[发明专利]一种基于LSTM-DNN的设备寿命预测方法及装置

权利要求书

1.一种基于LSTM-DNN的设备寿命预测方法，其特征在于，包括：

获取设备的历史运行和维修数据，并整理归档得到预处理数据形式的设备数据；

对所述设备数据进行数据清洗和特征预处理，得到处理后数据；

将所述处理后数据输入训练好的LSTM-DNN神经网络，得到输出结果，所述输出结果即为所述设备的寿命预测结果；

输出所述寿命预测结果。

2.根据权利要求1所述的方法，其特征在于，还包括所述LSTM-DNN神经网络的训练方法：

搭建LSTM-DNN网络结构，所述LSTM-DNN网络结构包括依次连接的若干个LSTM块和N个全连接层；

将样本数据划分为训练集和测试集；

设置训练方案：循环遍历训练集的次数、每一批次训练集的数量、随机打乱、优化器、损失函数和保存条件；

将所述训练集输入所述LSTM-DNN网络结构，并根据所述训练方案进行训练，得到初步训练模型；

利用所述测试集测试所述初步训练模型是否达标，若所述初步训练模型不达标，则重新训练所述LSTM-DNN网络结构，若所述初步训练模型达标，则所述初步训练模型即为训练好的LSTM-DNN神经网络。

3.根据权利要求2所述的方法，其特征在于，每个所述LSTM块均包括依次连接的LSTM单元、BN层和ReLU激活函数；

所述LSTM单元的数学变换式包括：

i_t＝σ(U_ix_t+W_il_t-1+b_i)

f_t＝σ(U_fx_t+W_fl_t-1+b_f)

c_t＝f_t⊙c_t-1+i_t⊙σ(U_cx_t+W_cl_t-1+b_c)

o_t＝σ(U_ox_t+W_ol_t-1+b_o)

l_t＝o_t⊙tanh(c_t)

其中，i_t、f_t、o_t和c_t分别为LSTM单元t时间步的输入门、遗忘门、输出门和记忆单元，x_t和l_t分别为t时刻的输入矢量和输出矢量，U_i、W_i、U_f、W_f、U_c、W_c、U_o和W_o为权重矩阵，b_i、b_f、b_c和b_o为偏置，σ为sigmoid函数，⊙表示元素乘法；

所述BN层的计算包括：

其中，x^p为第p批的输入，E[x^p]为x^p的平均值，Var[x^p]为x^p的标准差，γ和β为自适应更新的可学习参数，y^p为BN层神经元的输出；

所述ReLU激活函数的计算包括：

其中，x为函数输入。

4.根据权利要求2所述的方法，其特征在于，第k个所述全连接层的计算包括：

l_k，i＝W_k(i)^Tl_k-1+b_k(i)，i＝1，2，...，N_k

其中，W_k(i)和b_k(i)分别为第k个隐藏层的第i个权重矩阵和偏置矢量。