设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统技术方案

本发明专利技术提供一种设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统，属于基于神经网络学习的设备寿命预测技术领域，基于设备原始退化数据集，进行特征值提取；计算Spearman相关系数作为特征值筛选的标准，选取相关性较大的若干特征值进行综合；基于主成分分析，对筛选出的若干特征值进行降维，构建设备健康指数；基于GRU神经网络，替换传统维纳过程中的退化函数，自适应学习设备的退化趋势；利用极大似然估计法，计算维纳过程中的扩散系数；构建设备剩余使用寿命的概率密度函数，该函数的数学期望值即为对设备剩余使用寿命的预测。对于复杂机电设备，能够根据退化数据实现对设备的剩余使用寿命预测，避免不必要的维修活动，提高设备的可靠性。提高设备的可靠性。提高设备的可靠性。

【技术实现步骤摘要】
设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统


[0001]本专利技术涉及基于神经网络学习的设备寿命预测
，具体涉及一种基于GRU维纳过程优化的设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统。

技术介绍

[0002]复杂机械设备的支撑部件，尤其是易损零件，其健康状况直接关系到机组设备能否可靠稳定运行。任何关键部位一旦发生故障，都需要耗费大量的时间和成本进行检修，甚至产生严重的事故。近年来，状态修(Condition
‑
based Maintenance,CBM)作为一种预测性维修，由于其节约成本、降低风险提高效率和提高维修资源利用率的特点发展十分迅速，而剩余使用寿命(Remaining Useful Life,RUL)预测作为状态修的一项关键技术，在最近几年受到越来越多的关注和研究，它可以避免不必要的维修活动，提高系统的可靠性。因此，对滚动轴承进行状态退化评估与剩余寿命预测对提高整个机械系统的运行可靠性和降低维护成本都具有十分重要的意义。
[0003]维纳过程作为一种使用随机过程来描述退化过程随机性的方法，更能准确描述设备退化过程中的不确定性。在所有随机方法中，维纳过程是一种常用且高效的方法。而GRU神经网络是一种简化但改进的LSTM结构网络，它将门的数量从LSTM的4个减少到了2个，且GRU的参数较少，可以提高网络计算效率。因此，将两者结合运用在复杂设备剩余使用寿命RUL预测方面具有非常重要的意义。

