[发明专利]工程机械部件剩余寿命的预测模型建立方法及预测方法

说明书

本发明公开了一种工程机械部件剩余寿命的预测模型建立方法及预测方法，属于剩余寿命预测领域，包括：建立初始神经网络模型，其以机械部件在时间步t～t+W‑1的状态监测数据为输入，用于预测时间步t+W‑1时的剩余寿命模型包括：第一注意力网络，用于基于自注意力机制获取中各时间步的注意力权重并赋予相应的时间步，得到Z；时间卷积网络，用于对Z进行特征提取，得到U；第二注意力网络，用于获取U中各通道的注意力权重并赋予相应的通道，得到及预测模块，用于对中的各通道特征进行融合并激活，以得到获得训练数据集，并对初始神经网络模型进行训练，以获得机械部件剩余寿命预测模型。本发明能够提高模型预测性能以及剩余寿命预测精度。

技术领域

本发明属于剩余寿命预测领域，更具体地，涉及一种工程机械部件剩余寿命的预测模型建立方法及预测方法。

背景技术

剩余寿命(Remaining Useful Life，RUL)是指从设备当前运行时刻到发生故障或失效时刻的剩余工作时间。工程机械关键部件作为工程机械最重要的部件之一，其健康状况紧密影响着工程机械的使用寿命。剩余寿命预测(Remaining Useful Life Prediction)为工程机械关键部件的健康状况提供了重要的参考和依据，有效的剩余寿命预测可辅助运维人员提前发现设备运行的潜在风险、减少事故的发生，并能提供更准确的信息供决策所需。

2018年提出的时间卷积网络(Temporal convolutional network,TCN)是一种相对较新的能够处理时间序列数据的深度网络结构，其采用了因果卷积和膨胀卷积。相比于普通卷积网络，因果卷积使得TCN能够追溯历史信息来预测未来，膨胀卷积使得TCN具有可并行计算、计算速度快、占用内存小、梯度稳定等优势。相比于普通的卷积神经网络，TCN需要调整的参数较少，能够很方便的使用于工程中。

在目前使用TCN的RUL预测研究中，绝大多数研究都是将原始特征或人工选择的特征直接输入时间卷积网络中计算，时间卷积网络并没有对输入特征实现差异性的关注，而是将所有输入特征的重要程度视为一样。但不同的特征对剩余寿命预测的贡献度可能是不一样的，未对特征进行差异性的关注可能会降低了模型在特征提取上的效率，限制了模型的预测能力。针对这一问题，在申请公布号为CN111340282A、发明名称为“基于DA-TCN的设备剩余使用寿命的估计方法及系统”的专利申请中，基于TCN构建了一种新的模型，即DA-TCN模型，如图1所示，该模型包括第一注意力机制层、若干并联的TCN网络、第二注意力机制层，其中：第一注意力机制层用于衡量每个传感器对RUL的贡献；TCN网络用于获取时间方向的特征信息；第二注意力机制层，用于在TCN网络之后来估计不同时间部的贡献权值；最后，两个全连接层将基于注意力机制的时间网络输出进行RUL结果估计。

DA-TCN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，能够在RUL预测中考虑不同传感器以及不同时间步的贡献权值，取得更高的预测精度。但是，其仍然存在以下问题：

1、原始的注意力机制需要外部事先给定一个和任务目标相关的查询向量，然而对于传感器采集到的原始数据，要发现数据之间的相关性是很难的，因此外部给出的查询向量可能并不能很好地反映数据之间的关系。

2、其中的第一注意力机制层和第二注意力机制层都是由彼此连接的softmax函数和乘法器构成，这样的注意力机制层结构比较简单，可能会出现梯度爆炸的现象。

3、TCN是一种能够处理时间序列数据的深度网络结构，经第一注意力机制层输出的特征，并不具备很好的时序特征，TCN以这样的特征作为输入，对时间方向的特征的提取能力有限。

总的来说，现有的基于DA-TCN模型的设备剩余使用寿命的估计方法虽然考在TCN的基础上考虑了注意力信息，但其预测精度仍有待进一步提高。

发明内容