CN110609524A - 一种工业设备剩余寿命预测模型及其构建方法和应用 - Google Patents
一种工业设备剩余寿命预测模型及其构建方法和应用 Download PDFInfo
- Publication number
- CN110609524A CN110609524A CN201910750456.2A CN201910750456A CN110609524A CN 110609524 A CN110609524 A CN 110609524A CN 201910750456 A CN201910750456 A CN 201910750456A CN 110609524 A CN110609524 A CN 110609524A
- Authority
- CN
- China
- Prior art keywords
- life
- industrial equipment
- prediction model
- residual life
- model
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 17
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种工业设备剩余寿命预测模型及其构建方法和应用,方法包括:采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵;采用滑动窗口对每个多维矩阵进行时间序列切片,得到该多维矩阵的多个时间切片矩阵;根据故障模式种类,对所有时间切片矩阵分类;基于每种故障模式对应的所有时间切片矩阵,训练该故障模式的CNN‑RNN混合预测模型得到工业设备剩余寿命。本发明通过使用滑动窗口对多维数据进行时间序列切片,增加混合模型输入的多样性,利用预分类构建模型库,对含有多种故障模式的数据集处理,提高模型预测精度;构建CNN‑RNN混合网络实现了无需自定义失效阈值的端到端的剩余使用寿命预测模型。
Description
技术领域
本发明属于现代工业故障预测与健康管理领域,更具体地,涉及一种工业设备剩余寿命预测模型及其构建方法和应用。
背景技术
寿命预测与健康管理(Prognostic Health Management,PHM)技术是现代工业发展过程中最重要的核心技术之一。由于机械自身损耗、外部破坏等原因,设备会因为性能的退化出现机械故障、引发事故,在严重的情况下甚至会造成人员伤亡或巨额的财产损失。PHM技术通过对设备的剩余使用寿命进行预测,在此基础上采取合适的手段进行健康管理,提高设备的可靠性、安全性。剩余寿命预测(Remaining Useful Life,RUL)技术是寿命预测与健康管理的重要组成部分,通过准确预测剩余寿命,在设备失效前采取相应的维护措施,减少事故的发生,提高设备利用率。现有的寿命预测方法大致可分为基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法需要对设备机理进行分析,建立准确的物理模型,这对于复杂的设备系统来说很难做到。而基于数据驱动的方法使用分布式传感器采集设备的性能退化数据,通过充分挖掘监测数据所包含的潜在信息,不需要建立复杂的物理模型,就能做到对设备的剩余使用寿命进行准确预测。
机器学习在图像、语音、自然语言处理的识别和分类领域取得了很好的成绩,神经网络作为机器学习的一个分支,能够反向学习自我完善,有着强大的拟合能力,将神经网络应用于寿命预测领域,可以对复杂的设备系统建模,模型能有效地提取设备退化数据特征,具有较高的预测精确度。
传统的剩余寿命预测方法需要借助经验来定义设备的失效阈值,阈值设定的好坏对模型的预测结果有着很大的影响,选择了不合适的阈值将会带来极大的预测误差。而现有采用神经网络的方法具体是采用神经网络对设备的剩余使用寿命进行建模,无法考虑到设备失效情况的复杂性,对训练样本的去噪以及模型的训练不够精细,进而对设备剩余寿命的预测精度有限。
发明内容
本发明提供一种工业设备剩余寿命预测模型及其构建方法和应用,用以解决现有工业设备剩余寿命预测模型的构建因采用单一预测模型且模型训练用数据集处理方法不能有效去噪而存在模型预测精度不高的技术问题。
本发明解决上述技术问题的技术方案如下:一种工业设备剩余寿命预测模型的构建方法,包括:
步骤1、采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵;
步骤2、采用滑动窗口,对每个多维矩阵进行时间序列切片,得到该多维矩阵的多个时间切片矩阵;
步骤3、根据故障模式的种类,对所有所述时间切片矩阵进行分类;
步骤4、基于每种故障模式对应的所有时间切片矩阵,训练该故障模式的CNN-RNN混合剩余寿命预测模型,得到工业设备剩余寿命预测模型库。
