CN110377984A - 一种工业设备剩余有效寿命预测方法、系统及电子设备 - Google Patents

一种工业设备剩余有效寿命预测方法、系统及电子设备 Download PDF

Info

Publication number
CN110377984A
CN110377984A CN201910588139.5A CN201910588139A CN110377984A CN 110377984 A CN110377984 A CN 110377984A CN 201910588139 A CN201910588139 A CN 201910588139A CN 110377984 A CN110377984 A CN 110377984A
Authority
CN
China
Prior art keywords
vibration signal
signal data
data
scaled
useful life
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.)
Granted
Application number
CN201910588139.5A
Other languages
English (en)
Other versions
CN110377984B (zh
Inventor
阳文斯
么庆丰
叶可江
须成忠
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910588139.5A priority Critical patent/CN110377984B/zh
Publication of CN110377984A publication Critical patent/CN110377984A/zh
Priority to PCT/CN2019/130600 priority patent/WO2021000556A1/zh
Application granted granted Critical
Publication of CN110377984B publication Critical patent/CN110377984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及一种工业设备剩余有效寿命预测方法、系统及电子设备。包括：步骤a：对设备的原始振动信号数据进行归一化处理；步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；步骤c：根据提取的数据特征构建时序卷积网络；步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。本申请通过经验模型分解提取并丰富原始信号的数据特征再用时序卷积神经网络训练预测得到剩余有效使用寿命预测模型，可以大大提高工业设备剩余寿命的预测速度和预测精度，在实际制造的过程中具有可实现性。

Description

一种工业设备剩余有效寿命预测方法、系统及电子设备
技术领域
本申请领属于设备故障预测技术域，特别涉及一种工业设备剩余有效寿命预测方法、系统及电子设备。
背景技术
工业生产过程中，设备的老化过程是不可避免的。为了保持竞争力，工业生产企业必须让其生产设备长期保持良好的工况，需要在减少设备维护费用的前提下提高设备的可用性、稳定性和安全性，而设备故障预测则成为其关键环节。准确的设备故障预测能够提前为设备维护人员提供设备安全预警，维护人员依据预警提前确定设备维护时间、减少由于设备故障产生的废品率、缩短维护周期，进而极大的减少企业的损失，具有极大的社会和经济效益。为此，工业生产企业需要采取适当的设备维护策略来满足这一需求。近年来，众多故障预测方法、工具以及应用涌现出来。
现有的故障预测方法主要包括基于模型的方法和数据驱动的方法：
1、基于模型的预测方法：主要根据经验知识和收集的数据建立数学模型来预测工业设备的剩余有效寿命，这类方法的评估和预测结果一般比较直观、准确，但是需要提前知道设备的退化信息和故障机理。
2、数据驱动的方法：旨在将设备的检测和运行数据转换成与设备退化有关的信息、系统运行状态及其退化机制模型。这类方法基本步骤为特征提取，特征选择，退化状态评估和剩余有效寿命预测，运用人工智能方法以及统计方法等技术从采集传感器信号中提取有效的数据特征，然后学习设备的退化模式并预测设备的有效剩余寿命(RUL)。数据驱动方法可以应用于一些获取并处理检测数据易于构建物理和分析模型的场景。
综上所述，现有故障预测方法存在的问题在于：
1、基于模型的预测方法依赖于分析模型(代数或微分方程)来代表工业设备运转状态及其老化过程。这类方法虽能能够提供比较准确的结果，但真实的设备系统通常是非线性的，设备的老化机制通常是随机的且很难以分析模型的形式得到，在实际工况中，很难建立一种模型能够适应复杂的环境噪声和退化机理。
2、现有数据驱动的方法中，有用支持向量机(SVM)建模预测工业设备的剩余有效使用寿命，但是对于大规模的训练数据以及多分类的问题中，SVM耗费大量的运行内存和运算时间，导致预测的精度较低而且速度较慢。另外也有用卷积神经网络(CNN)建模分析用以对剩余有效寿命的预测，但是从工业设备收集的原始振动信号数据从本质上来看是一种时序运行状态数据，卷积神经网络(CNN)无法很好的解决时间序列预测，导致预测精度不高，另一方面，若直接将原始信号应用于卷积神经网络(CNN)，模型是比较难以收敛，且预测速度较慢。
发明内容
本申请提供了一种工业设备剩余有效寿命预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种工业设备剩余有效寿命预测方法，包括以下步骤：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述归一化公式为：
Xstd＝X-Xmin/Xmax-Xmin
Xscaled＝Xstd*(Xmax-Xmin)+Xmin
