[发明专利]一种旋转机械的RUL预测方法

权利要求书

1.一种旋转机械的RUL预测方法，其特征在于，包括：

S1：获取旋转机械设备传感器数据；

S2：通过Spearman相关系数对传感器数据进行特征选择，将与时间序列相关性较高的特征进行批标准化和归一化处理，同时划分好训练集和测试集并标注序列的RUL标签；

S3：构建SE-CNN模型对处理后的数据进行特征提取；

S4：通过ISSA算法优化LightGBM模型中的子叶个数、最大深度和学习率，并将训练集中的数据输入优化后的LightGBM模型根据其标注的RUL标签进行训练，当LightGBM模型的损失函数值最小时完成模型的训练；

S5：将划分好的测试集数据输入训练完成后的LightGBM模型，输出预测的RUL值。

2.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，所述Spearman相关系数计算，包括：

其中，ρ^m表示第m个特征序列与时间序列X_n的相关系数，X_n表示时间序列，表示时间序列的均值，表示第m个特征序列，表示特征序列的均值(n＝1,2,…N)，N表示序列数量。

3.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，标注序列的RUL标签，包括：

所述RUL标签包括单调递减特征序列的RUL标签和单调递增特征序列的RUL标签；

所述单调递减特征序列的RUL标签：

所述单调递增特征序列的RUL标签：

其中，x_td和x_tr分别表示第t个采样点时单调递减特征序列和单调递增特征序列的RUL标签，l表示全寿命周期。

4.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，所述SE-CNN模型，包括：SE模块、基础的CNN模块、压平层；

经过预处理的特征输入到CNN模块进行特征提取，其提取结果输入到SE模块，学习特征权重，使得有效的特征图的权重较大，无效或效果较小的特征图的权重较小，并通过压平层进行尺寸调整。

5.根据权利要求4所述的一种旋转机械的RUL预测方法，其特征在于，所述SE模块学习特征权重过程，包括：

顺着空间维度进行特征压缩，将每个二维的特征通道变成一个实数，并且保持输出的维度和输入的特征通道数相匹配；

为每个特征通道生成权重；

将生成的权重通过乘法逐通道加权到输入SE模块的特征上，完成在通道维度上的对原始特征的重标定。

6.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，所述ISSA算法，包括：提出一种探索因子来改进探索者在安全区域内的位置。

7.根据权利要求6所述的一种旋转机械的RUL预测方法，其特征在于，所述探索因子，包括：

其中，Ef表示探索因子，f_B表示当前最优适应度值，f_W表示当前最差适应度值，m表示当前迭代次数，M表示总的迭代次数。

8.根据权利要求6所述的一种旋转机械的RUL预测方法，其特征在于，改进后的探索者位置更新公式，包括：

其中，表示更新后的第k只麻雀在第d维中的位置信息，m表示当前迭代次数，M表示总的迭代次数，Ef表示探索因子，表示在第m次迭代时第k只麻雀在第d维中的位置信息，表示在区间(0,1]的随机数，W表示在区间[0,1]的预警值，S表示在区间[0.5,1]的安全值，X表示服从标准正态分布的随机数，Y表示一行多维的全一矩阵。

9.根据权利要求1所述的一种旋转机械的RUL预测方法，其特征在于，所述LightGBM模型的损失函数，包括：

其中，y_i表示RUL的真实值，表示RUL的预测值，K表示决策树的总数，f_k表示叶子节点的得分值，x_i表示测试集中的数据，F表示一组回归树，l表示训练的损失函数，Ω表示正则化函数。