技术实现思路

[0004]本专利技术的目的在于提供一种基于GRU维纳过程优化的设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0005]为了实现上述目的，本专利技术采取了如下技术方案：
[0006]一方面，本专利技术提供一种设备剩余寿命预测模型训练方法，包括：
[0007]获取原始退化数据集，进行特征值提取、引入Spearman相关系数和主成分分析对性能指标进行筛选和降维，将多维的性能指标融合成一个综合的特征指标，并把此单一的特征指标定义为健康指数。
[0008]将计算得到的健康指数作为设备失效的综合特征指标，输入到GRU神经网络中，以退化趋势预测图为输出，其中，退化趋势预测图中横坐标为时间，纵坐标为退化函数值，将所述时间和所述退化函数值代入维纳过程中替换原退化函数，利用极大似然估计法计算维纳过程中的扩散系数，优化维纳过程，对GRU神经网络进行训练，得到训练好的的设备剩余寿命预测模型。
[0009]进一步的，基于设备的原始退化数据集和特征值的计算公式，计算得到设备的全部特征值；利用Spearman相关系数，比较所有特征值与时间之间的相关性，在全部特征值中筛选出相关性较大的多个特征值；利用主成分分析PCA对筛选出的特征值进行降维处理，得到主成分，并选取第一主成分作为设备的健康指数。
[0010]进一步的，基于优化后的维纳过程，构建设备剩余使用寿命RUL的概率密度函数，概率密度函数的数学期望即为该时刻设备的剩余使用寿命：
[0011][0012]式中，X(t
k
)表示t
k
时刻观察到的退化值；t表示X(t)的首次达故障阈值的时间；l
k
表示t
k
时刻的剩余使用寿命；表示剩余使用寿命在t
k
时刻的概率密度函数；σ
B
表示扩散系数；w表示预定义的设备失效阈值。
[0013]进一步的，GRU神经网络输出的退化趋势预测图中横坐标为时间，纵坐标为该时刻的退化函数值，将其代入维纳过程中替换原退化函数：
[0014]X(t)＝X(0)+f(t)+σ
B
B(t)；
[0015]式中，X(t)表示t时刻退化过程的值；X(0)表示X(t)的初始值；f(t)表示GRU神经网络，即优化后WP模型的退化函数；σ
B
表示扩散系数，用于描述随机波动的程度；B(t)表示标准布朗运动，用于描述降解过程中的随机波动；
[0016]设备的寿命为：T＝inf{t:X(t)≥w|X(0)＜w}；T表示设备的寿命；w表示设备失效阈值；
[0017]设备的剩余使用寿命为：L
k
＝inf{l
k
:X(l
k
+t
k
)≥w|X
0:k
}
[0018]利用极大似然估计法对维纳过程中的扩散系数进行计算：
[0019][0020]其中，ΔX
t
表示样本增量集；ΔF
t
表示退化函数增量集；n表示样本数量。
[0021]第二方面，本专利技术提供一种设备剩余寿命预测模型训练系统，包括：
[0022]获取模块，用于获取原始退化数据集，进行特征值提取，引入Spearman相关系数和主成分分析对性能指标进行筛选和降维，将多维的性能指标融合成一个综合的特征指标，并把此单一的特征指标定义为健康指数；
[0023]训练模块，用于将计算得到的健康指数作为设备失效的综合特征指标，输入到GRU神经网络中，以退化趋势预测图为输出，其中，退化趋势预测图中横坐标为时间，纵坐标为退化函数值，将所述时间和所述退化函数值代入维纳过程中替换原退化函数，利用极大似然估计法计算维纳过程中的扩散系数，优化维纳过程，对GRU神经网络进行训练，得到训练好的的设备剩余寿命预测模型。
[0024]第三方面，本专利技术提供一种设备剩余寿命预测方法，包括：
[0025]获取原始退化数据集；进行特征值提取，引入Spearman相关系数和主成分分析对性能指标进行筛选和降维，将多维的性能指标融合成一个综合的特征指标，并把此单一的特征指标定义为健康指数；
[0026]将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中，计算得到设备剩余寿命；其中，所述设备剩余寿命预测模型利用如上所述的训练方法训练得到。
[0027]第四方面，本专利技术提供一种设备剩余寿命预测系统，包括：
[0028]获取模块，用于获取原始退化数据集；进行特征值提取，引入Spearman相关系数和主成分分析对性能指标进行筛选和降维，将多维的性能指标融合成一个综合的特征指标，并把此单一的特征指标定义为健康指数；
[0029]预测模块，用于将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中，计算得到设备剩余寿命；其中，所述设备剩余寿命预测模型利用如上所述的训练方法训练得到。
[0030]第五方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的设备剩余寿命预测方法。
[0031]第六方面，本专利技术提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的设备剩余寿命预测方法。
[0032]第七方面，本专利技术提供一种电子设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备剩余寿命预测模型训练方法，其特征在于，包括：获取原始退化数据集，进行特征值提取，引入Spearman相关系数和主成分分析对性能指标进行筛选和降维，将多维的性能指标融合成一个综合的特征指标，并把此单一的特征指标定义为健康指数；将计算得到的健康指数作为设备失效的综合特征指标，输入到GRU神经网络中，以退化趋势预测图为输出，其中，退化趋势预测图中横坐标为时间，纵坐标为退化函数值，将所述时间和所述退化函数值代入维纳过程中替换原退化函数，利用极大似然估计法计算维纳过程中的扩散系数，优化维纳过程，对GRU神经网络进行训练，得到训练好的的设备剩余寿命预测模型。2.根据权利要求1所述的设备剩余寿命预测模型训练方法，其特征在于，基于设备的原始退化数据集和特征值的计算公式，计算得到设备的全部特征值；利用Spearman相关系数，比较所有特征值与时间之间的相关性，在全部特征值中筛选出相关性较大的多个特征值；利用主成分分析PCA对筛选出的特征值进行降维处理，得到主成分，并选取第一主成分作为设备的健康指数。3.根据权利要求1所述的设备剩余寿命预测模型训练方法，其特征在于，基于优化后的维纳过程，构建设备剩余使用寿命RUL的概率密度函数，该函数的数学期望即为该时刻设备的剩余使用寿命。4.根据权利要求1所述的设备剩余寿命预测模型训练方法，其特征在于，基于优化后的维纳过程，构建设备剩余使用寿命RUL的概率密度函数，概率密度函数的数学期望即为该时刻设备的剩余使用寿命：式中，X(t
k
)表示t
k
时刻观察到的退化值；t表示X(t)的首次达故障阈值的时间；l
k
表示t
k
时刻的剩余使用寿命；表示剩余使用寿命在t
k
时刻的概率密度函数；σ
B
表示扩散系数；w表示预定义的设备失效阈值。5.根据权利要求4所述的设备剩余寿命预测模型训练方法，其特征在于，GRU神经网络输出的退化趋势预测图中横坐标为时间，纵坐标为该时刻的退化函数值，将其代入维纳过程中替换原退化函数：X(t)＝X(0)+f(t)+σ
B
B(t)；式中，X(t)表示t时刻退化过程的值；X(0)表示X(t)的初始值；f(t)表示GRU神经网络，即优化后WP模型的退化函数；σ
B
表示扩散系数，用于描述随机波动的程度；B(t)表示标准布朗运动，用于描述降解过程中的随机波动；设备的寿命为：T＝inf{t:X(t)≥w|X(0)＜w}；T表示设备的寿命；w表示设备失效阈值；设备的剩余使用寿命为：L

【专利技术属性】
技术研发人员：李曼，刘雨辰，杨楠，阳坤晓，熊泽麒，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：