上述公式中，X为原始振动信号数据，Xscaled为归一化处理后的振动信号数据，Xstd、Xmin、Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据Xscaled＝[x(1),x(2),...,x(N)]。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充具体包括：
步骤b1：找出振动信号数据Xscaled的所有极大值点，并用三次样条插值函数拟合所有的极大值点，形成振动信号数据Xscaled的上包络线；找出振动信号数据Xscaled的所有极小值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xscaled的下包络线；
步骤b2：根据上包络线和下包络线计算包络线均值x’，记作x’＝[a1，a2,…，a(N)]，将振动信号数据Xscaled减去该包络线均值x’，得到一个新的信号序列x1；
步骤b3：判断信号序列x1是否是本征模函数，如果x1不是本征模函数，重新执行步骤b1对振动信号数据进行重新分解；如果x1是本征模函数，执行步骤b4；
步骤b4：将所述信号序列x1表示为c＝[c(1),c(2),…,c(N)]，将归一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并重新执行步骤b1至步骤b3，对新的信号继续往下分解，直到经过多次分解之后的xi是单调的，则经验模态分解结束，剩下的xi称之为余项；对于分解得到的若干个本征模函数信号序列或者余项，经过计算得到每个时间片的分量的能量，所述能量表达式为：
上述公式中，N表示耽搁时间片内的信号长度；c(i)表示某本征模函数内第i个数据点的信号幅值。
本申请实施例采取的技术方案还包括：在所述步骤b3中，所述判断信号序列x1是否是本征模函数的判断方式为：本征模函数必须满足两个必要条件：一是函数在整个时间范围内局部极值点和过零点的数目必须相等，或最多差一个；二是在任意时刻点，局部最大值的上包络线和局部最小值的下包络线的平均值必须为0或者接近0。
本申请实施例采取的技术方案还包括：在所述步骤d中，所述使用时序卷积网络输出设备的剩余有效寿命预测结果具体为：所述时序卷积网络是用一维因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射封装为一个包含RELU函数的残差模块，由残差模块堆叠起深度的时序卷积网络，并在最后使用全卷积代替全连接层，使输出与输入维度一致，实现端到端的预测。
本申请实施例采取的另一技术方案为：一种工业设备剩余有效寿命预测系统，包括：
数据处理模块：用于对设备的原始振动信号数据进行归一化处理；
特征提取模块：用于使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
模型构建模块：用于根据提取的数据特征构建时序卷积网络；
结果输出模块：用于使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
本申请实施例采取的技术方案还包括：所述归一化公式为：
Xstd＝X-Xmin/Xmax-Xmin
Xscaled＝Xstd*(Xmax-Xmin)+Xmin
上述公式中，X为原始振动信号数据，Xscaled为归一化处理后的振动信号数据，Xstd、Xmin、Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据Xscaled＝[x(1),x(2),...,x(N)]。
本申请实施例采取的技术方案还包括：所述特征提取模块使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充具体：找出振动信号数据Xscaled的所有极大值点，并用三次样条插值函数拟合所有的极大值点，形成振动信号数据Xscaled的上包络线；找出振动信号数据Xscaled的所有极小值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xscaled的下包络线；根据上包络线和下包络线计算包络线均值x’，记作x’＝[a1，a2,…，a(N)]，将振动信号数据Xscaled减去该包络线均值x’，得到一个新的信号序列x1；判断信号序列x1是否是本征模函数，如果x1不是本征模函数，重新对振动信号数据进行重新分解；如果x1是本征模函数，将所述信号序列x1表示为c＝[c(1),c(2),…,c(N)]，将归一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并对新的信号继续往下分解，直到经过多次分解之后的xi是单调的，则经验模态分解结束，剩下的xi称之为余项；对于分解得到的若干个本征模函数信号序列或者余项，经过计算得到每个时间片的分量的能量，所述能量表达式为：
上述公式中，N表示耽搁时间片内的信号长度；c(i)表示某本征模函数内第i个数据点的信号幅值。
本申请实施例采取的技术方案还包括：所述判断信号序列x1是否是本征模函数的判断方式为：本征模函数必须满足两个必要条件：一是函数在整个时间范围内局部极值点和过零点的数目必须相等，或最多差一个；二是在任意时刻点，局部最大值的上包络线和局部最小值的下包络线的平均值必须为0或者接近0。
本申请实施例采取的技术方案还包括：所述时序卷积网络是用一维因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射封装为一个包含RELU函数的残差模块，由残差模块堆叠起深度的时序卷积网络，并在最后使用全卷积代替全连接层，使输出与输入维度一致，实现端到端的预测。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的工业设备剩余有效寿命预测方法的以下操作：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的工业设备剩余有效寿命预测方法、系统及电子设备通过经验模型分解提取并丰富原始信号的数据特征再用时序卷积神经网络训练预测得到剩余有效使用寿命预测模型。时序卷积网络的应用将工业设备原始信号的时序特点进行考虑并加以利用，使训练好的模型对数据特征的学习更加精确和具有代表性，具有更好的泛化能力，并大大提高工业设备剩余寿命的预测速度和预测精度，在实际制造的过程中具有可实现性。
