[发明专利]基于循环神经网络的机器健康监控方法、装置及终端设备

权利要求书

1.一种基于循环神经网络的机器健康监控方法，其特征在于，包括：

基于目标设备的离线机器数据提取多域特征生成原始特征集；

通过层次聚类算法对所述原始特征集进行聚类分析，并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集；

离线监控时，通过离线机器数据无监督训练隐马尔可夫模型获得模型参数，获得离线隐马尔可夫模型；

利用所述离线隐马尔可夫模型的输出构建预测输入数据，并根据所述待训练特征子集和所述预测输入数据训练堆叠双向长短期记忆神经网络模型，以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测；

在线监控时，通过实时机器数据的前期历史数据，无监督训练隐马尔可夫模型获得模型参数，获得在线隐马尔可夫模型；

通过所述在线隐马尔可夫模型持续对所述实时机器数据进行分析，分析当前时刻的实时机器数据是否异常，若当前时刻的实时机器数据异常，则将当前时刻记录为异常时刻，同时获取异常时刻的特征输入，并将所述特征输入输入到离线监控时获取的训练后的堆叠双向长短期记忆神经网络模型中，以使训练后的堆叠双向长短期记忆神经网络模型对所述目标设备的剩余使用寿命进行预测。

2.如权利要求1所述的基于循环神经网络的机器健康监控方法，其特征在于，所述基于目标设备的离线机器数据提取多域特征生成原始特征集，包括：

根据所述目标设备的运行周期，对所述离线机器数据进行采样，获得监控信号；

基于t时刻采样获得的监控信号提取多域特征，生成基于t时刻的特征集，根据基于所有时刻的特征集获得基于运行周期的特征集，所述基于运行周期的特征集为所述原始特征集；

其中，t为所述运行周期中的任一时刻。

3.如权利要求1或2所述的基于循环神经网络的机器健康监控方法，其特征在于，所述多域特征包括时域特征，频域特征和时频域特征；

所述时域特征包括t时刻采样获得的监控信号的最大值，最小值，峰值，整流平均值，方差，标准差，峰度，偏度，均方根，形状因数，峰值因子,脉冲因子，裕度因子，峭度因子中的至少一种；

所述频域特征包括t时刻采样获得的监控信号的平均值，方差，均方根，中位数，重心频率，均方频域，均方根频率，频域方差，频域标准差中的至少一种；

所述时频域特征包括t时刻采样获得的监控信号的十六个能量带。

4.如权利要求1所述的基于循环神经网络的机器健康监控方法，其特征在于，通过层次聚类算法对所述原始特征集进行聚类分析，并根据聚类分析结果在所述原始特征集中选择满足预设距离范围的特征作为待训练特征子集之前，包括：

将基于t时刻的特征集用向量表示，公式为：

x_t＝{x₁^t,x^t₂,…,x^t_M}∈R^1×M；

其中，M表示特征集中的特征数量；

将基于运行周期的特征集用向量表示，公式为；

其中，N代表采样的周期数。

5.如权利要求1所述的基于循环神经网络的机器健康监控方法，其特征在于，利用所述离线隐马尔可夫模型的输出构建预测输入数据，包括：

将所述离线隐马尔可夫模型的输出用最佳隐藏状态序列表示；

所述最佳隐藏状态序列中，0表示目标设备处于稳定期，1表示目标设备处于不健康状态

根据所述最佳隐藏状态序列获取异常时刻，并构建预测输入数据，公式为：

其中，t_p为待预测的时刻点，t_d为异常时刻，t_a为目标设备的全部寿命。