[发明专利]一种旋转机械的RUL预测方法

说明书

本发明属于旋转机械监测领域，具体涉及一种旋转机械的RUL预测方法，包括：通过Spearman相关系数对旋转机械设备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；构建SE‑CNN模型进行特征提取；通过ISSA算法优化LightGBM模型并训练优化后模型；将划分好的测试集数据输入LightGBM模型进行预测，得到RUL值。本发明将SE‑CNN与LightGBM相结合，解决了对高维复杂数据处理能力不足的问题和对数据特征挖掘不全面的问题，通过ISSA来优化LightGBM的超参数，从而有效提升其剩余使用寿命预测的准确率。

技术领域

本发明属于旋转机械监测领域，具体涉及一种旋转机械的RUL预测方法。

背景技术

旋转机械承担着主要的现代化工业生产任务，对其研究保以安全正常工作，对于我国工业生产具有十分重要的现实意义。对于如何有效维护旋转机械的安全运行，一些国内外学者研究提出了一种结合信息技术和人工智能等领域研究成果的预测维修策略，即故障预测与健康管理(Prognosis and Health Management，PHM)，而剩余使用寿命(Remaining Useful Life，RUL)的预测便是其核心环节。基于数据驱动的RUL预测方法不依赖于设备系统的相关领域知识，解决了基于物理模型方法对复杂设备系统建模困难的问题，在大数据背景的不断发展的背景下已然成为RUL预测领域的主流方法。马海龙等利用PCA方法融合振动信号的均方根值、峰值和小波熵等特征来表征轴承的退化状态。

上述方法采用的是人工特征提取，其建模方式复杂并且人工提取很容易被忽略掉部分特征。近年来，深度学习在预测与健康管理领域逐渐火热，朱军等将小波变换和CNN相结合来预测轴承RUL，首先使用小波变换提取时频特征，然后使用多尺度CNN来估计RUL。该方法虽结合深度学习具有不错的预测效果，但相对于设备传感器数据的高维性和复杂性方面仍有不足。

随着决策树集成方法的不断发展，极端梯度增强算法(Extreme GradientBoosting，XGBoost)在许多机器学习难题中取得了不错的效果。而LightGBM是在时间复杂度和预测精度上对XGBoost进行改进，对于设备传感器的高维复杂数据处理具有更加出色的表现。宋海龙等采用基于时间窗口特征衍生模型优化的LightGBM来进行剩余寿命预测(宋海龙,黎明,苟江,赵庆贺.基于LightGBM的航空发动机剩余使用寿命预测[J].现代计算机,2021,27(35):47-52.)。该方法虽具有较高的预测精度，但对于数据特征的深度挖掘不够全面，且LightGBM的超参数难以确定，有待进一步优化和提升。

发明内容

为解决上述技术问题，本发明提出一种旋转机械的RUL预测方法，包括以下步骤：

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。

本发明的有益效果：

本发明将具有较强的数据特征深度提取能力的SE-CNN与具有对高维复杂数据预测效果较好的LightGBM相结合，解决了深度学习方法对高维复杂数据处理能力不足的问题，以及仅使用LightGBM对数据特征挖掘不全面的问题，同时通过ISSA来优化LightGBM的重要超参数，从而有效提升其剩余使用寿命预测的准确率。