附图说明
图1是本申请实施例的工业设备剩余有效寿命预测方法的流程图；
图2为时序卷积网络的结构元素图；
图3是本申请实施例的工业设备剩余有效寿命预测系统的结构示意图；
图4为验证结果示意图；
图5是本申请实施例提供的工业设备剩余有效寿命预测方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
请参阅图1，是本申请实施例的工业设备剩余有效寿命预测方法的流程图。本申请实施例的工业设备剩余有效寿命预测方法包括以下步骤：
步骤100：采集设备的原始振动信号数据；
步骤200：对原始振动信号数据进行归一化处理，得到样本数据集，并将样本数据集分为训练集和测试集；
步骤200中，由于不同数据的规格单位不同，因此需要对原始振动信号数据进行MinMax归一化处理，归一化公式如下：
Xstd＝X-Xmin/Xmax-Xmin (1)
Xscaled＝Xstd*(Xmax-Xmin)+Xmin (2)
公式(1)、(2)中，X为原始振动信号数据，Xscaled为归一化处理后的振动信号数据，Xstd、Xmin、Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据Xscaled＝[x(1),x(2),...,x(N)]。
步骤300：使用经验模态分解(Empirical Mode Decomposition，EMD)方式对训练集数据进行特征扩充后，提取训练集数据的数据特征；
步骤300中，对于振动信号数据为X＝[x(1),x(2),…x(N)]，经过每次EMD分解得到的函数称之为本征模函数(Intrinsic Mode Function，简称IMF)，EMD分解出来的各IMF分量包含了振动信号数据的不同时间尺度的局部特征信号。特征扩充具体过程为：
步骤301：找出振动信号数据Xscaled的所有极大值点，并用三次样条插值函数拟合所有的极大值点，形成振动信号数据Xscaled的上包络线；同样，找出振动信号数据Xscaled的所有极小值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xscaled的下包络线；
步骤302：根据上包络线和下包络线计算包络线均值x’，记作x’＝[a1，a2,…，a(N)]，将振动信号数据Xscaled减去该包络线均值x’，得到一个新的信号序列x1；
步骤303：判定信号序列x1是否是本征模函数，如果x1不是本征模函数，重新执行步骤301对振动信号数据进行重新分解；如果x1是本征模函数，执行步骤304；
步骤303中，本征模函数必须满足两个必要条件：一是函数在整个时间范围内局部极值点和过零点的数目必须相等，或最多差一个；二是在任意时刻点，局部最大值的包络(上包络)和局部最小值的包络(下包络)平均值必须为0或者接近0。
步骤304：将该信号序列表示为c＝[c(1),c(2),…,c(N)]，将归一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并重新执行步骤301至步骤303，对新的信号继续往下分解，直到经过多次分解之后的xi是单调的，则EMD分解结束，剩下的xi称之为余项(Residue,简称RES)。
对于分解得到的若干个本征模函数信号序列IMF或者余项RES，经过计算得到每个时间片的这些分量的能量，并将其对应的能量称之为EMD分解特征。能量表达式如下：
公式(3)中，N表示耽搁时间片内的信号长度；c(i)表示某IMF内第i个数据点的信号幅值。
步骤400：根据提取的数据特征训练时序卷积网络(TCN，Temporal ConvolutionalNetwork，时序卷积网络)，并采用测试集对时序卷积网络进行测试；
步骤500：使用时序卷积网络输出设备的剩余有效寿命预测结果；
步骤500中，时序卷积网络的输入为X＝{x0,...,xT}的时序数据，网络的输出也是一样大小的Y＝{y0,...,yT}的预测；时序预测要求对时刻t的预测yt只能通过t时刻之前的输入x1到xt-1来判别，而与xt+1，…，xT无关。
具体请一并参阅图2，为时序卷积网络的结构元素图。在图2(a)中，TCN卷积操作在一维卷积的基础上进行了扩张卷积操作，层数越深，扩张的幅度越大。首先，通过第一层因果卷积层(相当于扩张因子d＝1的扩张卷积卷积层)对数据集进行卷积，得到卷积特征。滤波器F＝(f1,f2，…,fK),序列X＝{x0,...,xT}，在xt处的因果卷积为：
如图2(b)所示，得到卷积特征后通过权重归一化，RELU非线性函数以及Dropout以实现正则化后得到第一层的卷积特征。然后通过第二次的扩张卷积对第一层的卷积特征进行卷积得到更深层次的卷积特征。扩张卷积运作在xs元素上，滤波器F＝(f1,f2，…,fK),序列X＝{x0,...,xT}，在xs处扩张因子为d的扩张卷积为：
得到更深层次的卷积特征后再次通过权重归一化，RELU非线性函数以及Dropout以实现正则化后得到第二层的卷积特征。如图2(c)所示，时序卷积网络是用一维因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射(identical[identity]mapping)封装为一个残差模块(包含RELU函数)。引入残差卷积的跳跃连接并且为了两层加和时特征图数量，即通道数数量相同，通过1*1的卷积进行元素合并来保证两个张量的形状相同。由残差模块堆叠起深度的时序卷积网络，并在最后使用全卷积代替全连接层，使输出与输入维度一致，实现端到端的预测。
将模型的预测结果和真实的轴承剩余有效寿命ActRULi通过两个度量指标进行计算，第i个测试数据的错误率由等式(3)计算得到：
预测不足和过度预测将以不同的形式进行处理：好的预测性能是模型能够较早的预测出RUL(即：％Eri>0或)，而较差的预测性能则是模型产生了高于实际RUL的预测值(即：％Eri<0或 )。因此RUL的精度分值及最终所有的测试集预测RUL由等式(4)、(5)计算得到：
