【技术实现步骤摘要】
本专利技术设备寿命预测，具体涉及一种剩余寿命预测方法及装置。
技术介绍
1、机械设备的剩余寿命预测对于保障设备安全及可靠地运行具有重大的意义。由于机械设备工作环境的复杂性和多变性，使其长期处于差异较大的不同工作环境下，导致所采集的多工况振动监测信号存在明显的数据分布差异。目前，大部分基于深度学习的剩余寿命预测方法研究主要采用有监督学习的方式训练模型，并假设剩余寿命预测模型的训练样本和测试样本满足数据独立同分布特点，使得该类研究只适用于某一种设备在某一特定工况下的剩余寿命预测。
2、然而，在实际的复杂工程案例中，机械设备工况的显著变化会引起训练数据和测试数据的分布差异性，使得独立同分布的理想化条件难以得到满足，因此，这一限制严重制约了现有剩余寿命预测方法研究在工程实践中的应用。因此，研究跨域(跨设备、跨工况)的机械设备剩余寿命预测方法具有较高的实际价值。
3、现有技术中最常用的深度学习框架是卷积神经网络及其变体。然而，这类基于单纯前馈神经网络的框架存在的问题在于：信息只能在相邻层之间传递，不能在同一层中共享，无法处理和记忆时间序列信息，且难以同时捕捉退化数据中的局部信息、全局信息及其统计特征的相关知识，而剩余寿命是与时间强相关的特征，因此，通过现有技术中的深度学习框架对剩余寿命进行预测，会导致预测结果不准确的技术问题。
4、亟需提供一种剩余寿命预测方法及装置，解决上述技术问题。
技术实现思路
1、有鉴于此，有必要提供一种剩余寿命预测方法及装置，用以
2、一方面，为了解决上述技术问题，本专利技术提供了一种剩余寿命预测方法，包括：
3、获取源域样本和目标域样本，并基于特征提取模块对所述源域样本和目标域样本进行特征提取，获得源域退化特征和目标域退化特征；
4、基于所述源域退化特征对初始预测模型进行预训练，获得过渡预测模型，并基于所述目标融合退化特征对所述过渡预测模型进行训练，获得目标预测模型；
5、基于所述目标预测模型预测设备的剩余寿命；
6、其中，所述特征提取模块包括并行的局部衰退特征提取子模块和退化趋势提取子模块以及特征融合子模块。
7、在一种可能的实现方式中，所述局部衰退特征提取子模块包括衰退特征模糊定位单元、衰退特征精确定位单元以及跳跃融合单元；所述基于特征提取模块对所述源域样本进行特征提取，获得源域退化特征，包括基于所述局部衰退特征提取子模块对所述源域样本进行特征提取，获得局部衰退特征；所述基于所述局部衰退特征提取子模块对所述源域样本进行特征提取，获得局部衰退特征，包括：
8、基于所述衰退特征模糊定位单元对所述源域样本进行特征提取，获得模糊衰退特征；
9、基于所述衰退特征精确定位单元对所述模糊衰退特征进行特征提取，获得精确衰退特征；
10、基于所述跳跃融合单元对所述模糊衰退特征和所述精确衰退特征进行跳跃融合，获得所述局部衰退特征。
11、在一种可能的实现方式中，所述衰退特征模糊定位单元包括多核卷积层、模糊平均池化层、模糊激活函数层、第一相乘运算层以及第二相乘运算层；所述基于所述衰退特征模糊定位单元对所述源域样本进行特征提取，获得模糊衰退特征，包括：
12、基于所述多核卷积层对所述源域样本进行多核卷积操作，获得卷积特征；
13、基于所述模糊平均池化层对所述卷积特征进行平均池化处理，获得池化特征；
