CN109145373B - 基于改进esgp与预测区间的剩余寿命预测方法及装置 - Google Patents

基于改进esgp与预测区间的剩余寿命预测方法及装置 Download PDF

Info

Publication number
CN109145373B
CN109145373B CN201810785197.2A CN201810785197A CN109145373B CN 109145373 B CN109145373 B CN 109145373B CN 201810785197 A CN201810785197 A CN 201810785197A CN 109145373 B CN109145373 B CN 109145373B
Authority
CN
China
Prior art keywords
prediction
service life
gaussian process
model
residual service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810785197.2A
Other languages
English (en)
Other versions
CN109145373A (zh
Inventor
张林鍹
刘重党
廖源
姚荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810785197.2A priority Critical patent/CN109145373B/zh
Publication of CN109145373A publication Critical patent/CN109145373A/zh
Application granted granted Critical
Publication of CN109145373B publication Critical patent/CN109145373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于改进ESGP与预测区间的剩余寿命预测方法及装置，其中，方法包括：采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征；根据趋势特征通过基于岭回归的回声状态网络对待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；将初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对剩余使用寿命进一步预测，以获取带有预测区间且更准确的预测结果。该方法基于多传感器采集的系统运行数据对剩余使用寿命进行高质量预测，在考虑预测不确定性的情况下为后续维护提供更加可靠的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。

Description

基于改进ESGP与预测区间的剩余寿命预测方法及装置
技术领域
本发明涉及故障预测技术领域，特别涉及一种基于改进ESGP(Echo StateGaussian Processes，回声状态高斯过程)与预测区间的剩余使用寿命预测方法及装置。
背景技术
目前，随着工业4.0与智能制造的发展，预测性维护(Predictive Maintenance)技术在提升设备的维护质量，减少维护成本，降低设备运行风险等方面具有重要意义。预测性维护是PHM(Prognostics and Health Management，故障预测与健康管理)系统的重要目标，实现预测性维护的核心内容之一是对设备的RUL(Remaining Useful Life，剩余使用寿命)进行预测。可靠的剩余使用寿命预测可以为设备维护的决策提供有意义的信息，从而避免系统的严重故障。
相关技术中，故障预测方法主要分为三类：基于模型、数据驱动、模型与数据驱动相结合的方法。随着传感器、存储等技术的发展，大数据背景下基于数据驱动的故障预测方法备受关注。现有的基于数据驱动的故障预测方法主要分为基于统计模型与基于机器学习两大类，旨在从大量数据中学习趋势特征，进而发掘出系统在运行过程中的行为表现。常见的方法有人工神经网络、支持向量回归、回声状态网络(Echo state network)等，此外还有一些最近流行的深度学习方法，如LSTM(Long Short-Term Memory，长短期记忆网络)、DBN(deep belief networks，深度信念网络)等。
然而，相关技术中大部分基于数据驱动的故障预测方法仅限于对RUL进行点预测，而未能考虑预测不确定性，因此得到的RUL预测结果信息单一且可靠性较低，无法有力支持后续健康管理或预测性维护的决策活动。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种基于改进ESGP与预测区间的剩余寿命预测方法，该方法可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
本发明的另一个目的在于提出一种基于改进ESGP与预测区间的剩余寿命预测装置。
为达到上述目的，本发明一方面实施例提出了一种基于改进ESGP与预测区间的剩余寿命预测方法，包括以下步骤：采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果。
本发明的实施例基于改进ESGP与预测区间的剩余寿命预测方法，基于多传感器采集的系统运行数据进行剩余使用寿命预测，可应用于复杂设备的健康管理系统，帮助设备在运行过程中进行智能维护，主要对设备或设备关键结构件的剩余使用寿命进行预测，可在不需要大规模数据的条件下考虑预测不确定性，提供可靠的带预测区间的RUL预测，为设备预测性维护提供有价值的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