请参阅图3，是本申请实施例的工业设备剩余有效寿命预测系统的结构示意图。本申请实施例的工业设备剩余有效寿命预测系统包括数据采集模块、数据处理模块、特征提取模块、模型构建模块和结果输出模块。
数据采集模块：用于采集设备的原始振动信号数据；
数据处理模块：用于对原始振动信号数据进行归一化处理，得到样本数据集，并将样本数据集分为训练集和测试集；其中，由于不同数据的规格单位不同，因此需要对原始振动信号数据进行MinMax归一化处理，归一化公式如下：
Xstd＝X-Xmin/Xmax-Xmin (1)
Xscaled＝Xstd*(Xmax-Xmin)+Xmin (2)
公式(1)、(2)中，X为原始振动信号数据，Xscaled为归一化处理后的振动信号数据，Xstd、Xmin、Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据Xscaled＝[x(1),x(2),...,x(N)]。
特征提取模块：用于使用经验模态分解(Empirical Mode Decomposition，EMD)方式对训练集数据进行特征扩充后，提取训练集数据的数据特征；其中，对于振动信号数据为X＝[x(1),x(2),…x(N)]，经过每次EMD分解得到的函数称之为本征模函数(IntrinsicMode Function，简称IMF)，EMD分解出来的各IMF分量包含了振动信号数据的不同时间尺度的局部特征信号。特征扩充具体过程为：
1：找出振动信号数据Xscaled的所有极大值点，并用三次样条插值函数拟合所有的极大值点，形成振动信号数据Xscaled的上包络线；同样，找出振动信号数据Xscaled的所有极小值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xscaled的下包络线；
2：根据上包络线和下包络线计算包络线均值x’，记作x’＝[a1，a2,…，a(N)]，将振动信号数据Xscaled减去该包络线均值x’，得到一个新的信号序列x1；
3：判定信号序列x1是否是本征模函数，如果x1不是本征模函数，重新对振动信号数据进行重新分解；如果x1是本征模函数，将该信号序列表示为c＝[c(1),c(2),…,c(N)]，将归一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并重新执行步骤301至步骤303，对新的信号继续往下分解，直到经过多次分解之后的xi是单调的，则EMD分解结束，剩下的xi称之为余项(Residue,简称RES)。其中，本征模函数必须满足两个必要条件：一是函数在整个时间范围内局部极值点和过零点的数目必须相等，或最多差一个；二是在任意时刻点，局部最大值的包络(上包络)和局部最小值的包络(下包络)平均值必须为0或者接近0。
对于分解得到的若干个本征模函数信号序列IMF或者余项RES，经过计算得到每个时间片的这些分量的能量，并将其对应的能量称之为EMD分解特征。能量表达式如下：
公式(3)中，N表示耽搁时间片内的信号长度；c(i)表示某IMF内第i个数据点的信号幅值。
模型构建模块：用于根据提取的数据特征训练时序卷积网络(TCN，TemporalConvolutional Network，时序卷积网络)，并采用测试集对时序卷积网络进行测试；
结果输出模块：用于使用时序卷积网络输出设备的剩余有效寿命预测结果；其中，时序卷积网络的输入为X＝{x0,...,xT}的时序数据，网络的输出也是一样大小的Y＝{y0,...,yT}的预测；时序预测要求对时刻t的预测yt只能通过t时刻之前的输入x1到xt-1来判别，而与xt+1，…，xT无关。
具体请一并参阅图2，为时序卷积网络的结构元素图。在图2(a)中，TCN卷积操作在一维卷积的基础上进行了扩张卷积操作，层数越深，扩张的幅度越大。首先，通过第一层因果卷积层(相当于扩张因子d＝1的扩张卷积卷积层)对数据集进行卷积，得到卷积特征。滤波器F＝(f1,f2，…,fK),序列X＝{x0,...,xT}，在xt处的因果卷积为：
如图2(b)所示，得到卷积特征后通过权重归一化，RELU非线性函数以及Dropout以实现正则化后得到第一层的卷积特征。然后通过第二次的扩张卷积对第一层的卷积特征进行卷积得到更深层次的卷积特征。扩张卷积运作在xs元素上，滤波器F＝(f1,f2，…,fK),序列X＝{x0,...,xT}，在xs处扩张因子为d的扩张卷积为：
得到更深层次的卷积特征后再次通过权重归一化，RELU非线性函数以及Dropout以实现正则化后得到第二层的卷积特征。如图2(c)所示，时序卷积网络是用一维因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射(identical[identity]mapping)封装为一个残差模块(包含RELU函数)。引入残差卷积的跳跃连接并且为了两层加和时特征图数量，即通道数数量相同，通过1*1的卷积进行元素合并来保证两个张量的形状相同。由残差模块堆叠起深度的时序卷积网络，并在最后使用全卷积代替全连接层，使输出与输入维度一致，实现端到端的预测。
将模型的预测结果和真实的轴承剩余有效寿命ActRULi通过两个度量指标进行计算，第i个测试数据的错误率由等式(3)计算得到：
预测不足和过度预测将以不同的形式进行处理：好的预测性能是模型能够较早的预测出RUL(即：％Eri>0或)，而较差的预测性能则是模型产生了高于实际RUL的预测值(即：％Eri<0或 )。因此RUL的精度分值及最终所有的测试集预测RUL由等式(4)、(5)计算得到：
本申请已在PRONOSTIA实验装置上进行验证。验证结果如图4所示，本申请与CNN和LSTM实验效果相比分别有15％到20％的效果提升，与直接使用时序卷积网络对原始信号处理的结果也有一定的提升。
图5是本申请实施例提供的工业设备剩余有效寿命预测方法的硬件设备结构示意图。如图5所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