14、基于所述模糊激活函数层对所述池化特征进行归一化，并获得所述池化特征的概率分布；
15、基于所述第一相乘运算层对所述卷积特征和所述概率分布依次进行相乘和元素级加法操作，获得模糊定位权重；
16、基于所述第二相乘运算层将所述模糊定位权重和所述卷积特征进行元素级相乘操作，获得所述模糊衰退特征。
17、在一种可能的实现方式中，所述衰退特征精确定位单元包括第一卷积块、第二卷积块以及第三卷积块；所述第一卷积块包括第一卷积层、第一批量化归一层以及第一激活函数层，所述第二卷积块包括第二卷积层、第二批量化归一层以及第二激活函数层，所述第三卷积块包括第三卷积层、第三批量化归一层以及第三激活函数层；所述基于所述衰退特征精确定位单元对所述模糊衰退特征进行特征提取，获得精确衰退特征，包括：
18、基于所述第一卷积块对所述模糊衰退特征进行特征提取，获得第一衰退特征；
19、基于所述第二卷积块对所述第一衰退特征进行特征提取，获得第二衰退特征；
20、基于所述第三卷积块对所述第二衰退特征进行特征提取，获得所述精确衰退特征。
21、在一种可能的实现方式中，所述跳跃融合单元包括第一跳跃特征融合层、第二跳跃特征融合层以及跳跃平均池化层，所述第一跳跃特征融合层设置在所述第一卷积块和所述第二卷积块之间，所述第二跳跃特征融合层设置在所述第三批量化归一层和所述第三激活函数层之间；所述基于所述跳跃融合单元对所述模糊衰退特征和所述精确衰退特征进行跳跃融合，获得所述局部衰退特征，包括：
22、基于所述第一跳跃特征融合层对所述第一衰退特征和所述第二批量化归一层的输出进行融合，获得第一融合特征；
23、基于所述第二跳跃特征融合层对所述第一批量化归一层的输出、所述第二批量化归一层的输出以及所述第三批量化归一层的输出进行融合，获得第二融合特征；
24、所述第三激活函数层对所述第二融合特征进行激活处理，获得激活特征；
25、所述跳跃平均池化层对所述激活特征进行平均池化处理，获得所述局部衰退特征。
26、在一种可能的实现方式中，所述退化趋势提取子模块包括第一密集块、第二密集块、第三密集块、第三相乘运算层以及第四密集块；所述基于特征提取模块对所述源域样本进行特征提取，获得源域退化特征，包括基于所述退化趋势提取子模块对所述源域样本进行特征提取，获得退化趋势特征；所述基于所述退化趋势提取子模块对所述源域样本进行特征提取，获得退化趋势特征，包括：
27、基于所述第一密集块对所述源域样本进行特征提取，获得第一密集特征；
28、基于所述第二密集块对所述第一密集特征进行特征提取，获得第二密集特征；
29、基于所述第三密集块对所述第二密集特征进行特征提取，获得时序特征权重；
30、基于所述第三相乘运算层对所述时序特征权重和所述源域样本进行同位元素相乘运算，获得全局时序特征向量；
31、基于所述第四密集块对所述全局时序特征向量进行特征提取，获得所述退化趋势特征。
32、在一种可能的实现方式中，所述第一密集块、第二密集块、第三密集块和第四密集块均包括密集层、密集批量化归一层以及密集激活函数层。
33、在一种可能的实现方式中，所述基于所述源域退化特征对初始预测模型进行预训练时的第一损失函数为：
34、
35、式中，为本文档来自技高网...
