[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

说明书

本发明适用于机械设备监控技术领域，提供了一种基于循环神经网络的机器健康监控方法、装置及终端设备，方法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原始特征集进行聚类分析，并根据聚类分析结果在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；在离线监控和在线监控分别使用不同的机器数据训练隐马尔可夫模型进行异常时刻识别，以及训练堆叠双向长短期记忆神经网络模型对目标设备的剩余使用寿命进行预测。通过本发明可以准确捕捉目标设备的异常时刻，并准确地对目标设备的剩余使用寿命进行预测。

技术领域

本发明涉及机械设备监控技术领域，尤其涉及一种基于循环神经网络的机器健康监控方法、装置及终端设备。

背景技术

为了满足现代社会对产品不断增长的需求，工业企业的规模不断扩大，工业设备也越来越复杂。在长期运行过程中，工业设备的可靠性将逐渐下降，而发生故障的可能性也将逐渐增加。工业设备一旦发生故障，可能会造成额外的经济损失，甚至造成人员伤亡，从而导致严重的后果。因此，对工业设备进行运行状况监视对于提高设备运行的可靠性至关重要。

目前所使用的工业设备运行状况监视方式，可以大致分为基于模型的方法和数据驱动的方法两大类。

基于模型的方法使用物理机制或统计知识来描述退化过程，如指数模型，Paris-Erdogan模型和Gamma过程模型等。但是，实际上，即使同一系统处于相同的操作状态，在降级过程中也可能存在重大差异。当涉及到特定情况时，通常需要其他先验知识和经验。因此，这些瓶颈使基于模型的方法不适合大规模应用。

数据驱动的方法使用基于机器学习的算法，可以构造监视数据与机器退化过程之间的映射关系，从而在工作机器上做出决策，而无需专业知识来描述机器退化过程，如支持向量机(SVM)和关联向量机(RVM)。

而近年来，神经网络已被广泛用于机器健康监测，并取得了良好的效果，常用的有深度神经网络(DNN)和深度卷积神经网络(DCNN)。但是，DNN和CNN很难提取异构特征。与其他神经网络结构相比，递归神经网络(RNN)结构可以捕获退化过程的长期依赖性并为顺序数据建模。

如果使用RNN和健康指标的预测方法，处理长期时间序列信息，来跟踪数据的长期趋势，再使用长短时记忆网络(LSTM)来进行RUL预测，得到机器异常点，其中，在机器异常点，数据状态将从稳定期变为不健康阶段，可见准确的异常点将提高RUL的精度。但是，这存在两个缺陷：(1)机器异常点被忽略或主观确定；(2)大多数基于RNN的方法采用相对浅且向前的方向结构，无法获得高级表示并无法捕获向后依赖性。

发明内容

本发明的主要目的在于提出一种基于循环神经网络的机器健康监控方法、装置及终端设备，以解决现有技术中机器异常点捕捉不准确的问题。

为实现上述目的，本发明实施例第一方面提供一种基于循环神经网络的机器健康监控方法，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；