本申请实施例的工业设备剩余有效寿命预测方法、系统及电子设备通过经验模型分解提取并丰富原始信号的数据特征再用时序卷积神经网络训练预测得到剩余有效使用寿命预测模型。时序卷积网络的应用将工业设备原始信号的时序特点进行考虑并加以利用，使训练好的模型对数据特征的学习更加精确和具有代表性，具有更好的泛化能力，并大大提高工业设备剩余寿命的预测速度和预测精度，在实际制造的过程中具有可实现性。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种工业设备剩余有效寿命预测方法，其特征在于，包括以下步骤：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
2.根据权利要求1所述的工业设备剩余有效寿命预测方法，其特征在于，在所述步骤a中，所述归一化公式为：
Xstd＝X-Xmin/Xmax-Xmin
Xscaled＝Xstd*(Xmax-Xmin)+Xmin
上述公式中，X为原始振动信号数据，Xscaled为归一化处理后的振动信号数据，Xstd、Xmin、Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据Xscaled＝[x(1)，x(2)，...，x(N)]。
3.根据权利要求2所述的工业设备剩余有效寿命预测方法，其特征在于，在所述步骤b中，所述使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充具体包括：
步骤b1：找出振动信号数据Xscaled的所有极大值点，并用三次样条插值函数拟合所有的极大值点，形成振动信号数据Xscaled的上包络线；找出振动信号数据Xscaled的所有极小值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xscaled的下包络线；
步骤b2：根据上包络线和下包络线计算包络线均值x’，记作x’＝[a1，a2，…，a(N)]，将振动信号数据Xscaled减去该包络线均值x’，得到一个新的信号序列x1；
步骤b3：判断信号序列x1是否是本征模函数，如果x1不是本征模函数，重新执行步骤b1对振动信号数据进行重新分解；如果x1是本征模函数，执行步骤b4；
步骤b4：将所述信号序列x1表示为c＝[c(1)，c(2)，…，c(N)]，将归一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并重新执行步骤b1至步骤b3，对新的信号继续往下分解，直到经过多次分解之后的xi是单调的，则经验模态分解结束，剩下的xi称之为余项；对于分解得到的若干个本征模函数信号序列或者余项，经过计算得到每个时间片的分量的能量，所述能量表达式为：
上述公式中，N表示耽搁时间片内的信号长度；c(i)表示某本征模函数内第i个数据点的信号幅值。
4.根据权利要求3所述的工业设备剩余有效寿命预测方法，其特征在于，在所述步骤b3中，所述判断信号序列x1是否是本征模函数的判断方式为：本征模函数必须满足两个必要条件：一是函数在整个时间范围内局部极值点和过零点的数目必须相等，或最多差一个；二是在任意时刻点，局部最大值的上包络线和局部最小值的下包络线的平均值必须为0或者接近0。
5.根据权利要求1至4任一项所述的工业设备剩余有效寿命预测方法，其特征在于，在所述步骤d中，所述使用时序卷积网络输出设备的剩余有效寿命预测结果具体为：所述时序卷积网络是用一维因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射封装为一个包含RELU函数的残差模块，由残差模块堆叠起深度的时序卷积网络，并在最后使用全卷积代替全连接层，使输出与输入维度一致，实现端到端的预测。
6.一种工业设备剩余有效寿命预测系统，其特征在于，包括：
数据处理模块：用于对设备的原始振动信号数据进行归一化处理；
特征提取模块：用于使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
模型构建模块：用于根据提取的数据特征构建时序卷积网络；
结果输出模块：用于使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
7.根据权利要求6所述的工业设备剩余有效寿命预测系统，其特征在于，所述归一化公式为：
Xstd＝X-Xmin/Xmax-Xmin
Xscaled＝Xstd*(Xmax-Xmin)+Xmin
上述公式中，X为原始振动信号数据，Xscaled为归一化处理后的振动信号数据，Xstd、Xmin、Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据Xscaled＝[x(1)，x(2)，...，x(N)]。
8.根据权利要求7所述的工业设备剩余有效寿命预测系统，其特征在于，所述特征提取模块使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充具体：找出振动信号数据Xscaled的所有极大值点，并用三次样条插值函数拟合所有的极大值点，形成振动信号数据Xscaled的上包络线；找出振动信号数据Xscaled的所有极小值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xscaled的下包络线；根据上包络线和下包络线计算包络线均值x’，记作x’＝[a1，a2，…，a(N)]，将振动信号数据Xscaled减去该包络线均值x’，得到一个新的信号序列x1；判断信号序列x1是否是本征模函数，如果x1不是本征模函数，重新对振动信号数据进行重新分解；如果x1是本征模函数，将所述信号序列x1表示为c＝[c(1)，c(2)，…，c(N)]，将归一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并对新的信号继续往下分解，直到经过多次分解之后的xi是单调的，则经验模态分解结束，剩下的xi称之为余项；对于分解得到的若干个本征模函数信号序列或者余项，经过计算得到每个时间片的分量的能量，所述能量表达式为：
上述公式中，N表示耽搁时间片内的信号长度；c(i)表示某本征模函数内第i个数据点的信号幅值。
