[发明专利]基于DA-TCN的设备剩余使用寿命的估计方法及系统

说明书

本发明公开了基于DA‑TCN的设备剩余使用寿命的估计方法及系统，获取若干个传感器采集的待估计设备的数据；对获取的数据进行预处理；将预处理后的数据输入到用于估计设备剩余使用寿命的DA‑TCN模型中，输出待估计设备的剩余使用寿命。本公开提出的RUL预测方法将分布注意力机制和TCN结合起来，对不同传感器和不同时间节点分别进行加权。实验结果表明，该方法优于传统方法，且模型能够实现RUL实时预测。

技术领域

本公开涉及设备剩余使用寿命估计技术领域，特别是涉及基于DA-TCN的设备剩余使用寿命的估计方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

预测和健康管理(Prognostic and Health Management，PHM)在工业设备的监测和故障诊断中至关重要。PHM包括故障诊断和剩余使用寿命(Remaining Useful Life，RUL)预测，其对提高生产安全性和避免生产事故发生具有重要作用。

在工业物联网时代，随着信号采集技术和计算机技术的发展，从运行的机械设备中获取大量的工业数据成为可能，从而加速了基于数据驱动的PHM方法的发展。作为处理工业大数据的常用资源，云计算存在数据传输时间延迟，而边缘计算存在计算资源和存储空间有限等问题。在这种背景下，云边缘计算模式逐渐兴起，它能够灵活有效地在云计算服务器和边缘计算服务器上部署计算负载。云边缘计算在降低云计算传输延迟、提供实时RUL估计等方面具有广阔的应用前景。

基于数据驱动的RUL方法主要包括两个步骤：数据预处理和决策模型训练。一般来说，数据预处理包括数据归一化、噪声滤波和特征提取。特征提取方法的选择主要取决于研究者的经验。为了获得与监测数据或特征相适应的预测方法，决策模型应具有端到端可训练的参数和从序列数据中自动学习信息的能力。近年来，深度学习在RUL预测方面表现出了优异的性能。考虑到信号的时空相关性，卷积神经网络(Convolutional Neural Network，CNN)和递归神经网络(Recurrent Neural Network，RNN)是两种最常用的深度学习方法。

X.Li,Q.Ding,and J.-Q.Sun,“Remaining useful life estimation inprognostics using deep convolution neural networks,”Reliability EngineeringSystem Safety,vol.提出了以归一化原始数据为输入，利用CNN进行航空发动机退化评估的方法。

G.S.Babu,P.Zhao,and X.-L.Li,“Deep convolutional neural network basedregression approach for estimation of remaining useful life,”in Internationalconference on database systems for advanced applications.Springer,2016,pp.214–228.使用深度CNN对每个传感器的时间序列数据进行自适应特征学习和RUL预测。

L.Ren,Y.Sun,H.Wang,and L.Zhang,“Prediction of bearing remaininguseful life with deep convolution neural network,”IEEE Access,vol.6,pp.13041-13 049,2018.将谱能量向量与CNN相结合预测轴承的剩余寿命。

上述方法都有较好的RUL预测结果，并且默认数据中的每个时间步长和每个传感器对预测结果的贡献相等。但是，上述预测结果都不够精确。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

没有对设备状态监控数据进行贡献程度划分，限制了RUL预测精度的提升。