另外，根据本发明上述实施例的基于改进ESGP与预测区间的剩余寿命预测方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述根据所述运行数据提取所述待测设备的趋势特征，进一步包括：获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征；对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。
进一步地，在本发明的一个实施例中，还包括：建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与所述高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练。
进一步地，在本发明的一个实施例中，还包括：在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数；在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法确定高斯过程回归模型的超参数；在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯模型进行测试，以得到剩余使用寿命预测值的均值与方差；将所述剩余使用寿命预测值的均值作为点预测结果，将所述剩余使用寿命预测值的方差用于构造所述预测区间。
进一步地，在本发明的一个实施例中，其中，点预测效果的度量用均方误差及分值函数表示，公式为：
Figure BDA0001733560540000031
Figure BDA0001733560540000032
其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。
为达到上述目的，本发明另一方面实施例提出了一种基于改进ESGP与预测区间的剩余寿命预测装置，包括：采集模块，用于采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；初步预测模块，用于根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；最终预测模块，用于将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果。
本发明实施例的基于改进ESGP与预测区间的剩余寿命预测装置，基于改进ESGP与预测区间的剩余寿命预测方法，基于多传感器采集的系统运行数据进行剩余使用寿命预测，可应用于复杂设备的健康管理系统中，帮助设备在运行过程中的智能维护，主要对设备或设备关键结构件的剩余使用寿命进行预测，可在不需要大规模数据的条件下考虑预测不确定性，提供可靠的带预测区间的RUL预测，为设备预测性维护提供有价值的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
另外，根据本发明上述实施例的基于改进ESGP与预测区间的剩余寿命预测装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述采集模块进一步用于获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征，并对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。
进一步地，在本发明的一个实施例中，还包括：建模模块，用于建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；获取模块，用于通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；训练模块，用于将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与所述高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练。
进一步地，在本发明的一个实施例中，还包括：计算模块，用于在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数，并在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法进行确定高斯过程回归模型的超参数，并在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯模型进行测试，以得到剩余使用寿命预测值和岭回归的均值与方差，且将所述剩余使用寿命预测值的均值作为点预测结果，将所述剩余使用寿命预测值的方差用于构造所述预测区间。
进一步地，在本发明的一个实施例中，其中，点预测效果的度量用均方误差及分值函数表示，公式为：
Figure BDA0001733560540000041
Figure BDA0001733560540000042
其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的基于改进ESGP与预测区间的剩余寿命预测方法的流程图；
图2为根据本发明一个实施例的基于改进ESGP对涡轮发动机剩余使用寿命预测的流程图；
图3为根据本发明一个实施例的改进ESGP方法的框架图；
图4为根据本发明一个实施例的改进ESGP模型训练中使用的带权重的交叉验证方法图；
图5为根据本发明一个实施例的基于改进ESGP方法对100个涡轮发动机的剩余使用寿命进行预测的结果图；
图6为根据本发明另一个实施例的基于改进ESGP方法对100个涡轮发动机的剩余使用寿命进行预测的结果图；
图7为根据本发明一个实施例的基于改进ESGP与预测区间的剩余寿命预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于改进ESGP与预测区间的剩余寿命预测方法及装置，首先将参照附图描述根据本发明实施例提出的基于改进ESGP与预测区间的剩余寿命预测方法。
图1是本发明一个实施例的基于改进ESGP与预测区间的剩余寿命预测方法的流程图。