9.根据权利要求8所述的工业设备剩余有效寿命预测系统，其特征在于，所述判断信号序列x1是否是本征模函数的判断方式为：本征模函数必须满足两个必要条件：一是函数在整个时间范围内局部极值点和过零点的数目必须相等，或最多差一个；二是在任意时刻点，局部最大值的上包络线和局部最小值的下包络线的平均值必须为0或者接近0。
10.根据权利要求6至9任一项所述的工业设备剩余有效寿命预测方法，其特征在于，所述时序卷积网络是用一维因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射封装为一个包含RELU函数的残差模块，由残差模块堆叠起深度的时序卷积网络，并在最后使用全卷积代替全连接层，使输出与输入维度一致，实现端到端的预测。
11.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述1至5任一项所述的工业设备剩余有效寿命预测方法的以下操作：
步骤a：对设备的原始振动信号数据进行归一化处理；
步骤b：使用经验模态分解方式对归一化处理后的振动信号数据进行特征扩充后，提取所述振动信号数据的数据特征；
步骤c：根据提取的数据特征构建时序卷积网络；
步骤d：使用所述时序卷积网络输出设备的剩余有效寿命预测结果。
CN201910588139.5A 2019-07-02 2019-07-02 一种工业设备剩余有效寿命预测方法、系统及电子设备 Active CN110377984B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910588139.5A CN110377984B (zh) 2019-07-02 2019-07-02 一种工业设备剩余有效寿命预测方法、系统及电子设备
PCT/CN2019/130600 WO2021000556A1 (zh) 2019-07-02 2019-12-31 一种工业设备剩余有效寿命预测方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910588139.5A CN110377984B (zh) 2019-07-02 2019-07-02 一种工业设备剩余有效寿命预测方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN110377984A true CN110377984A (zh) 2019-10-25
CN110377984B CN110377984B (zh) 2023-08-18

Family

ID=68251547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910588139.5A Active CN110377984B (zh) 2019-07-02 2019-07-02 一种工业设备剩余有效寿命预测方法、系统及电子设备

Country Status (2)

Country Link
CN (1) CN110377984B (zh)
WO (1) WO2021000556A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942194A (zh) * 2019-11-27 2020-03-31 徐州上若科技有限公司 一种基于tcn的风电预测误差区间评估方法
CN111695452A (zh) * 2020-05-28 2020-09-22 国网河北省电力有限公司电力科学研究院 基于rbf神经网络的并联电抗器内部老化程度评估方法
CN111783362A (zh) * 2020-07-09 2020-10-16 哈尔滨工程大学 一种电动闸阀剩余使用寿命确定方法及系统
WO2021000556A1 (zh) * 2019-07-02 2021-01-07 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN112785051A (zh) * 2021-01-14 2021-05-11 武汉纺织大学 一种基于emd和tcn相结合的云资源预测方法
CN113095540A (zh) * 2019-12-23 2021-07-09 财团法人工业技术研究院 数据整合方法及数据整合系统
CN113486578A (zh) * 2021-06-28 2021-10-08 北京科技大学 一种工业过程中设备剩余寿命的预测方法
CN113570138A (zh) * 2021-07-28 2021-10-29 朗坤智慧科技股份有限公司 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN113743541A (zh) * 2021-11-04 2021-12-03 华中科技大学 一种基于退化模式预测船用动力系统轴承剩余寿命的方法
CN113837433A (zh) * 2021-08-12 2021-12-24 裴平 有源数字阵列雷达装备射频系统剩余使用寿命预测方法
CN115221769A (zh) * 2021-04-15 2022-10-21 广州中国科学院先进技术研究所 一种故障预测方法、系统、电子设备和存储介质
CN115423221A (zh) * 2022-11-03 2022-12-02 北京建筑大学 一种设施运行趋势预测方法
CN115476199A (zh) * 2021-05-31 2022-12-16 沈阳中科数控技术股份有限公司 一种基于时间卷积网络的数控机床刀具磨损预测方法
CN115600512A (zh) * 2022-12-01 2023-01-13 深圳先进技术研究院（Cn） 一种基于分布式学习的刀具寿命预测方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255780B (zh) * 2021-05-28 2024-05-03 润联智能科技股份有限公司 一种减速箱故障预测方法、装置、计算机设备及存储介质