本发明的有益效果是:本发明提供了一种端到端的卷积神经网络与循环神经网络(Convolutional Neural Network&Recurrent Neural Network,CNN-RNN)混合的剩余寿命预测模型,CNN能有效提取输入矩阵的特征,RNN擅于时序序列的预测,将CNN与RNN结合,以用于对机械设备的剩余使用寿命预测。另外,本发明首先对获取的全寿命多特征数据集构建矩阵,然后对矩阵进行切片,得到时间序列上的切片矩阵,然后,由于对于一个设备系统来说,不同的零部件失效或不同的失效机理会造成多种故障模式,因此为了提高预测模型的精度,采集的多个相同工业设备的故障类型不同,基于数据集中存在的故障类型数目,对所有切片矩阵进行分组处理,采用每组切片矩阵独立进行混合模型的训练,得到每种故障类型对应的预测模型,可有效提各模型预测精度。
上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1包括:
采集多个相同工业设备分别在不同运行参数和故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵,其中,每个多维矩阵包括运行参数维度的数据;
则所述步骤2还包括:
对每个多维矩阵的所有运行参数进行聚类,并基于聚类结果,对运行参数去噪,得到该多维矩阵的多个新的时间切片矩阵。
本发明的进一步有益效果是:由于实际设备运行过程中会根据需求设置不同的运行参数,例如控制设备的转速、投入原料的质量等,根据运行参数设置的不同,称设备在运行过程中具有多种操作条件。为了提高预测模型的预测能力,采集多个相同工业设备分别在不同运行参数和故障模式下的全寿命多特征数据集,使得训练用的所有全寿命多特征数据集能够覆盖更多的实际运行工况。此时,考虑到噪声的存在,一些实际运行参数相同时采集的运行参数却不同,因此,为了去除噪声提高模型的预测能力,当全寿命多特征数据集包含多种操作条件时,对运行参数进行聚类预处理,同时便于后期应用时,基于预测数据集,对预测模型进行准确选择。
进一步,所述对每个多维矩阵的所有运行参数进行聚类,具体为:
采用k-均值聚类算法,对每个多维矩阵的所有运行参数进行聚类。
本发明的进一步有益效果是:采用k-均值聚类算法,计算量低,方便可靠。
进一步,每个所述全寿命多特征数据集包括:寿命长度数据,运行参数数据,以及各传感器的采集数据。
进一步,所述CNN-RNN混合模型包括:
CNN网络模型,用于提取每个所述时间切片矩阵中的特征,得到特征向量;
RNN网络模型,用于基于特征向量,预测所述工业设备的剩余寿命。
本发明的进一步有益效果是:CNN能有效提取输入矩阵的特征,RNN擅于时序序列的预测,将CNN与RNN结合,以提高对机械设备的剩余使用寿命预测精度。
进一步,所述步骤2中,所述滑动窗口的滑动步长小于窗口尺寸,以采用其对每个多维矩阵进行有重叠地时间序列切片。
本发明的进一步有益效果是:本发明通过有重叠的时间序列切片,能够使得混合模型获得更多样化的输入矩阵,提高模型的鲁棒性。
本发明还提供一种工业设备剩余寿命预测模型库,采用如上所述的一种工业设备剩余寿命预测模型的构建方法构建得到。
本发明还提供一种工业设备的剩余寿命预测方法,包括:
步骤1、获取待测工业设备的测试数据集及如上所述的预测模型库,并确定所述预测模型库的构建方法;
步骤2、根据所述构建方法中对全寿命多特征数据集的处理操作,对所述测试数据集进行处理,得到多个时间切片矩阵;
步骤3、计算所述多个时间切片矩阵与所述预测模型库中每个预测模型训练所需的所有时间切片矩阵之间的欧氏距离,确定距离最近的预测模型;
步骤4、基于所述多个时间切片矩阵,采用该距离最近的预测模型,预测所述待测工业设备在所述测试数据集下的剩余寿命。
本发明的有益效果是:本发明采用一种端到端的卷积神经网络与循环神经网络混合的剩余寿命预测模型进行工业设备的剩余寿命预测。该方法无需人为设定失效阈值,即可利用训练好的混合神经网络准确地预测设备剩余使用寿命。另外,由于对于一个设备系统来说,不同的零部件失效或不同的失效机理会造成多种故障模式,本发明计算预测数据集与每个故障模式对应的切片矩阵之间的欧氏距离,根据欧氏距离,确定预测数据集跟哪组切片矩阵的工况相近,进而利用距离最近的切片矩阵训练出的预测模型,进行剩余寿命预测,使得预测结果可靠性强、精度高。
进一步,所述步骤4包括:
基于每个所述时间切片矩阵,采用该距离最近对应的预测模型,预测得到初始剩余寿命,将各所述初始剩余寿命之间的平均值确定为所述待测工业设备在所述测试数据集下的剩余寿命。
本发明的进一步有益效果是:由于从工业设备开始初次运行到采集上述预测数据集时,这之间的时间长度为预测数据集的整个时间长度,这整个时间长度中每个时刻对应一组多特征数据,构成一个多维矩阵,通过时间切片后,每个切片矩阵的时间长度是小于该整个时间长度的,因此每个切片矩阵会对应一个混合模型输出的寿命值,该寿命值需要加上该切片矩阵对应的时刻,再减去该发动机采集到的最后一个矩阵所对应的时刻(矩阵对应的时刻统一取该矩阵中的最后一个时间点)才为基于该切片矩阵预测得到的采集预测数据集时工业设备的初始剩余寿命。将各个切片矩阵对应的初始剩余寿命取平均值,最终得到采集预测数据集时工业设备的剩余寿命,预测精度高。