如图1所示，该基于改进ESGP与预测区间的剩余寿命预测方法包括以下步骤：
在步骤S101中，采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征。
在本发明的一个实施例中，根据运行数据提取待测设备的趋势特征，进一步包括：获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征；对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到待测设备的趋势特征。
具体而言，如图2所示，本发明实施例首先进行特征选择与提取。(1)特征选择：基于多个传感器采集的所表示的多维特征数据，利用方差与相关系数等统计指标对数据特征进行选择，设置具体阈值，对于方差过小与相关系数过大的特征进行剔除，以减少冗余特征，减少计算量。(2)特征提取：对于每一维原始特征提取趋势特征，设置时间窗口的长度为L，对于每个给定的时间窗取平均值与差分值作为提取的特征。可以一定程度上减少噪声，且数据量的减少有助于提高该方法的计算效率。
在步骤S102中，根据趋势特征通过基于岭回归的回声状态网络对待测设备的剩余使用寿命进行初步预测，以得到初步预测结果。
可以理解的是，本发明实施例为提高RUL预测的准确性，对ESGP进行改进，利用基于岭回归的回声状态网络(ESN)对RUL进行初步的预测。
在步骤S103中，将初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对剩余使用寿命进一步预测，以获取带有预测区间的预测结果。
可以理解的是，本发明实施例将该预测结果作为高斯过程(GP)的先验知识进而得到更加精确的带有预测区间的RUL预测结果。也就是说，这里高斯过程的使用可以获得带有预测区间的RUL预测，而先验知识的引入可以提高预测的准确性。
进一步地，在本发明的一个实施例中，建立回声状态高斯过程的数学模型，并且利用趋势特征作为模型输入，剩余使用寿命作为模型输出，根据回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；通过数学模型和输出权值矩阵对剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；将模型输入和更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练。
举例而言，本发明实施例以涡轮发动机的RUL预测作为具体应用进行描述。如图2和图3所示，具体包括：
(1)ESN训练阶段：建立ESGP关于涡轮发动机的数学模型，利用选择与提取的特征作为模型输入u(t)，真实的RUL作为模型输出ytarget(t)，根据ESN的更新方程和岭回归原理求得输出权值矩阵Wout.此外保留迭代更新的储备池状态h(t)。
(2)ESN测试阶段：将涡轮发动机的测试数据集作为输入，结合训练阶段的数学模型及输出权值矩阵，对其剩余使用寿命进行预测，得到初步的RUL预测值并保存。
进一步地，在本发明的一个实施例中，本发明实施例的方法还包括：在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数；在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法进行确定高斯过程回归模型的超参数；在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯模型进行测试，以得到剩余使用寿命预测值的均值与方差；将剩余使用寿命预测值的均值作为点预测结果，将剩余使用寿命预测值的方差用于构造预测区间。
具体而言，如图2和图3所示，具体包括：
(1)均值函数与方差函数选取：训练前需要确定GP的均值函数与方差函数，本发明实施例的方法选择常数函数作为均值函数，选择常用的平方指数(SE)函数作为方差函数，即：
Figure BDA0001733560540000061
(2)超参数的确定：改进ESGP模型中的超参数主要包括两部分，即ESN的结构参数与GP部分的模型参数，如噪声信号的方差。前者主要引入带权重的交叉验证方法进行确定，后者主要根据最大似然原理并通过共轭梯度下降方法进行确定。由于RUL预测是基于时间序列的预测，在进行交叉验证时将时间跨度较远的数据集赋予较低权重，将时间跨度较近的数据集赋予较高权重，使得交叉验证的效果得到提升，如图4所示。
(3)改进ESGP的测试：测试阶段将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的GP模型进行测试，得到涡轮发动机的剩余使用寿命预测值，及RUL的均值与方差。
进一步地，在本发明的一个实施例中，其中，点预测效果的度量用均方误差及分值函数表示，公式为：
Figure BDA0001733560540000071
Figure BDA0001733560540000072
其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。
具体而言，预测结果的度量：RUL预测结果的均值可直接作为RUL的点预测，而方差可用于构造预测区间。点预测效果的度量可用均方误差(MSE)及分值函数S来表示，即：
Figure BDA0001733560540000073
Figure BDA0001733560540000074
其中RULi、RULtrue分别是RUL的预测值与真实值，di是误差项且有di＝RULi-RULtrue。
另一方面，给定置信度为95％，利用方差信息构造预测区间，用预测区间覆盖率PICP和标准平均区间宽度NMPIW来评估预测区间的质量，即：
Figure BDA0001733560540000075
Figure BDA0001733560540000076
其中n为样本数量，I(·)表示指示函数，当
Figure BDA0001733560540000081
(即RUL的真实值在上下界构成的区间内)I(·)＝1，否则I(·)＝0.且Ω＝RULmax-RULmin