CN113487084A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113657012A (zh) * 2021-07-21 2021-11-16 西安理工大学 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法
CN113779882B (zh) * 2021-09-10 2024-05-17 中国石油大学(北京) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN114942066B (zh) * 2022-05-26 2023-08-04 清华大学 电主轴误差间接预测方法及装置
CN116992393B (zh) * 2023-09-27 2023-12-22 联通(江苏)产业互联网有限公司 一种基于工业物联网的安全生产监测方法
CN117331339B (zh) * 2023-12-01 2024-02-06 南京华视智能科技股份有限公司 基于时序神经网络模型的涂布机模头电机控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846753A (zh) * 2010-04-29 2010-09-29 南京信息工程大学 基于经验模态分解和支持向量机的气候时序预测方法
US20130161190A1 (en) * 2011-12-23 2013-06-27 Abbott Point Of Care Inc. Integrated Test Device for Optical and Electrochemical Assays
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统
CN109657851A (zh) * 2018-12-12 2019-04-19 哈尔滨工业大学（深圳） 事件驱动型的股价预测方法、装置、设备及存储介质
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2459254C2 (ru) * 2007-04-27 2012-08-20 Сименс Акциенгезелльшафт Способ компьютеризованного обучения одной или более нейронных сетей
CN106126896B (zh) * 2016-06-20 2019-03-22 中国地质大学（武汉） 基于经验模态分解和深度学习的混合模型风速预测方法及系统
CN110377984B (zh) * 2019-07-02 2023-08-18 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101846753A (zh) * 2010-04-29 2010-09-29 南京信息工程大学 基于经验模态分解和支持向量机的气候时序预测方法
US20130161190A1 (en) * 2011-12-23 2013-06-27 Abbott Point Of Care Inc. Integrated Test Device for Optical and Electrochemical Assays
CN109460618A (zh) * 2018-11-13 2019-03-12 华中科技大学 一种滚动轴承剩余寿命在线预测方法及系统
CN109657851A (zh) * 2018-12-12 2019-04-19 哈尔滨工业大学（深圳） 事件驱动型的股价预测方法、装置、设备及存储介质
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUMIN DENG ET AL: "Knowledge-Driven Stock Trend Prediction and Explanation via Temporal Convolutional Network" *
WENTAO MAO ET AL: "Predicting remaining useful life of rolling bearings based on deep feature representation and long short-term memory neural network" *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021000556A1 (zh) * 2019-07-02 2021-01-07 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、系统及电子设备
CN110942194A (zh) * 2019-11-27 2020-03-31 徐州上若科技有限公司 一种基于tcn的风电预测误差区间评估方法
CN113095540A (zh) * 2019-12-23 2021-07-09 财团法人工业技术研究院 数据整合方法及数据整合系统
CN111695452A (zh) * 2020-05-28 2020-09-22 国网河北省电力有限公司电力科学研究院 基于rbf神经网络的并联电抗器内部老化程度评估方法
CN111695452B (zh) * 2020-05-28 2023-08-18 国网河北省电力有限公司电力科学研究院 基于rbf神经网络的并联电抗器内部老化程度评估方法
CN111783362A (zh) * 2020-07-09 2020-10-16 哈尔滨工程大学 一种电动闸阀剩余使用寿命确定方法及系统
CN111783362B (zh) * 2020-07-09 2022-07-26 哈尔滨工程大学 一种电动闸阀剩余使用寿命确定方法及系统
CN112785051A (zh) * 2021-01-14 2021-05-11 武汉纺织大学 一种基于emd和tcn相结合的云资源预测方法
CN115221769A (zh) * 2021-04-15 2022-10-21 广州中国科学院先进技术研究所 一种故障预测方法、系统、电子设备和存储介质