本发明还提供一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述如上所述的任一种工业设备剩余寿命预测模型的构建方法和/或如上所述的任一种工业设备的剩余寿命预测方法。
附图说明
图1为本发明实施例提供的一种工业设备剩余寿命预测模型的构建方法的流程图;
图2为本发明实施例提供的工业设备剩余寿命预测模型构建方法及应用的流程图;
图3为本发明实施例提供的多种故障模式预分类框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种工业设备剩余寿命预测模型的构建方法100,如图1所示,包括:
步骤110、采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵;
步骤120、采用滑动窗口,对每个多维矩阵进行时间序列切片,得到该多维矩阵的多个时间切片矩阵;
步骤130、根据故障模式的种类,对所有时间切片矩阵进行分类;
步骤140、基于每种故障模式对应的所有时间切片矩阵,训练该故障模式的CNN-RNN混合剩余寿命预测模型,得到工业设备剩余寿命预测模型库。
利用分布式传感器网络采集并记录设备运行过程中温度、湿度、压力等多个维度的数据变化情况,作为设备退化状态的表征。使用设备从开始运行到失效的全寿命时间序列数据作为训练集。
本实施例提供一种端到端的卷积神经网络与循环神经网络(ConvolutionalNeural Network&Recurrent Neural Network,CNN-RNN)混合的剩余寿命预测模型,以用于对机械设备的剩余使用寿命预测。另外,本发明首先对获取的全寿命多特征数据集构建矩阵,然后对矩阵进行切片,得到时间序列上的切片矩阵,然后,由于对于一个设备系统来说,不同的零部件失效或不同的失效机理会造成多种故障模式,因此为了提高预测模型的精度,采集的多个相同工业设备的故障类型不同,基于数据集中存在的故障类型数目,对所有切片矩阵进行分组处理,采用每组切片矩阵独立进行混合模型的训练,得到每种故障类型对应的预测模型,可有效提各模型预测精度。
优选的,步骤110包括:
采集多个相同工业设备分别在不同运行参数和故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵,其中,每个多维矩阵包括运行参数维度的数据;
则步骤120还包括:
对每个多维矩阵的所有运行参数进行聚类,并基于聚类结果,对运行参数去噪,得到该多维矩阵的多个新的时间切片矩阵。
由于实际设备运行过程中会根据需求设置不同的运行参数,例如控制设备的转速、投入原料的质量等,根据运行参数设置的不同,称设备在运行过程中具有多种操作条件。为了提高预测模型的预测能力,采集多个相同工业设备分别在不同运行参数和故障模式下的全寿命多特征数据集,使得训练用的所有全寿命多特征数据集能够覆盖更多的实际运行工况。此时,考虑到噪声的存在,一些实际运行参数相同时采集的运行参数却不同,因此,为了去除噪声提高模型的预测能力,当全寿命多特征数据集包含多种操作条件时,对运行参数进行聚类预处理,同时便于后期应用时,基于预测数据集,对预测模型进行准确选择。
优选的,上述对每个多维矩阵的所有运行参数进行聚类,具体为:
采用k-均值聚类算法,对每个多维矩阵的所有运行参数进行聚类。
使用k-均值聚类算法对运行参数进行聚类预处理。k-均值聚类算法步骤如下所示:
(1)确定运行参数的类别数量,将类别数量设置为k,随机选取k个运行参数作为初始的聚类中心,设置迭代次数N。
(2)计算每个运行参数到中心点的距离,并将其分配给距离最近的聚类中心。
(3)对每一类,重新计算当前类别的均值作为新的聚类中心。
(4)重复步骤(2)和(3),直到聚类中心不再发生变化或迭代次数达到N,获得k个聚类中心的值。
(5)使用聚类中心的值替代属于同一类样本的运行参数数据。
采用k-均值聚类算法,计算量低,方便可靠。
优选的,每个全寿命多特征数据集包括:寿命长度数据,运行参数数据,以及各传感器的采集数据。
优选的,所述CNN-RNN混合模型包括:
CNN网络模型,用于提取每个所述时间切片矩阵中的特征,得到特征向量;
RNN网络模型,用于基于特征向量,预测所述工业设备的剩余寿命。
为每一类故障模式分别建立CNN-RNN网络,并利用属于此故障模式的切片矩阵训练网络参数,包括如下四种模块:
(1)卷积模块由若干类卷积核组成,每一类卷积核都对输入矩阵进行卷积操作,最终得到新的矩阵。卷积层的作用就是提取数据的局部特征,每一个卷积核都相当于一个特征提取器。
假设ax,y表示输入矩阵在(x,y)点的取值,表示第i个卷积核在(x,y)点的权重,bi表示第i个卷积核的偏置,输出矩阵中第i个节点的取值g(i)为
(2)池化模块由池化核组成。池化层的作用是进行下采样,降低模型的复杂度。常用的池化核分为两类,最大值池化核和均值池化核,本发明采用的是最大值池化核。
(3)全连接模块的每一个单元都与前一层输出的所有单元进行连接,参数数量极多,具有分类的作用。假设前一层的输出为al-1,第l层的权重为Wl,偏置为bl,通过激活函数,本层的输出为
