基于深度学习的通信设备剩余寿命预测方法及系统技术方案

本发明专利技术涉及通信设备技术领域，是一种基于深度学习的通信设备剩余寿命预测方法及系统，其包括以下步骤：对数据进行预处理，对特征数据进行特性归一化，将其按照时间序列以及特征维度进行处理，处理为卷积层能够读取的数据；将训练集输入到CNN卷积层中进行处理，将卷积层处理好的数据输入LSTM层进行训练；将测试集输入已经训练好的CNN

【技术实现步骤摘要】
基于深度学习的通信设备剩余寿命预测方法及系统


[0001]本专利技术涉及通信设备
，是一种基于深度学习的通信设备剩余寿命预测方法及系统。

技术介绍

[0002]随着人工智能的普及，连接到通信网络系统的设备和监视系统在不断增加。为了使通信系统平稳稳定地工作，必须对通信系统设备进行连续监控以预防突发事件造成系统宕机。
[0003]随着各地信息化发展，通信网络及设备在进行不断地升级改造，设备数量和类型变多并且结构变得复杂随着通信运维人员的工作量不断增加，给运维工作带来极大压力。而通信设备的寿命预测可以有效帮助运维人员提前预知，高效发现、定位故障通信设备。
[0004]通信网络中设备的报警数据具有数据量大，频闪数据多，噪声数据多的等特点。有效地估计通信设备的剩余寿命以及改进设备故障的预测方法可以帮助企业提高设备运维效率。现有的预测方法更多的是基于简单的统计分析，而没有考虑与时间序列相关因素的影响。

