数据裁剪的船舶设备剩余使用寿命预测方法流程图；
[0045]图2是空间注意力特征加权模块示意图；
[0046]图3是数据裁剪方法示意图。
实施方式
[0047]下面结合附图和实施例对本专利技术的技术方案作进一步的说明。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本申请的保护范围。
[0048]如图1所示，本专利技术所述的基于数据裁剪的船舶设备剩余使用寿命预测方法，首先构建船舶设备剩余使用寿命预测模型，然后对训练样本进行数据裁剪，用裁剪后的样本对模型进行训练，最后利用训练好的预测模型对实时监测数据进行船舶设备剩余使用寿命预测。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据裁剪的船舶设备剩余使用寿命预测方法，其特征在于，包括步骤：（1）构建船舶设备剩余使用寿命预测模型；（2）计算新的损失函数用于模型训练；（3）对训练样本进行数据裁剪，用裁剪后的样本对模型进行训练；（4）利用训练好的预测模型对实时监测数据进行船舶设备剩余使用寿命预测。2.根据权利要求1所述的基于数据裁剪的船舶设备剩余使用寿命预测方法，其特征在于，步骤（1）中，船舶设备剩余使用寿命预测模型依次包括数据处理模块，空间注意力特征加权模块，深度特征提取模块，回归预测模块。3.根据权利要求2所述的基于数据裁剪的船舶设备剩余使用寿命预测方法，其特征在于，数据处理模块，用于对预测模型输入数据进行数据归一化，将所有原数据缩放到0~1之间；并进行数据分割，将初始样本滑动分割为长度为L的等长数据作为模型后面的输入。4. 根据权利要求3所述的基于数据裁剪的船舶设备剩余使用寿命预测方法，其特征在于，空间注意力特征加权模块由三个公式表示：
ꢀꢀ
（2）
ꢀꢀꢀ
（3）
ꢀꢀꢀ
（4）公式（2）表示，将尺寸为F*L的输入输入到卷积核的个数为H的卷积网络获得H个F*L的中间特征图；公式（3）表示，对沿时间维度进行平均池化和最大池化获得两个H*F的特征描述，将其拼接得到拼接特征图；输入到卷积核个数为1的第二层卷积神经网络，得到尺寸为H*F*1的中间特征图；利用激活函数softmax对中间特征图沿空间维度进行重要性权值分配，得到空间域重要性权值矩阵向量；公式（4）表...

【专利技术属性】
技术研发人员：高晟耀，王雪仁，苏常伟，缪旭弘，周涛，李沂滨，崔哲，高辉，李欣，唐宇航，张艳涛，
申请(专利权)人：山东大学，
类型：发明
国别省市：