[发明专利]一种基于改进LSTM的设备剩余寿命预测方法

权利要求书

1.一种基于改进LSTM的设备剩余寿命预测方法，其特征在于，包括以下步骤：

步骤S1、采集设备运行数据Φ，构建训练模型所需的样本数据集；

步骤S2、改进LSTM模型结构；

步骤S3、根据获取的设备历史运行数据训练改进后的LSTM预测模型，以此获得基预测器；

步骤S4、采集在线新数据输入基预测器，对模型参数进行实时更新。

2.根据权利要求1所述的基于改进LSTM的设备剩余寿命预测方法，其特征在于，步骤S1具体包括以下步骤：

S101,利用传感器采集设备运行数据并存储；S102,将采集到的数据中的时间缺失值用上一个时刻和下一个时刻的平均值代替；

S103,确定数据集样本序列长度λ_s和预测标签长度λ_t，将长度为λ_s的序列作为模型输入量，长度为λ_t的序列作为训练模型时的标签，序列长度的计算公式为：

其中，λ_n为数据总长度；α∈(0,5]为采样步长。

3.根据权利要求1所述的基于改进LSTM的设备剩余寿命预测方法，其特征在于，步骤S2具体包括以下步骤：

S201,构建第一层LSTM网络模型，该模型具有遗忘门输出门和输出门步骤S1所获得的数据具有时序性，在训练数据中t时刻的值输入模型后上一时刻模型的状态量会与x_t共同进入遗忘门，得出对上一时刻记忆单元中数据的遗忘矩阵，遗忘矩阵中的数介于0到1之间，0表示遗忘中对应位置的数据，1则表示保留中对应位置的数据；其具体运算规则为：

其中，和分别表示t时刻值输入模型时，第一层LSTM模型在遗忘门中输入量x_t和的权值；为偏置向量；σ为sigmoid函数，该函数可将数值控制在[0,1]范围内，其表达式为：

S202,输入门决定输入x_t中有多少信息进入记忆单元其计算过程如下：

其中，和分别表示t时刻值输入模型时，输入量x_t和在输入门中的权值；为偏置向量；

S203,输出门o_1t决定t时刻值输入模型时，LSTM模型应该输出多少信息，其计算过程为：

其中，和分别表示t时刻值输入模型时，输入量x_t和在输出门中的权值；为偏置向量；

S204,在训练集中t时刻值输入模型时，通过以下公式更新存储单元的值与输入x_t和有关：

其中，和分别表示t时刻值输入模型时，输入量x_t和在存储单元中的权值；为偏置向量；softmax激活函数选用tanh(·)：

S205,当前时刻记忆单元的信息由遗忘门和输入门共同控制，负责遗忘上一时刻记忆单元中信息的多少，负责控制记忆x_t中信息的多少；

为上一时刻记忆单元，遗忘门负责删除中的无用信息；x_t为当前时刻的输入，输入门负责筛选x_t中的有用信息；当前时刻记忆单元的信息由删除信息后的和筛选信息后的x_t共同决定；的计算过程如下：

S206,当前时刻LSTM模型状态量由输入门控制记忆单元输出多少信息决定：

S207,当前时刻模型的输出即预测值y_t计算如下：

式中，为输出的权重矩阵，为输出的偏置向量；上述计算中，·表示矩阵相乘，×表示矩阵中对应元素相乘；权重向量和偏置向量通过模型训练获得；

S208,构建第二层LSTM网络模型，第一层中的传递到下一层，充当x_t输入LSTM；第二层LSTM模型的结构如下：

门控单元：

存储单元：

输出单元：

上式中，分别为第二层LSTM的权重矩阵；分别为偏置向量；

S209,双层LSTM的输出经过全链接层FC映射后输入即获得最终的预测值；

步骤S103确定数据集样本序列长度后，根据该长度在数据集Φ中进行采样，构成第一层LSTM的输入；即LSTM层输入：

其中，m为单次训练输入的样本数，即每次输入第一层LSTM模型的样本个数；λ_s为样本序列长度，即每个样本包含的特征数；

FC层输入为：

FC层对做tanh(·)映射，因此输出为，即最终预测结果：

其中，n为预测步长；根据此形式的输出，即可获取整个设备在未来一段时间的运行状况；

将未来时刻的运行数据与数据库中该设备全寿命周期的运行数据进行匹配，获得剩余使用寿命和其变化趋势。