一种剩余寿命预测方法及装置

文档序号:37858390发布日期:2024-05-07 19:32阅读:14来源:国知局
一种剩余寿命预测方法及装置

本发明设备寿命预测,具体涉及一种剩余寿命预测方法及装置。


背景技术:

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,用以解决现有技术中存在的对剩余寿命预测不准确的技术问题。

2、一方面,为了解决上述技术问题,本发明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,为第一损失函数;ysi为第i个源域样本的真实剩余寿命百分比值;为第i个源域样本预测剩余寿命百分比值;m为源域样本的总个数。

36、在一种可能的实现方式中,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:

37、

38、

39、

40、

41、式中,jtotal为第二损失函数;μ为第一均衡参数;为跨域迁移学习损失函数;γ为第二均衡函数;为对抗域适配迁移损失函数;js(ffusion_source,ffusion_target)为源域退化特征ffusion_source和目标域退化特征ffusion_target的js散度;n为目标域样本的总个数;为第l个目标域样本的预分类输出结果;kl为第l个目标域样本的真实分类输出结果。

42、另一方面,本发明还提供了一种剩余寿命预测装置,包括:

43、退化特征提取单元,用于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;

44、目标预测模型确定单元,用于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;

45、剩余寿命预测单元,用于基于所述目标预测模型预测设备的剩余寿命;

46、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。

47、本发明的有益效果是:本发明提供的剩余寿命预测方法,通过特征提取模块中的局部衰退特征提取子模块,可在强噪声背景下非平稳非线性的源域样本和目标域样本中准确提取出失效发生区域的局部衰退特征,通过设置退化趋势子模块可获得源域样本和目标域样本的退化趋势特征,即:相较于传统的卷积神经网络中对时序特征的提取能力不足的问题,通过设置退化趋势子模块提取退化趋势特征这一时序特征,可提高剩余寿命的预测准确性。进一步地,本发明通过设置特征融合子模块对局部衰退特征提取子模块提取的局部衰退特征和退化趋势子模块提取的退化趋势特征进行融合,可实现多通道数据的融合,自适应的挖掘退化数据的全局一致性,提取有效反映设备退化机制的统计特性和能量特征,进而可进一步提高剩余寿命的预测准确性。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1