CN115221769B (zh) * 2021-04-15 2023-10-10 广州中国科学院先进技术研究所 一种故障预测方法、系统、电子设备和存储介质
CN115476199A (zh) * 2021-05-31 2022-12-16 沈阳中科数控技术股份有限公司 一种基于时间卷积网络的数控机床刀具磨损预测方法
CN113486578A (zh) * 2021-06-28 2021-10-08 北京科技大学 一种工业过程中设备剩余寿命的预测方法
CN113486578B (zh) * 2021-06-28 2023-10-20 北京科技大学 一种工业过程中设备剩余寿命的预测方法
CN113570138A (zh) * 2021-07-28 2021-10-29 朗坤智慧科技股份有限公司 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN113837433A (zh) * 2021-08-12 2021-12-24 裴平 有源数字阵列雷达装备射频系统剩余使用寿命预测方法
CN113743541A (zh) * 2021-11-04 2021-12-03 华中科技大学 一种基于退化模式预测船用动力系统轴承剩余寿命的方法
CN115423221A (zh) * 2022-11-03 2022-12-02 北京建筑大学 一种设施运行趋势预测方法
CN115600512A (zh) * 2022-12-01 2023-01-13 深圳先进技术研究院（Cn） 一种基于分布式学习的刀具寿命预测方法

Also Published As

Publication number Publication date
WO2021000556A1 (zh) 2021-01-07
CN110377984B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN110377984A (zh) 一种工业设备剩余有效寿命预测方法、系统及电子设备
Haidong et al. Enhanced deep gated recurrent unit and complex wavelet packet energy moment entropy for early fault prognosis of bearing
Li et al. Remaining useful life prediction using multi-scale deep convolutional neural network
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN108984893A (zh) 一种基于梯度提升方法的趋势预测方法
She et al. Diagnosis and prediction for loss of coolant accidents in nuclear power plants using deep learning methods
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
Zhang et al. Rotating machinery remaining useful life prediction scheme using deep-learning-based health indicator and a new RVM
CN110262942A (zh) 一种日志分析方法及装置
CN110263944A (zh) 一种多变量故障预测方法和装置
Ghiasi et al. Optimum feature selection for SHM of benchmark structures using efficient AI mechanism
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
Xu et al. Global attention mechanism based deep learning for remaining useful life prediction of aero-engine
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN116910574A (zh) 基于元学习和时间卷积网络的机械设备诊断方法及装置
CN116225752A (zh) 基于故障模式库的微服务系统故障根因分析方法及系统
CN113052060B (zh) 基于数据增强的轴承剩余寿命预测方法、装置及电子设备
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
CN114462127A (zh) 基于深度极限学习机的结构损伤识别方法及系统
CN113361811A (zh) 运行状态预测方法、系统、设备及计算机可读存储介质
Rao et al. Validation of high-fidelity traffic simulation models
CN110298690A (zh) 对象类目的周期判断方法、装置、服务器及可读存储介质
Wang et al. Fault detection and separation of hybrid electric vehicles based on kernel orthogonal subspace analysis
Lei et al. Research on the Remaining Life Prediction Method of Rolling Bearings Based on Optimized TPA-LSTM
He et al. Remaining useful life prediction method based on gated dilation causal convolution

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