al=f(Wlal-1+bl)
(4)LSTM(Long Short-Term Memory)模块在每一层的神经元之间也建立了连接,上一时刻的输出会作为下一时刻的输入,影响其输出。
假设上一时刻的输出为ht-1,xt为当前时刻的输入(即为上述全连接模块的输出al),Whx、Whh和bh表示对应的权重与偏置,则当前时刻输出为:
ht=sigmoid(Whxxt+Whhht-1+bh)
LSTM通过信息传送带下面的控制门,有选择性地控制信息的记忆,LSTM内部主要由四个阶段组成:
忘记阶段,上一时刻输出通过遗忘门,选择性地忘记部分信息:
ft=sigmoid(Wf·[ht-1,xt]+bf)
选择记忆阶段,确认当前时刻输入的信息:
it=sigmoid(Wi·[ht-1,xt]+bi)
Ct=tanh(Wc·[ht-1,xt]+bc)
合并阶段,将上一时刻和当前时刻提取出的信息进行合并:
Ct=ftCt-1+itCt
输出阶段,当前时刻的输出作为下一时刻的输入:
ot=sigmoid(Wo·[ht-1,xt]+bo)
ht=ottanh(Ct)
在LSTM模块最后添加了一个神经单元作为最后一层,其输出为RUL估计值:RUL=sigmoid(W·ht+b)。
利用上述四种模块进行合理组合,构建CNN_RNN混合网络。
优选的,步骤120中,滑动窗口的滑动步长小于窗口尺寸,以采用其对每个多维矩阵进行有重叠地时间序列切片。
为了更清楚的描述切片过程,现假设全寿命多特征数据集中每个时刻共有p个数据,其使用寿命为T,以dt,p表示传感器p在时刻t采集到的数据,则采集到的设备从开始运行到失效的数据可以表示成尺寸为T×p的矩阵D
(1-2)神经网络需要以固定尺寸的矩阵作为输入,因此,以固定大小的窗口对多维矩阵D进行切片,设切片长度为s(s≤T),因此尺寸为s×p的切片矩阵I表示为:
(1-3)将滑动窗口的步长step设置小于矩阵I的边长s,相邻的切片矩阵之间有重叠,基于滑动窗口的切片矩阵(后文统称为切片矩阵)能使网络获得更多样化的输入矩阵。
通过有重叠的时间序列切片,能够使得混合模型获得更多样化的输入矩阵,最大限度的提高模型的预测能力。
为更好的说明本发明,现以NASA发布的航空涡旋发动机(C-MAPSS)数据集为实例,C-MAPSS数据集通过21个传感器对每台涡旋发动机进行监测,采集其从正常运行至失效的全寿命数据,包括FD001、FD002、FD003和FD004四个子数据集(每个子数据集中包括多个发动机对应的全寿命多特征数据集)。各子数据集之间的根本差异归因于其故障模式的数量和在实验中的操作条件设置,数据集从FDD001到FDD004的复杂程度越来越高。表1为C-MAPSS数据集的详细描述。
表1
C-MAPSS数据集的数据来自21个传感器,共21个特征,21个传感器的物理含义如表2所示。对每台发动机的时间序列数据进行基于滑动窗口的切片处理,设置切片边长s为20,滑动步长step为2。
表2
FD002和FD004子数据集具有6种操作条件,将k-均值聚类算法的类别数k设置为6,迭代次数N设置为1000。
FD003和FD004数据集具有2种故障模式,对切片矩阵进行二分类,并分别建立CNN-RNN模型,构建模型库(每个子数据集都对应有一个模型,共有6个模型)。当有新的设备需要预测剩余使用寿命时,首先通过欧氏距离计算与模型库中每种故障模式的相似性,选取相似性最高的网络模型进行在线预测。
将经过切片、运行参数聚类、故障模式分类预处理后的矩阵作为网络的输入,CNN_RNN混合网络参数如表3所示,包括卷积模块(Conv)、池化模块(MaxPool)、全连接模块(FC)和LSTM模块(LSTM)。
表3
基于CNN-RNN混合模型离线训练与在线预测框架如图2所示,C-MAPSS数据集由训练集和测试集组成。训练是涡轮风扇发动机从正常运行至失效的全寿命采集的实验数据,可以作为离线训练的数据集。测试集是发动机从健康状态开始运行,在系统失效前的某时刻停止采集的部分实验数据,可以用来模拟在线预测中传感器实时采集的监测数据。
实施例二
一种工业设备剩余寿命预测模型库,采用如上实施例一所述的任一种工业设备剩余寿命预测模型的构建方法构建得到。
相关技术方案同实施例一,在此不再赘述。
实施例三
一种工业设备的剩余寿命预测方法200,如图2和图3所示,包括:
步骤210、获取待测工业设备的测试数据集及如上所述的预测模型库,并确定预测模型库的构建方法;
步骤220、根据构建方法中对全寿命多特征数据集的处理操作,对测试数据集进行处理,得到多个时间切片矩阵;
步骤230、计算多个时间切片矩阵与预测模型库中每个预测模型训练所需的所有时间切片矩阵之间的欧氏距离,确定距离最近的预测模型;
步骤240、基于多个时间切片矩阵,采用该距离最近的预测模型,预测所述待测工业设备在测试数据集下的剩余寿命。
利用分布式传感器网络采集并记录设备运行过程中温度、湿度、压力等多个维度的数据变化情况,作为设备退化状态的表征。使用设备从开始运行到失效的全寿命时间序列数据作为训练集,使用设备从开始运行到中间过程某一时刻的截断数据作为测试集,将训练集和测试机的数据进行切片、预聚类、预分类等处理,利用训练集样本离线训练CNN_RNN混合网络参数,训练好的网络可以实现对测试集样本的在线预测。
