[发明专利]一种机加工设备剩余使用寿命预测方法

说明书

本发明公开了一种机加工设备剩余使用寿命预测方法，可以根据传感器所记录的历史时序数据，引入变点检测方法判断设备当前状态及异常变化点，并进一步预测设备的剩余可使用寿命。本发明利用误差累积方法对不同环境下的设备数据进行变点检测，之后利用长短期记忆网络与时间维度上的注意力机制，识别设备的异常点，判断设备当前状态，最后提取设备数据的统计特征与时序特征，并以此为基础构建模型，实现端到端的设备剩余使用寿命预测。本发明提供了一种适用于不同环境下的模型框架，辅助维护人员对设备剩余寿命的预测，做到对设备故障的及时预警，可以有效降低设备的维护成本与故障损失。

技术领域

本发明属于工业生产中设备剩余使用寿命预测领域，尤其涉及一种机加工设备剩余使用寿命预测方法。

背景技术

设备是制造业的基础，设备的预警与维护对于制造流程起着重要的作用。适时的设备故障预警既可以有效避免突发的设备故障所带来的损失与不确定性，也可以有效降低由无意义的维护所带来的设备维护成本。随着计算机技术与传感器技术的发展，预测性维护成为一个重要的研究与应用方向。预测性维护大致可以分为故障诊断、趋势预测以及剩余使用寿命预测三大子领域。

目前已存在的一些设备剩余使用寿命方法主要有传统机器学习技术与深度学习方法两类。机器学习技术需要用户手动构造特征进行数据表征及训练。人工构造的特征大多依赖经验，具有局限性且要耗费大量的时间与精力。工业生产是一个存在变化的过程，一旦作业场景发生改变，原本的特征可能无法满足需求。随着近年来深度学习技术的发展，CNN在时序任务中的表现较为突出，在寿命预测中也展现了不俗的成果。但是，由于CNN结构的特性，给定窗口内的数据信息会被较好学习，前后窗口内的联系则会被模型忽视。而设备的退化过程是连续的，当前模型无法较好学习到不同退化状态之间的联系。在传统机器学习模型的特征构造中，可以有意构造此类特征来表现数据变化，增强模型的表征与学习能力。但是，在以CNN结构为主的模型中，此类信息的学习则受到了局限，模型的预测能力也受到了限制。

发明内容

本发明的目的在于针对现有技术的不足，提供一种机加工设备剩余使用寿命预测方法。一种下设备的剩余使用寿命预测方法。本发明涉及设备时序数据的自适应变点检测、特征处理与剩余使用寿命预测方法，具体包括：设备生命周期中的异常点检测、时序数据的特征挖掘与知识发现以及注意力机制在时序数据中的应用。

本发明的目的是通过以下技术方案来实现的：一种机加工设备剩余使用寿命预测方法，包括以下步骤：

1)利用特征筛选方法在设备的全生命周期数据中提取出有价值的传感器特征。

2)根据不同工作环境与故障模式下的数据对设备进行变点检测。在变点检测过程中采用自主寻找变点、构建模型训练以及模型预测变点的方式。

3)根据得到的变点确定训练数据的剩余寿命标签，构建预测模型框架进行寿命预测。

进一地，步骤2)包括以下子步骤：

2.1)对训练数据进行变点检测与标注。由于在实际生产实践中收集到的数据无变点标注，需要通过无监督或者基于统计指标的方法进行变点检测。

2.2)建立分类模型对待预测数据进行变点检测。在训练数据中，根据设备全生命周期中的变化情况，可以确定出变点。而在实际生产实践中，待预测数据只是设备故障发生前某一阶段的数据，因此，根据设备所处的生产环境，选择对应的已标注变点的设备完整周期数据，针对设备当前时间处在稳定工作阶段和设备当前处于寿命衰退阶段两类，建立二分类模型对预测设备的每一条记录所处状态进行预测，从而确定设备的变化点。

进一地，步骤2.1)采用均值累积误差的方法分析设备的每一组传感器数据，找出每组传感器数据变化过程中的变点。针对训练数据中的每个设备，得到若干传感器的变点，取最小值并进行放缩，从而确定每个设备开始衰退的时间戳。

进一地，步骤2.2)中，模型采用长短期记忆网络与时间维度的注意力机制结合的策略。