【技术保护点】
1.一种剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的剩余寿命预测方法，其特征在于，所述局部衰退特征提取子模块包括衰退特征模糊定位单元、衰退特征精确定位单元以及跳跃融合单元；所述基于特征提取模块对所述源域样本进行特征提取，获得源域退化特征，包括基于所述局部衰退特征提取子模块对所述源域样本进行特征提取，获得局部衰退特征；所述基于所述局部衰退特征提取子模块对所述源域样本进行特征提取，获得局部衰退特征，包括：
3.根据权利要求2所述的剩余寿命预测方法，其特征在于，所述衰退特征模糊定位单元包括多核卷积层、模糊平均池化层、模糊激活函数层、第一相乘运算层以及第二相乘运算层；所述基于所述衰退特征模糊定位单元对所述源域样本进行特征提取，获得模糊衰退特征，包括：
4.根据权利要求2所述的剩余寿命预测方法，其特征在于，所述衰退特征精确定位单元包括第一卷积块、第二卷积块以及第三卷积块；所述第一卷积块包括第一卷积层、第一批量化归一层以及第一激活函数层，所述第二卷积块包括第二卷积层、第二批量化归一层以及第二激活函数层，所述第三卷积块包括第三卷积层、第三批
5.根据权利要求4所述的剩余寿命预测方法，其特征在于，所述跳跃融合单元包括第一跳跃特征融合层、第二跳跃特征融合层以及跳跃平均池化层，所述第一跳跃特征融合层设置在所述第一卷积块和所述第二卷积块之间，所述第二跳跃特征融合层设置在所述第三批量化归一层和所述第三激活函数层之间；所述基于所述跳跃融合单元对所述模糊衰退特征和所述精确衰退特征进行跳跃融合，获得所述局部衰退特征，包括：
6.根据权利要求1所述的剩余寿命预测方法，其特征在于，所述退化趋势提取子模块包括第一密集块、第二密集块、第三密集块、第三相乘运算层以及第四密集块；所述基于特征提取模块对所述源域样本进行特征提取，获得源域退化特征，包括基于所述退化趋势提取子模块对所述源域样本进行特征提取，获得退化趋势特征；所述基于所述退化趋势提取子模块对所述源域样本进行特征提取，获得退化趋势特征，包括：
7.根据权利要求6所述的剩余寿命预测方法，其特征在于，所述第一密集块、第二密集块、第三密集块和第四密集块均包括密集层、密集批量化归一层以及密集激活函数层。
8.根据权利要求1所述的剩余寿命预测方法，其特征在于，所述基于所述源域退化特征对初始预测模型进行预训练时的第一损失函数为：
9.根据权利要求8所述的剩余寿命预测方法，其特征在于，所述基于所述目标融合退化特征对所述过渡预测模型进行训练时的第二损失函数为：
10.一种剩余寿命预测装置，其特征在于，包括：
...【技术特征摘要】
1.一种剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的剩余寿命预测方法，其特征在于，所述局部衰退特征提取子模块包括衰退特征模糊定位单元、衰退特征精确定位单元以及跳跃融合单元；所述基于特征提取模块对所述源域样本进行特征提取，获得源域退化特征，包括基于所述局部衰退特征提取子模块对所述源域样本进行特征提取，获得局部衰退特征；所述基于所述局部衰退特征提取子模块对所述源域样本进行特征提取，获得局部衰退特征，包括：
3.根据权利要求2所述的剩余寿命预测方法，其特征在于，所述衰退特征模糊定位单元包括多核卷积层、模糊平均池化层、模糊激活函数层、第一相乘运算层以及第二相乘运算层；所述基于所述衰退特征模糊定位单元对所述源域样本进行特征提取，获得模糊衰退特征，包括：
4.根据权利要求2所述的剩余寿命预测方法，其特征在于，所述衰退特征精确定位单元包括第一卷积块、第二卷积块以及第三卷积块；所述第一卷积块包括第一卷积层、第一批量化归一层以及第一激活函数层，所述第二卷积块包括第二卷积层、第二批量化归一层以及第二激活函数层，所述第三卷积块包括第三卷积层、第三批量化归一层以及第三激活函数层；所述基于所述衰退特征精确定位单元对所述模糊衰退特征进行特征提取，获得精确衰退特征，包括：
5.根据权利要求4所述的剩余寿命预测方法，其特征在于，所述跳跃融合单...
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。