首先通过欧氏距离计算相似度,与模型库中的模型进行匹配,在对应的模型中预测剩余使用寿命,实现对复杂机械设备的剩余使用寿命进行在线预测。
采用一种端到端的卷积神经网络与循环神经网络混合的剩余寿命预测模型进行工业设备的剩余寿命预测。该方法无需人为设定失效阈值,即可利用训练好的混合神经网络准确地预测设备剩余使用寿命。另外,由于对于一个设备系统来说,不同的零部件失效或不同的失效机理会造成多种故障模式,本发明计算预测数据集与每个故障模式对应的切片矩阵之间的欧氏距离,根据欧氏距离,确定预测数据集跟哪组切片矩阵的工况相近,进而利用距离最近的切片矩阵训练出的预测模型,进行剩余寿命预测,使得预测结果可靠性强、精度高。
优选的,步骤240包括:
基于每个所述时间切片矩阵,采用该距离最近对应的预测模型,预测得到初始剩余寿命,将各所述初始剩余寿命之间的平均值确定为所述待测工业设备在所述测试数据集下的剩余寿命。
由于从工业设备开始初次运行到采集上述预测数据集时,这之间的时间长度为预测数据集的整个时间长度,这整个时间长度中每个时刻对应一组多特征数据,构成一个多维矩阵,通过时间切片后,每个切片矩阵的时间长度是小于该整个时间长度的,因此每个切片矩阵会对应一个混合模型输出的寿命值,该寿命值需要加上该切片矩阵对应的时刻,再减去该发动机采集到的最后一个矩阵所对应的时刻(矩阵对应的时刻统一取该矩阵中的最后一个时间点)才为基于该切片矩阵预测得到的采集预测数据集时工业设备的初始剩余寿命。将各个切片矩阵对应的初始剩余寿命取平均值,最终得到采集预测数据集时工业设备的剩余寿命,预测精度高。
为证明本发明模型的优异性能,采用两种指标对本例采用的预测模型的预测能力进行评价:评分函数(Score)和均方根误差(Root Mean Squared Error,RMSE)。
(Ⅰ)RMSE:模型预测值与实际值之差的平方与观测次数n比值的平方根,RMSE越小,说明预测模型精确度越高。
(Ⅱ)Score:根据对实际应用分析,认为对机械故障导致停止运行时间点的过迟预测会比过早预测带来更多的损失,因此定义了评分函数,Score越小,表示模型精确度越高。
d=EstimateRUL-ActualRUL
其中,a1=13,a2=10。
将本实施例提出的CNN-RNN模型与其他相关机器学习方法进行了性能上的比较,比较方法包括多层感知器(MLP)方法、支持向量回归(SVR)方法和卷积神经网络(CNN)方法。表4显示了比较结果。
表4
CNN-RNN混合模型利用卷积层提取输入切片矩阵的空间特征与边缘信息,再将卷积后的输出信息输入至LSTM层(RNN网络),利用其记忆特性对时序数据进行预测,能充分挖掘数据信息。本方法在NASA公开的C-MAPSS涡旋发动机数据集上进行测试。在FD001子集上,与传统的MLP、SVR和CNN方法相比,CNN_RNN模型的RMSE下降了55.03%、19.42%、8.42%,Score误差下降了95.43%、40.60%、36.22%。
实施例四
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上实施例一所述的任一种工业设备剩余寿命预测模型的构建方法和/或如上实施例三所述的任一种工业设备的剩余寿命预测方法。
相关技术方案同实施例一和实施例三,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工业设备剩余寿命预测模型的构建方法,其特征在于,包括:
步骤1、采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵;
步骤2、采用滑动窗口,对每个多维矩阵进行时间序列切片,得到该多维矩阵的多个时间切片矩阵;
步骤3、根据故障模式的种类,对所有所述时间切片矩阵进行分类;
步骤4、基于每种故障模式对应的所有时间切片矩阵,训练该故障模式的CNN-RNN混合剩余寿命预测模型,得到工业设备剩余寿命预测模型库。
2.根据权利要求1所述的一种工业设备剩余寿命预测模型的构建方法,其特征在于,所述步骤1包括:
采集多个相同工业设备分别在不同运行参数和故障模式下的全寿命多特征数据集,并构建每个全寿命多特征数据集的多维矩阵,其中,每个多维矩阵包括运行参数维度的数据;
则所述步骤2还包括:
对每个多维矩阵的所有运行参数进行聚类,并基于聚类结果,对运行参数去噪,得到该多维矩阵的多个新的时间切片矩阵。
3.根据权利要求2所述的一种工业设备剩余寿命预测模型的构建方法,其特征在于,所述对每个多维矩阵的所有运行参数进行聚类,具体为:
采用k-均值聚类算法,对每个多维矩阵的所有运行参数进行聚类。
4.根据权利要求1所述的一种工业设备剩余寿命预测模型的构建方法,其特征在于,每个所述全寿命多特征数据集包括:寿命长度数据,运行参数数据,以及各传感器的采集数据。