另外，如图5所示，基于改进ESGP方法对100个涡轮发动机，(单故障模式，运行条件不变情况下)的剩余使用寿命进行预测的结果图；其中具体的度量指标有Score＝314，MSE＝211，PICP＝1，NMPIW＝0.565。如图6所示，基于改进ESGP方法对100个涡轮发动机(多故障模式，运行条件不变情况下)的剩余使用寿命进行预测的结果图；其中具体的度量指标有Score＝322，MSE＝210，PICP＝0.93，NMPIW＝0.399。
综上，传统技术大部分只考虑了RUL的点预测，没有考虑预测不确定性，对实际设备维护的意义有限。且几个专利中解决的问题都是单故障模式、运行条件不变情况下的RUL预测。而本发明实施例主要利用回声状态高斯过程对剩余使用寿命进行预测，同时给出RUL的预测区间以量化预测的不确定性，并且具有两个优势：1)提供带有预测区间的RUL预测，更具实用价值；2)还可在多故障模式或运行条件时变的情况下对RUL进行有效预测。
根据本发明实施例提出的基于改进ESGP与预测区间的剩余寿命预测方法，基于多传感器采集的系统运行数据进行剩余使用寿命预测，可应用于复杂设备的健康管理系统，帮助设备在运行过程中的智能维护，主要对设备或设备关键结构件的剩余使用寿命进行预测，可在不需要大规模数据的条件下考虑预测不确定性，提供可靠的带预测区间的RUL预测，为设备预测性维护提供有价值的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
其次参照附图描述根据本发明实施例提出的基于改进ESGP与预测区间的剩余寿命预测装置。
图7是本发明一个实施例的基于改进ESGP与预测区间的剩余寿命预测装置的结构示意图。
如图7所示，该基于改进ESGP与预测区间的剩余寿命预测装置10包括：采集模块100、初步预测模块200和最终预测模块300。
其中，采集模块100用于采集待测设备的运行数据，并根据运行数据提取待测设备的趋势特征。初步预测模块200用于根据趋势特征通过基于岭回归的回声状态网络对待测设备的剩余使用寿命进行初步预测，以得到初步预测结果。最终预测模块300用于将初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对剩余使用寿命进一步预测，以获取带有预测区间的预测结果。本发明实施例的装置10基于多传感器采集的系统运行数据进行剩余使用寿命预测，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
进一步地，在本发明的一个实施例中，采集模块100进一步用于获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征，并对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到待测设备的趋势特征。
进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：建模模块、获取模块和训练模块。
其中，建模模块，用于建立回声状态高斯过程的数学模型，并且利用趋势特征作为模型输入，剩余使用寿命作为模型输出，根据回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；获取模块，用于通过数学模型和输出权值矩阵对剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；训练模块，用于将模型输入和更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练。
进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：计算模块。其中，计算模块，用于在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数，并在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法进行确定高斯过程回归模型的超参数，并在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯模型进行测试，以得到剩余使用寿命预测值和岭回归的均值与方差，且将剩余使用寿命预测值的均值作为点预测结果，将剩余使用寿命预测值的方差用于构造预测区间。
进一步地，在本发明的一个实施例中，其中，点预测效果的度量用均方误差及分值函数表示，公式为：
Figure BDA0001733560540000091
Figure BDA0001733560540000092
其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。
需要说明的是，前述对基于改进ESGP与预测区间的剩余寿命预测方法实施例的解释说明也适用于该实施例的基于改进ESGP与预测区间的剩余寿命预测装置，此处不再赘述。
根据本发明实施例提出的基于改进ESGP与预测区间的剩余寿命预测装置，基于改进ESGP与预测区间的剩余寿命预测方法，基于多传感器采集的系统运行数据进行剩余使用寿命预测，可应用于复杂设备的健康管理系统中，帮助设备在运行过程中的智能维护，主要对设备或设备关键结构件的剩余使用寿命进行预测，可在不需要大规模数据的条件下考虑预测不确定性，提供可靠的带预测区间的RUL预测，为设备预测性维护提供有价值的信息，从而可以有效减少设备的停机时间与维护成本，提高设备运行效率与安全性，具有工业应用价值，简单易实现。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，包括以下步骤：
采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；
根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；以及
将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果；
