基于长短时记忆神经网络的系统寿命分析与故障诊断方法与流程

本发明属于复杂系统预测与健康管理技术领域，特别地涉及一种基于长短时记忆(long-shorttermmemory,lstm)神经网络的系统寿命分析与故障诊断方法。

背景技术：

随着传感器、大数据技术的快速发展，工业系统的信息化水平不断提高，依靠传统的维修理念、模式和手段难以准确快速地预测、定位并修复故障，维修效率和效益也无法保证。为减少维修保障费用，提高系统、部件的经济性，以诊断和预测为标志的发动机健康管理技术成为了最主要的技术实现途径，通过采用机器学习技术进行关键部件实时状态监视和剩余寿命分析，能够大大提高整体系统和关键部件的保障管理能力，达到降低维修人力、备件和维修费用，最大化维修和部件采购间隔时间的目的。机器学习技术已成为实现基于性能、自主保障和智能维修保障等新型维修保障模式的主要支撑技术。

图1所示为剩余寿命(remainingusefullife，rul)预测任务的完整过程。广义的剩余寿命预测是指在运行条件一定的条件下，针对特定的系统对象，通过监测主要的传感器数据，实时地对系统当前的健康状态进行判断，并对之后的模型退化过程进行趋势分析，给出剩余寿命的估计，并以之作为依据及时地做出决策、采取相应的行动。因此广义的预测任务不仅包括到寿时间估计，还包括了健康状态的诊断。而利用基于数据驱动的机器学习技术，可以充分将人工智能科学领域的最新研究成果与当今日益丰富的计算资源用于复杂系统的特征提取、自学习建模与具有鲁棒性、抗噪能力、可靠性、准确性的诊断器、预测器设计，以实现复杂系统的故障诊断和剩余寿命估计。

技术实现要素：

本发明的目的在于提供一种基于长短时记忆神经网络的系统寿命分析与故障诊断方法，该方法通过对复杂系统的工作环境数据与传感器在线监测数据进行智能分析，对复杂系统的工作模态和退化模态进行建模，能够智能评估系统的剩余寿命并定位故障类别，为系统检修和维护提供有效指导，方法准确度高、迁移能力强，对不同系统的适应性好。

本发明的技术方案如下：

一种基于长短时记忆神经网络的系统寿命分析与故障诊断方法，其特征在于包括以下步骤：

(1)对目标系统的工作机理进行一定的分析，确定该系统工作时影响其使用寿命的环境变量，系统工作的所有人为操作方式以及主要部位的物理量，随后针对各种变量设置满足检测要求的传感器对所有变量进行采集并进行一定的数据预处理；

(2)采集的原始特征进行特征工程处理，主要包括主成分分析、操作模式聚类以及不同环境/操作条件下的帧间动态信息差分计算等；

(3)构建长短时记忆神经网络，利用采集的数据对神经网络进行训练。

进一步，上述基于长短时记忆神经网络的系统寿命分析与故障诊断方法中，步骤(3)进一步包括：

(31)神经网络结构设计，包括网络类别、级联方式、网络层数、网络规模、正则化方案；

(32)样本制作，将所有采集的样本进行剩余寿命的序列标注和故障类别的标注，随后均匀地打混样本并按照比例划分为训练集、验证集与测试集；

(33)优化算法选择、网络初始化方案选择以及超参数寻优训练；

(34)按照(31)到(33)中得出的在验证集上得出的最佳网络结构及参数配置训练神经网络模型，并在测试集上测试其剩余寿命准确性和故障诊断准确性。

该方法能够利用系统历史记录及当前状态准确地评估剩余寿命与故障定位，且模型通用性好，可通过较少改动应用于各类系统。

附图说明

图1为剩余寿命预测与故障诊断过程图；

图2为本发明的实现流程图。

具体实施方式

图2所示为本发明基于长短时记忆神经网络的系统寿命分析与故障诊断的流程图，其包括以下步骤：

步骤一：对目标系统的工作机理进行一定的分析，确定该系统工作时影响其使用寿命的环境变量，系统工作的所有人为操作方式以及主要部位的物理量，随后针对各种变量设置满足检测要求的传感器对所有变量进行采集并进行一定的数据预处理；

步骤二：采集的原始特征进行特征工程处理，主要包括主成分分析、操作模式聚类以及不同环境/操作条件下的帧间动态信息差分计算等；

步骤三：构建长短时记忆神经网络，利用采集的数据对神经网络进行训练。具体步骤可分为：

(1)神经网络结构设计，包括网络类别、级联方式、网络层数、网络规模、正则化方案等；

(2)样本制作，将所有采集的样本进行剩余寿命的序列标注和故障类别的标注，随后均匀地打混样本并按照比例划分为训练集、验证集(开发集)与测试集；

(3)优化算法选择、网络初始化方案选择以及超参数寻优训练；

(4)按照上述(1)-(3)中得出的在验证集上得出的最佳网络结构及参数配置训练神经网络模型，并在测试集上测试其剩余寿命准确性和故障诊断准确性。