5.根据权利要求1所述的一种工业设备剩余寿命预测模型的构建方法,其特征在于,所述CNN-RNN混合模型包括:
CNN网络模型,用于提取每个所述时间切片矩阵中的特征,得到特征向量;
RNN网络模型,用于基于每个所述特征向量,预测所述工业设备的剩余寿命。
6.根据权利要求1至5任一项所述的一种工业设备剩余寿命预测模型的构建方法,其特征在于,所述步骤2中,所述滑动窗口的滑动步长小于窗口尺寸,以采用其对每个多维矩阵进行有重叠地时间序列切片。
7.一种工业设备剩余寿命预测模型库,其特征在于,采用如权利要求1至6任一项所述的一种工业设备剩余寿命预测模型的构建方法构建得到。
8.一种工业设备的剩余寿命预测方法,其特征在于,包括:
步骤1、获取待测工业设备的测试数据集及如权利要求7所述的预测模型库,并确定所述预测模型库的构建方法;
步骤2、根据所述构建方法中对全寿命多特征数据集的处理操作,对所述测试数据集进行处理,得到多个时间切片矩阵;
步骤3、计算所述多个时间切片矩阵与所述预测模型库中每个预测模型训练所需的所有时间切片矩阵之间的欧氏距离,确定距离最近的预测模型;
步骤4、基于所述多个时间切片矩阵,采用该距离最近的预测模型,预测所述待测工业设备在所述测试数据集下的剩余寿命。
9.根据权利要求8所述的一种工业设备的剩余寿命预测方法,其特征在于,所述步骤4包括:
基于每个所述时间切片矩阵,采用该距离最近对应的预测模型,预测得到初始剩余寿命,并将各所述初始剩余寿命之间的平均值,确定为所述待测工业设备在所述测试数据集下的剩余寿命。
10.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述如权利要求1至6任一项所述的一种工业设备剩余寿命预测模型的构建方法和/或如权利要求8至9任一项所述的一种工业设备的剩余寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750456.2A CN110609524B (zh) | 2019-08-14 | 2019-08-14 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910750456.2A CN110609524B (zh) | 2019-08-14 | 2019-08-14 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609524A true CN110609524A (zh) | 2019-12-24 |
CN110609524B CN110609524B (zh) | 2020-07-28 |
Family
ID=68890939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910750456.2A Active CN110609524B (zh) | 2019-08-14 | 2019-08-14 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609524B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的系统 |
CN112232557A (zh) * | 2020-09-30 | 2021-01-15 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于长短期记忆网络的转辙机健康度短期预测方法 |
CN112488443A (zh) * | 2020-10-30 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种基于数据驱动的配电设备利用率评估的方法及系统 |
CN112784501A (zh) * | 2021-03-23 | 2021-05-11 | 中国核电工程有限公司 | 一种设备的剩余寿命预测模型建模系统及方法、预测系统 |
CN113378286A (zh) * | 2020-03-10 | 2021-09-10 | 上海杰之能软件科技有限公司 | 一种疲劳寿命预测方法、存储介质及终端 |
CN113779882A (zh) * | 2021-09-10 | 2021-12-10 | 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 |
CN114662622A (zh) * | 2022-05-24 | 2022-06-24 | 深圳市信润富联数字科技有限公司 | 一种基于小样本数据的phm端到端系统的实现方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN116151788A (zh) * | 2022-04-01 | 2023-05-23 | 港珠澳大桥管理局 | 隧道内的机电设备分类方法、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