技术实现思路

[0005]本专利技术提供了一种基于深度学习的通信设备剩余寿命预测方法及系统，克服了上述现有技术之不足，其能有效解决现有的预测方法基于简单的统计分析而没有考虑时间序列相关因素的问题。
[0006]本专利技术的技术方案之一是通过以下措施来实现的：一种基于深度学习的通信设备剩余寿命预测方法，包括以下步骤：数据预处理：对数据进行预处理，对特征数据进行特性归一化，将其按照时间序列以及特征维度进行处理，处理为卷积层能够读取的数据；模型训练：将训练集输入到CNN卷积层中进行处理，将卷积层处理好的数据输入LSTM层进行训练；剩余寿命预测：将测试集输入已经训练好的CNN
‑
LSTM模型中进行预测，完成设备剩余寿命预测。
[0007]下面是对上述专利技术技术方案之一的进一步优化或/和改进：进行上述数据预处理时，具体可包括以下步骤：进行系统工况识别；进行特征归一化；时间窗滑动构造样本；设置RUL标签；划分训练集和测试集。
[0008]进行上述模型训练时，可在训练中合理设置模型的初始参数，使用Adma优化器进行优化，使用梯度下降法更新参数进行优化模型，选取合理的迭代次数进行迭代训练，直到到达最大迭代次数。
[0009]进行上述剩余寿命预测时，具体可包括以下步骤：输入测试集样本；输出RUL预测值；评价预测结果。
[0010]本专利技术的技术方案之二是通过以下措施来实现的：一种基于深度学习的通信设备剩余寿命预测系统，包括：数据预处理模块，用于对数据进行预处理，对特征数据进行特性归一化，将其按照时间序列以及特征维度进行处理，处理为卷积层能够读取的数据；模型训练模块，用于将训练集输入到CNN卷积层中进行处理，将卷积层处理好的数据输入LSTM层进行训练；剩余寿命预测模块，用于将测试集输入已经训练好的CNN
‑
LSTM模型中进行预测，完成设备剩余寿命预测。
[0011]下面是对上述专利技术技术方案之二的进一步优化或/和改进：上述LSTM层包括LSTM单元，LSTM单元可设置有遗忘门，用于控制上一层LSTM细胞输出被遗忘程度的大小。
[0012]本专利技术的技术方案之三是通过以下措施来实现的：一种终端设备，包括存储器和处理器，存储器上存储有可在处理器上运行的程序，所述处理器执行所述程序时实现上述的基于深度学习的通信设备剩余寿命预测方法。
[0013]本专利技术的技术方案之四是通过以下措施来实现的：一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的基于深度学习的通信设备剩余寿命预测方法。
[0014]本专利技术能够将传统研究方法的设备属性特征和设备运行告警时序特征同时加入特征考虑，采用更高效的时序神经网络模型，设计了一种基于LSTM神经网络和卷积神经网络结合的通信设备剩余使用寿命预测方法。本专利技术将深度学习技术融入到设备剩余使用寿命领域，提高了设备剩余使用寿命预测的准确率。本专利技术中的LSTM神经网络模型可以处理长时间的时间序列数据，考虑的前后关联信息更长，从而提高预测的准确性。本专利技术将卷积神经网络和LSTM结合可以更好的处理通信设备的告警、运行情况等数据。
附图说明
[0015]附图1为本专利技术实施例的基于CNN
‑
LSTM网络混合模型的RUL预测流程图。
[0016]附图2为本专利技术实施例的CNN
‑
LSTM网络的结构示意图。
[0017]附图3为本专利技术实施例的LSTM单元的内部结构示意图。
具体实施方式
[0018]本专利技术不受下述实施例的限制，可根据本专利技术的技术方案与实际情况来确定具体的实施方式。
[0019]在本专利技术中，为了便于描述，各部件的相对位置关系的描述均是根据说明书附图的布图方式来进行描述的，如：前、后、上、下、左、右等的位置关系是依据说明书附图的布图方向来确定的。
[0020]下面结合实施例及附图对本专利技术作进一步描述：实施例1：如附图1、2、3所示，该基于深度学习的通信设备剩余寿命预测方法包括以下步骤：（1）数据预处理：对数据进行预处理，对特征数据进行特性归一化，将其按照时间
序列以及特征维度两个方面进行处理，处理为卷积层能够读取的数据，如图2所示。将数据样本按时间窗口进行构造再设置RUL标签，划分训练集和测试集。进行数据预处理时，具体包括以下步骤：进行系统工况识别；进行特征归一化；时间窗滑动构造样本；设置RUL标签；划分训练集和测试集。在本专利技术实施例实施例中，RUL是指剩余寿命预测模型。
[0021]（2）模型训练：将训练集输入到CNN卷积层中进行处理，将卷积层处理好的数据输入LSTM层进行训练。LSTM模型的单元相较于传统的CNN模型可以通过新增的遗忘门来减少长时间序列对预测所带来的影响，如图3所示。进行模型训练时，在训练中合理设置模型的初始参数，使用Adma优化器进行优化，使用梯度下降法更新参数进行优化模型，选取合理的迭代次数进行迭代训练，直到到达最大迭代次数。
[0022]（3）剩余寿命预测：将测试集输入已经训练好的CNN
‑
LSTM模型中进行预测，完成设备剩余寿命预测。进行剩余寿命预测时，具体包括以下步骤：输入测试集样本；输出RUL预测值；评价预测结果。
[0023]本专利技术实施例使用了CNN部分进行深度序列特征提取，可以有效的处理多层次的设备信息数据。本专利技术实施例所采用的网络模型由一层卷积输入层和两层卷积特征值处理层以及LSTM层组成，卷积特征值处理层用于将特征数据进行处理作为LSTM层的输入，再由LSTM层进行学习，最后进行预测。其中，卷积输入层用于进行卷积的输入，卷积特征值处理层用于将特征数据进行处理，LSTM层用于进行学习和设备剩余使用寿命的预测。
[0024]本专利技术实施例能够将传统研究方法的设备属性特征和设备运行告警时序特征同时加入特征考虑，采用更高效的时序神经网络模型，设计了一种基于LSTM神经网络和卷积神经网络结合的通信设备剩余使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的通信设备剩余寿命预测方法，其特征在于包括以下步骤：数据预处理：对数据进行预处理，对特征数据进行特性归一化，将其按照时间序列以及特征维度进行处理，处理为卷积层能够读取的数据；模型训练：将训练集输入到CNN卷积层中进行处理，将卷积层处理好的数据输入LSTM层进行训练；剩余寿命预测：将测试集输入已经训练好的CNN
‑
LSTM模型中进行预测，完成设备剩余寿命预测。2.根据权利要求1所述的基于深度学习的通信设备剩余寿命预测方法，其特征在于进行数据预处理时，具体包括以下步骤：进行系统工况识别；进行特征归一化；时间窗滑动构造样本；设置RUL标签；划分训练集和测试集。3.根据权利要求1或2所述的基于深度学习的通信设备剩余寿命预测方法，其特征在于进行模型训练时，在训练中合理设置模型的初始参数，使用Adma优化器进行优化，使用梯度下降法更新参数进行优化模型，选取合理的迭代次数进行迭代训练，直到到达最大迭代次数。4.根据权利要求1或2所述的基于深度学习的通信设备剩余寿命预测方法，其特征在于进行剩余寿命预测时，具体包括以下步骤：输入测试集样本；输出RUL预测值；评价预测结果。5.根据权利要求3所述的基于深度学习的通信设备剩余寿命预测方法，其特...

【专利技术属性】
技术研发人员：郭宁，王巧莉，王燕军，马军，万姣，杨恒翔，赵楚月，刘峡利，高逸凡，聂旭贝，李凯，杨大伟，常春雷，赵忠浩，米尔阿力木江，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：