基于随机模型更新的多模态不确定性感知机械寿命预测方法技术

一种基于随机模型更新的多模态不确定性感知机械寿命预测方法，先构建漂移网络，表征提炼块RDB包括四层：数据结构DS、短期局部特征细化、长期时间趋势开发和下采样，残差连接用于捕获跨层信息并促进梯度流；再构建扩散网络，遵循Lipschitz连续性，选择了ReLU作为激活函数；然后训练每个子网，子网的目标函数前两个部分是分布内漂移网络和调节扩散网络的回归项，后一个组件属于OOD样本；再对每个子网的不确定性量化，最后基于各自不确定性的多模态融合；本发明专利技术通过分数阶随机微分方程子网络对每种模态的不确定性进行建模，根据模态特征的不确定性进行动态融合，通过回归推理得到最终的预测结果及其相应的不确定性。

【技术实现步骤摘要】

专利技术属于机械剩余寿命预测，具体涉及一种基于随机模型更新的多模态不确定性感知机械寿命预测方法。

技术介绍

1、随着工业需求的不断增加，机械设备变得越来越复杂，这也引发了对设备潜在故障以及运行和维护(o&m)成本的广泛关注。故障预测和健康管理(phm)策略，尤其是剩余使用寿命(rul)预测，提供了一种有效的解决方案。rul预测是一种通过监测传感器数据，分析机器的健康状况并估计其剩余使用寿命的方法，其中，深度学习技术因其优异的特征提取能力和泛化能力，已在这一领域展现出巨大的潜力。然而，现有的深度学习方法大多依赖于从单类型数据源提取的退化信息。单类型数据只能提供局限和有偏的健康监测视角，可能会忽略机器健康状态的关键特征，无法充分反映设备的退化过程。此外，单类型的数据容易受到外界干扰，其有效性高度依赖于传感器的灵敏度和特性。

2、为了解决这些问题，多模态监测逐渐受到关注，并在应用中取得了显著进展。多模态监测(wang y,lei y,li n,et al.deep multisource parallel bilinear-fusionnet本文档来自技高网...

【技术保护点】

1.一种基于随机模型更新的多模态不确定性感知机械寿命预测方法，其特征在于，包含以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤1)由DS层组织一个数据序列，然后标准化可比较的尺度，数学上表示为：

3.根据权利要求1所述的方法，其特征在于：步骤3)目标函数为：

4.根据权利要求1所述的方法，其特征在于：步骤4)对于m-训练子网，其预测为：

5.根据权利要求1所述的方法，其特征在于：步骤5)对于第m个模态，其模态特定子网提供了一个预测和一个关联的不确定性值um，不确定性值um为：

【技术特征摘要】

1.一种基于随机模型更新的多模态不确定性感知机械寿命预测方法，其特征在于，包含以下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤1)由ds层组织一个数据序列，然后标准化可比较的尺度，数学上表示为：

3.根据权利要求1所述的方法，其特征在于...

【专利技术属性】
技术研发人员：雷亚国，李慧童，李乃鹏，王远，杨彬，李响，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：