CN108520080A (zh) * | 2018-05-11 | 2018-09-11 | 武汉理工大学 | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 |
CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
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 |
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN109977563A (zh) * | 2019-03-29 | 2019-07-05 | 西安建筑科技大学 | 基于tv-hsmm的海底油气管道剩余寿命预测方法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN110737948A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 |
-
2019
- 2019-08-14 CN CN201910750456.2A patent/CN110609524B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8781982B1 (en) * | 2011-09-23 | 2014-07-15 | Lockheed Martin Corporation | System and method for estimating remaining useful life |
CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
CN108520080A (zh) * | 2018-05-11 | 2018-09-11 | 武汉理工大学 | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 |
CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
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 |
CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
CN109977563A (zh) * | 2019-03-29 | 2019-07-05 | 西安建筑科技大学 | 基于tv-hsmm的海底油气管道剩余寿命预测方法 |
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控系统剩余寿命预测方法 |
CN110737948A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
AMIT KUMAR JAIN: "Predicting Remaining Useful Life of high speed milling cutters based on Artificial Neural Network", 《2015 INTERNATIONAL CONFERENCE ON ROBOTICS, AUTOMATION, CONTROL AND EMBEDDED SYSTEMS (RACE)》 * |
刘胜辉 等: "基于深度神经网络的切削刀具剩余寿命预测", 《哈尔滨理工大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378286B (zh) * | 2020-03-10 | 2023-09-15 | 上海杰之能软件科技有限公司 | 一种疲劳寿命预测方法、存储介质及终端 |
CN113378286A (zh) * | 2020-03-10 | 2021-09-10 | 上海杰之能软件科技有限公司 | 一种疲劳寿命预测方法、存储介质及终端 |
CN111896823A (zh) * | 2020-06-30 | 2020-11-06 | 成都四威功率电子科技有限公司 | 一种对功放进行在线健康监测与故障预警的系统 |
CN112232557A (zh) * | 2020-09-30 | 2021-01-15 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于长短期记忆网络的转辙机健康度短期预测方法 |
CN112232557B (zh) * | 2020-09-30 | 2024-02-09 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于长短期记忆网络的转辙机健康度短期预测方法 |
CN112488443A (zh) * | 2020-10-30 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种基于数据驱动的配电设备利用率评估的方法及系统 |