建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与所述高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练；
在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数；在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法进行确定高斯过程回归模型的超参数；在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯过程模型进行测试，以得到剩余使用寿命预测值的均值与方差；将所述剩余使用寿命预测值的均值作为点预测结果，将所述剩余使用寿命预测值的方差用于构造所述预测区间；其中，点预测效果的度量用均方误差及分值函数表示，公式为：
Figure FDA0002491391230000011
Figure FDA0002491391230000012
其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。
2.根据权利要求1所述的基于改进ESGP与预测区间的剩余寿命预测方法，其特征在于，根据所述运行数据提取所述待测设备的趋势特征，进一步包括：
获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征；
对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。
3.一种基于改进ESGP与预测区间的剩余寿命预测装置，其特征在于，包括：
采集模块，用于采集待测设备的运行数据，并根据所述运行数据提取所述待测设备的趋势特征；
初步预测模块，用于根据所述趋势特征通过基于岭回归的回声状态网络对所述待测设备的剩余使用寿命进行初步预测，以得到初步预测结果；
最终预测模块，用于将所述初步预测结果作为高斯过程的先验知识，并通过回声状态高斯过程对所述剩余使用寿命进一步预测，以获取带有预测区间的预测结果；
建模模块，用于建立所述回声状态高斯过程的数学模型，并且利用所述趋势特征作为模型输入，剩余使用寿命作为模型输出，根据所述回声状态网络的更新方程和岭回归原理求得输出权值矩阵，保留迭代更新的储备池状态；
获取模块，用于通过所述数学模型和所述输出权值矩阵对所述剩余使用寿命进行预测，获取剩余使用寿命的初步预测值；
训练模块，用于将所述模型输入和所述更新的储备池状态合并，以作为高斯过程回归模型的输入，比较剩余使用寿命的真值与所述高斯过程回归模型的预测值，计算预测误差以对改进的回声状态高斯过程模型进行训练
计算模块，用于在训练前，选择常数函数作为均值函数，选择平方指数函数作为方差函数，并在训练阶段，引入带权重的交叉验证方法确定回声状态网络部分的结构参数，根据最大似然原理并通过共轭梯度下降方法进行确定高斯过程回归模型的超参数，并在测试阶段，将训练数据与测试数据同时作为输入，似然函数选择为高斯似然，推断方式选择为高斯推断，基于前面训练好的高斯过程模型进行测试，以得到剩余使用寿命预测值和岭回归的均值与方差，且将所述剩余使用寿命预测值的均值作为点预测结果，将所述剩余使用寿命预测值的方差用于构造所述预测区间；其中，点预测效果的度量用均方误差及分值函数表示，公式为：
Figure FDA0002491391230000021
Figure FDA0002491391230000022
其中，RULi、RULtrue分别是RUL的预测值与真实值，di是误差项，N为样本数量。
4.根据权利要求3所述的基于改进ESGP与预测区间的剩余寿命预测装置，其特征在于，所述采集模块进一步用于获取多个传感器采集的所表示的多维原始特征数据，并根据统计指标进行特征选择以剔除冗余特征，并对每一维选择的特征进行特征提取，设置时间窗口的长度为预设值，将每个时间窗取平均值与差分值作为提取的特征，以得到所述待测设备的趋势特征。
CN201810785197.2A 2018-07-17 2018-07-17 基于改进esgp与预测区间的剩余寿命预测方法及装置 Active CN109145373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810785197.2A CN109145373B (zh) 2018-07-17 2018-07-17 基于改进esgp与预测区间的剩余寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810785197.2A CN109145373B (zh) 2018-07-17 2018-07-17 基于改进esgp与预测区间的剩余寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN109145373A CN109145373A (zh) 2019-01-04
CN109145373B true CN109145373B (zh) 2020-10-30

Family

ID=64800877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810785197.2A Active CN109145373B (zh) 2018-07-17 2018-07-17 基于改进esgp与预测区间的剩余寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN109145373B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257215B (zh) * 2019-07-02 2023-07-18 中车株洲电力机车研究所有限公司 一种产品寿命分布参数的极大似然估计求解方法及系统
CN111257827B (zh) * 2020-01-16 2023-07-14 玉林师范学院 一种高精度的非视距追踪定位方法
