【技术实现步骤摘要】
本专利技术属于故障预测与健康管理相关，更具体地，涉及一种基于twdba-dcrn的机械设备剩余使用寿命预测方法及系统。
技术介绍
1、故障预测与健康管理可以通过监测机械的工作状态，最大限度地提高机械的可用性、可靠性和安全性。剩余使用寿命(remaining useful life，rul)估算是phm的重要组成部分之一。准确的剩余使用寿命估算有助于改进机器的维护计划并节约维护成本，提高企业生产效率。
2、精确的rul估计对于提高大型机械设备的安全性和可靠性至关重要。总体而言，rul预测方法分为基于模型的方法、数据驱动的方法。基于模型的rul预测方法试图建立数学模型，通过充分了解失效机制来表达机械系统的退化模式。数据驱动的rul预测方法利用与机械退化过程相关的历史数据来估计rul。近年来，由于深度学习(deep learning，dl)的快速发展，越来越多的灵活的深度学习模型被用于数据驱动的rul估计。虽然基于dl的方法在rul估计方面表现出色，但仍面临以下挑战。首先，基于dl的方法通常需要足够的标注训练数据，以避免模型过拟合并确保泛化能力。而收集从机器运行到故障发生的时间序列数据无疑是一项耗时的工作，且标注的数据数量往往非常有限。因此，如何有效利用标注信息就成了一个关键挑战。数据增强(data augmentation，da)技术可以通过引入数据变换来生成许多训练样本，已经成功应用于图像处理等领域。然而，在phm领域，大多数样本数据都是时间序列数据，由于时间序列数据分布的特殊性，以前用于图像处理的一些算法无法直接适用
3、因此，可以通过促进了网络中不同层之间退化信息的交互，综合考虑多个层次的信息(浅层细节退化信息和深层全局退化信息)来提高深度模型的性能。
技术实现思路
1、针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，解决rul预测中的机械设备rtf数据不足和时间序列深层网络的梯度消失导致的模型预测精度低的问题。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，该方法包括下列步骤：
3、s1采集待预测设备运行到故障的数据，对该数据进行预处理和增强，获得处理后的数据，采用滑动窗口对所述处理后的数据进行截取并对每段截取的数据的剩余使用寿命进行标注，形成各个窗口数据与剩余使用寿命一一对应的数据库，其中，所述对数据进行增强是通过将相似度满足预设阈值要求的数据进行自适应加权生成新的数据，以此实现数据的增强；
4、s2构建预测模型，利用所述数据库中的数据对该预测模型进行训练，以此获得收敛的预测模型，利用该收敛的预测模型预测待预测设备的剩余使用寿命。
5、进一步优选地，在步骤s2中，所述预测模型采用改进后的densenet模型，该改进后的densenet模型包括依次连接的输入层、dense block层、transaction block层和全连接层。
6、进一步优选地，所述输入层中采用一维滤波器，所述dense block层包括五个堆叠的卷积层，每个卷积层包含一维卷积和tanh激活函数，所述transaction block层包括一个卷积层和一个滤波器，所述输出层输出剩余使用寿命。
7、进一步优选地，在步骤s1中，所述相似度采用dtw距离进行衡量。
8、进一步优选地，所述相似度按照下列公式进行计算：
9、
10、其中，dp[m][n]是序列和tjo[1：n](m，n∈[1：tc])之间的相似性距离平方，tio[1:m]和分别表示第i条和第j条原始rtf数据，m和n分别表示他们的长度，tc表示原始rtf数据中的最大长度。
11、进一步优选地，所述新的数据按照下列公式计算获得：
12、
13、其中，tio表示被选择的第i条原始rtf数据，ωi表示该数据对应的权重，tiv表示由第i条原始rtf数据作为初始序列生成的虚拟rtf数据。
14、进一步优选地，在步骤s1中，所述预处理包括数据的筛选和归一化处理，其中，所述数据测筛选是按照预设的规则选择与退化过程相关性强的实验数据，所述归一化处理为按照不同的工作条件对数据进行归一化处理。
15、进一步优选地，在步骤s1中，对每段截取的数据的剩余使用寿命进行标注时，将每段截取数据的最后时刻的剩余使用寿命作为标注的标签。
16、按照本专利技术的另一个方面，提供了一种采用基于twdba-dcrn的机械设备剩余使用寿命预测方法的系统，包括处理器，所述处理器用于执行上述所述的基于twdba-dcrn的机械设备剩余使用寿命预测方法。
17、按照本专利技术的又一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于twdba-dcrn的机械设备剩余使用寿命预测方法。
18、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具备下列有益效果：
19、1.本专利技术首先通过提出的twdba算法对原始的有限rtf数据进行数据增强，生成具有相似退化特征的虚拟rtf数据，在生成虚拟rtf数据时，在时间维度上确定了不同rtf数据之间的相似性，而不是时间步维度上，从而将相似性较大的数据用于虚拟rtf数据的生成，能使生成的数据保留原始数据的固有退化趋势，尽可能避免生成的虚拟数据中含有噪声，从而有利于提升rul预测精度；