CN112488443B (zh) * | 2020-10-30 | 2023-04-18 | 广西电网有限责任公司电力科学研究院 | 一种基于数据驱动的配电设备利用率评估的方法及系统 |
CN112784501A (zh) * | 2021-03-23 | 2021-05-11 | 中国核电工程有限公司 | 一种设备的剩余寿命预测模型建模系统及方法、预测系统 |
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 |
CN113779882A (zh) * | 2021-09-10 | 2021-12-10 | 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 |
CN116151788B (zh) * | 2022-04-01 | 2023-12-22 | 港珠澳大桥管理局 | 隧道内的机电设备分类方法、装置、设备和存储介质 |
CN116151788A (zh) * | 2022-04-01 | 2023-05-23 | 港珠澳大桥管理局 | 隧道内的机电设备分类方法、装置、设备和存储介质 |
CN114662622A (zh) * | 2022-05-24 | 2022-06-24 | 深圳市信润富联数字科技有限公司 | 一种基于小样本数据的phm端到端系统的实现方法 |
CN114662622B (zh) * | 2022-05-24 | 2022-09-16 | 深圳市信润富联数字科技有限公司 | 一种基于小样本数据的phm端到端系统的实现方法 |
CN115358347B (zh) * | 2022-09-30 | 2023-01-31 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110609524B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及系统 | |
Reddy et al. | Anomaly detection and fault disambiguation in large flight data: A multi-modal deep auto-encoder approach | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
WO2024021246A1 (zh) | 基于持续学习的跨设备增量轴承故障诊断方法 | |
CN112580263A (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
Chadha et al. | Time series based fault detection in industrial processes using convolutional neural networks | |
CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
Shi et al. | Health index synthetization and remaining useful life estimation for turbofan engines based on run-to-failure datasets | |
CN116306289B (zh) | 一种基于多源域自适应的机电设备跨域剩余寿命预测方法 | |
CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
Dangut et al. | Rare failure prediction using an integrated auto-encoder and bidirectional gated recurrent unit network | |
CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
Wu et al. | A multi-channel multi-head cnn framework for fault classification in industrial process | |
Leal et al. | Learning methods for remaining useful life prediction in a turbofan engine | |
Yang et al. | Convolutional autoencoder-based sensor fault classification | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 |
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 |