CN113723016A (zh) * 2021-11-01 2021-11-30 深圳市信润富联数字科技有限公司 冲头剩余寿命预测方法、装置、系统与可读存储介质
CN116738859B (zh) * 2023-06-30 2024-02-02 常州润来科技有限公司 一种铜管在线无损寿命评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246702A (zh) * 2013-04-02 2013-08-14 大连理工大学 一种基于分段形态表示的工业序列数据缺失的填补方法
CN103954914A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命直接预测方法
CN106203481A (zh) * 2016-06-30 2016-12-07 中国人民解放军军械工程学院 基于混合核rvm的电子装备状态预测方法
JP2017083325A (ja) * 2015-10-29 2017-05-18 新日鐵住金株式会社 金属材料の余寿命予測方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246702A (zh) * 2013-04-02 2013-08-14 大连理工大学 一种基于分段形态表示的工业序列数据缺失的填补方法
CN103954914A (zh) * 2014-05-16 2014-07-30 哈尔滨工业大学 基于概率集成的锂离子电池剩余寿命直接预测方法
JP2017083325A (ja) * 2015-10-29 2017-05-18 新日鐵住金株式会社 金属材料の余寿命予測方法
CN106203481A (zh) * 2016-06-30 2016-12-07 中国人民解放军军械工程学院 基于混合核rvm的电子装备状态预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《A Gaussian Process Echo State Networks Model for Time Series Forecasting》;Y. Liu等;《2013 Joint IFSA World Congress and NAFIPS Annual Meeting》;20131231;正文第643-648页 *
《动力电池SOH估计及故障预测方法研究》;卢明哲;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160315;全文 *
《基于回声状态网络的非线性时间序列预测方法研究》;赵露莎;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415(第04期);正文第8-28页 *
《锉离子电池健康评估和寿命预测综述》;刘大同等;《仪器仪表学报》;20150131;第36卷(第1期);全文 *

Also Published As

Publication number Publication date
CN109145373A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109145373B (zh) 基于改进esgp与预测区间的剩余寿命预测方法及装置
WO2021042935A1 (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN116391131A (zh) 一种电池温度预测方法及系统
CN112785091B (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN111612029B (zh) 机载电子产品故障预测方法
CN114357594B (zh) 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质
CN112434390B (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN107133400A (zh) 一种飞机结构疲劳可靠度贝叶斯组合预测方法
CN106228026A (zh) 一种基于最优退化特征量的剩余寿命预测算法
CN111783242B (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN111523727B (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN114462259A (zh) 基于soc的电池剩余寿命预测方法、系统、汽车及介质
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及系统
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
CN116540098A (zh) 电池残值评估方法、装置、设备及可读存储介质
CN114742122A (zh) 设备故障诊断方法、装置、电子设备以及存储介质
CN117312972A (zh) 一种刮板输送机减速器健康状态识别方法
CN113203953A (zh) 基于改进型极限学习机的锂电池剩余使用寿命预测方法
CN114720129B (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及系统
CN115292820A (zh) 一种城轨列车轴承剩余使用寿命的预测方法
Wang et al. Similarity-based echo state network for remaining useful life prediction
CN113627621B (zh) 一种面向光网络传输质量回归估计的主动学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant