[发明专利]基于机械设备时序信号的剩余寿命预测方法

说明书

本发明提出一种基于机械设备时序信号的剩余寿命预测方法，针对有监督学习却没有足够初始特征的问题，采用嵌入门控循环单元和线性回归单元的栈式自编码网络，将解决类似任务的已知模型不断叠加并逐一复用，实现特征提取和寿命预测。本发明采用贪婪分层学习算法，采用自底向上的方式逐层对栈式自编码网络进行预训练，将预训练网络的每一层按照自编码器的形式进行堆叠，其中每一层都需要前层初始化完成之后才可以继续训练。本发明可实现对时间序列信号数据的初始化预训练，从而对整个深度神经网络进行微调，可以达到扩充数据信息联系、发掘数据信息潜在关系、降低网络训练深度的目的。

技术领域

本发明涉及数字孪生相关的故障预测与健康管理技术领域，具体是一种基于机械设备时序信号的剩余寿命预测方法。

背景技术

现代机械设备具有标准化、大型化、高精度与智能化等特点，工作环境恶劣多变，设备长时间运行等引起的设备老化使剩余使用寿命逐渐下降，大大增加故障发生的潜在可能性，因此设备发生故障或失效经常上演，故障一旦发生，不仅会对企业造成不可估量的经济损失，更为严重的会导致灾难性的人员伤亡。因此，准确地预测剩余使用寿命对机械设备的预防性维修决策意义重大。故障预测与健康管理为了满足自主保障、自主诊断的要求提出来的，是基于状态的维修(视情维修)的升级发展。它强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。

神经网络是由大量的神经元相互连接所组成的复杂网络计算系统。神经网络反映了人脑功能的一些基本特征，是模拟人类思维模式的一个很重要的方法。神经网络具有函数逼近、自学习能力，能够实现复杂分类功能、联想记忆功能。快速优化计算能力使神经网络具有很强的鲁棒性和容错性。

发明内容

本发明针对现有时间序列数据预测方法中单一结构网络难以达到较好效果、多层网络结合优化较困难的问题，提出一种基于机械设备时序信号的剩余寿命预测方法。首先，通过滑动窗口重叠平移等处理重构时间序列数据，再采用以门控循环单元和线性回归单元构建的栈式自编码网络作为剩余寿命预测算法，以门控循环单元和线性回归单元作为栈式自编码网络的两层，按照自编码器的形式进行堆叠，其中每一层都需要前层初始化完成之后才可以继续训练，实现对时间序列数据的初始化预训练，从而对整个栈式自编码网络进行微调，可以达到扩充数据信息联系、发掘数据信息潜在关系、降低网络训练深度的目的。

为达到上述目的，本发明采用以下技术方案实现：

时序信号的剩余寿命预测方法包括数据前置处理和时间序列预测算法两部分。

所述数据前置处理方法为，首先对每个存储多传感器信号的数据源文件等距采样，再以滑动窗口重叠平移的方式为多个采样后文件构建分段序列。

所述数据前置处理的输入输出构建方式为，首先针对时间序列数据过长、较小间隔内数据所体现特征变化趋势意义较小的问题，采用对数据等距采样的方式，达到提升时间序列数据特征质量及数据压缩的目的，数据源文件内等距采样、数据源文件间做重叠滑窗处理，从而构建网络输入；以网络输入每一段序列的首个文件编号与最后一段序列的首个文件编号作差并作归一化处理，所得值作为输出标签，并对标签值序列作归一化处理，以此作为嵌入门控循环单元的栈式自编码网络的输出。

所述时间序列预测算法，以嵌入门控循环单元和线性回归单元的栈式自编码网络实现，包括以门控循环单元构成的隐层网络一、以线性回归单元构成的隐层网络二与拷贝上述隐层网络权重后的待训练的整合层网络三，要求栈式自编码网络每一层的训练参数与最后的整合层网络三的每一层能够完全对应，其中每一层都需要前层初始化好之后才可以继续训练，以此实现对网络参数的初始化预训练及对整个栈式自编码网络微调的效果。