【技术实现步骤摘要】
本专利技术涉及设备剩余寿命预测领域，尤其是涉及一种基于任务增量元学习的小样本下剩余寿命预测方法。
技术介绍
1、随着传感器技术的发展，多元传感器信号已经被广泛使用于监测设备的退化状态以及预测设备的剩余使用寿命。基于诊断结果，运维人员可以合理安排维修计划以避免设备突发失效所带来的生产延迟、安全隐患等问题，同时降低维修成本，提高维修效率。
2、深度学习模型是由多层互连节点组成的神经网络，它能自动地学习数据的特征，并将特征作为输入，输出相应的退化状态，如：健康指数或剩余使用寿命(remaininguseful lifetime,rul)。基于深度学习的剩余寿命预测方法通常需要大量的带标签数据训练模型，以达到满意的泛化效果。而在实际应用场景下，仅当设备失效才能获取带标签的数据，而设备通常在失效前会被维修或更换。因此，通常情况下仅有少量已失效的设备产生少量的带标签数据，以及大量的未失效设备产生大量的无标签数据。因此，利用少量有标签数据训练深度学习模型可以视作一个小样本问题。
3、对于深度学习模型，另一个问题是只有局部的传感...
【技术保护点】
1.一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，所述步骤S1具体为：利用S个传感器以时间间隔m监测设备的运行状态，一个在t时刻的样本包含c个连续时间步的传感器测量值，即从时间步j到j+c-1且c>0，则元网络和辅助网络的输入为矩阵其中为时间步j的传感器测量值构成的列向量，相应的标签yi,j是时间步j对应的正则化后的剩余寿命值，其中，对于未失效的设备样本是无标签的；
3.根据权利要求1所述的一种基于任务增量元学习的小样本下...
【技术特征摘要】
1.一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，所述步骤s1具体为：利用s个传感器以时间间隔m监测设备的运行状态，一个在t时刻的样本包含c个连续时间步的传感器测量值，即从时间步j到j+c-1且c>0，则元网络和辅助网络的输入为矩阵其中为时间步j的传感器测量值构成的列向量，相应的标签yi,j是时间步j对应的正则化后的剩余寿命值，其中，对于未失效的设备样本是无标签的；
3.根据权利要求1所述的一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，所述元网络由一个任务共享特征提取器和一个任务特有回归层组成，任务共享特征提取器gθ(·)学习共同退化特征，任务特有回归层利用设备特有的全局特征信息输出剩余寿命预测值，表示为：
4.根据权利要求3所述的一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，所述元网络的目的是学习关联任务共享的元知识，包括任务特有回归层的初始化参数w0和任务共享特征提取器的参数θ；通过基于支持集进行梯度下降，任务特有回归层的初始化参数w0通过内更新至任务特有参数wi；元知识由基于多个任务的查询集的外更新学习；所述支持集和查询集为两个不重叠的子数据集，分别由已失效设备/未失效设备/测试设备的nspt和nqry个带标签/带伪标签的样本构成；
5.根据权利要求4所述的一种基于任务增量元学习的小样本下剩余寿命预测方法，其特征在于，所述内更新的目的是更新初始化参数分布p(w0)使其逼近任务特有参数的后验分布采用斯坦变分...
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。