20、2.本专利技术设计的改进的densenet，即dcrn，该模型促进了不同层之间退化信息的交互，综合考虑多个层次的信息(浅层细节退化信息和深层全局退化信息)，可以在一定程度上减少噪声数据对rul预测性能的负面影响，此外，在设计模型时，我们综合考虑了模型复杂度与其捕获信息之间的平衡，在一定程度上减少了模型参数数量和计算负担，最后，dcrn强调从数据的时间维度提取退化信息，重点捕获各个层面的上下文退化信息，这增强了模型捕获退化信息的能力；
21、3.本专利技术提出的数据增强方法和预测模型都围绕数据的时间维度并考虑数据的退化趋势，数据增强部分能生成高质量和多样化的数据，有助于提高预后模型的泛化性能，同时，预测模型促进了各层之间的退化信息交互和重用，这确保了模型在训练过程中有效地学习数据(包括原始数据和生成的虚拟数据)的内在退化趋势，因此，它本文档来自技高网...
【技术保护点】
1.一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，该方法包括下列步骤：
2.如权利要求1所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，在步骤S2中，所述预测模型采用改进后的DenseNet模型，该改进后的DenseNet模型包括依次连接的输入层、Dense Block层、Transaction Block层和全连接层。
3.如权利要求2所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，所述输入层中采用一维滤波器，所述Dense Block层包括五个堆叠的卷积层，每个卷积层包含一维卷积和Tanh激活函数，所述Transaction Block层包括一个卷积层和一个滤波器，所述输出层输出剩余使用寿命。
4.如权利要求1所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，在步骤S1中，所述相似度采用DTW距离进行衡量。
5.如权利要求4所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，所述相似度按照下
6.如权利要求5所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，所述新的数据按照下列公式计算获得：
7.如权利要求1所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，在步骤S1中，所述预处理包括数据的筛选和归一化处理，其中，所述数据测筛选是按照预设的规则选择与退化过程相关性强的实验数据，所述归一化处理为按照不同的工作条件对数据进行归一化处理。
8.如权利要求1所述的一种基于TWDBA-DCRN的机械设备剩余使用寿命预测方法，其特征在于，在步骤S1中，对每段截取的数据的剩余使用寿命进行标注时，将每段截取数据的最后时刻的剩余使用寿命作为标注的标签。
9.一种采用基于TWDBA-DCRN的机械设备剩余使用寿命预测方法的系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1-8任一项所述的基于TWDBA-DCRN的机械设备剩余使用寿命预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的基于TWDBA-DCRN的机械设备剩余使用寿命预测方法。
...【技术特征摘要】
1.一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，其特征在于，该方法包括下列步骤：
2.如权利要求1所述的一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，其特征在于，在步骤s2中，所述预测模型采用改进后的densenet模型，该改进后的densenet模型包括依次连接的输入层、dense block层、transaction block层和全连接层。
3.如权利要求2所述的一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，其特征在于，所述输入层中采用一维滤波器，所述dense block层包括五个堆叠的卷积层，每个卷积层包含一维卷积和tanh激活函数，所述transaction block层包括一个卷积层和一个滤波器，所述输出层输出剩余使用寿命。
4.如权利要求1所述的一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，其特征在于，在步骤s1中，所述相似度采用dtw距离进行衡量。
5.如权利要求4所述的一种基于twdba-dcrn的机械设备剩余使用寿命预测方法，其特征在于，所述相似度按照下列公式进行计算：
6.如权...
【专利技术属性】
技术研发人员：邱浩波，尚洁，李明宇，高亮，许丹阳，蒋琛，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。