CN111507046B - 一种电动闸阀剩余使用寿命预测方法及系统 - Google Patents

Abstract

本发明公开了一种电动闸阀剩余使用寿命预测方法及系统。该方法包括：获取待预测时序长度以及在待预测时序长度内待预测电动闸阀的寿命监测数据；将待预测时序长度和与待预测时序长度对应的特征参数形成第一待预测二维数据；根据滑动时窗将第一待预测二维数据转换为待预测三维数据；将待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。本发明的电动闸阀剩余使用寿命预测方法及系统，充分考虑了寿命预测特征数据中蕴含的时序特性，更能体现退化过程中的时序特性，具有能够提高剩余使用寿命预测准确率的优点。

Description

一种电动闸阀剩余使用寿命预测方法及系统

技术领域

本发明涉及电动闸阀剩余使用寿命预测技术领域，特别是涉及一种电动闸阀剩余使用寿命预测方法及系统。

背景技术

剩余使用寿命(Remaining Useful Life，RUL)是从当前时间到使用寿命结束的长度，寿命预测的主要任务是基于状态监测信息预测机器在失去运行能力前的剩余时间。目前，寿命预测研究在研究方法上分为四类，第一类是多元统计分析方法，主要是结合可靠性分析和概率论等相关理论基础展开RUL预测技术的研究，包括自回归模型、随机系数模型、维纳过程模型、Gamma模型、马尔可夫模型和滤波算法；第二类是采用结合物理机理建立分析模型；第三类采用机器学习以及深度学习的相关算法进行研究，本质上属于模式回归分析的范畴；第四类混合模型主要综合前面几种算法中的2种或多种进行分析，以起到相互取长补短的作用。

其中，第三类涉及的算法有人工神经网络算法和模糊神经网络算法。人工神经网络算法可以学习较为复杂的非线性关系，但是无法准确地描述元件退化的时序变化过程，准确性和适用性较差。模糊神经网络算法充分利用了专家知识和神经网络的优势，但是仍然没有考虑退化过程的时序特征，对于长时序问题的预测精度较差。

发明内容

本发明的目的是提供一种电动闸阀剩余使用寿命预测方法及系统，充分考虑了寿命预测特征数据中蕴含的时序特性，更能体现退化过程中的时序特性，具有能够提高剩余使用寿命预测准确率的优点。

为实现上述目的，本发明提供了如下方案：

一种电动闸阀剩余使用寿命预测方法，包括：

获取待预测时序长度以及在所述待预测时序长度内待预测电动闸阀的寿命监测数据；所述寿命监测数据包括多种特征参数；

将所述待预测时序长度和与所述待预测时序长度对应的特征参数形成第一待预测二维数据；

根据滑动时窗将所述第一待预测二维数据转换为待预测三维数据；

将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。

可选的，所述将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命，具体包括：

将所述待预测三维数据输入所述训练好的卷积自编码模型，得到预测数据特征；

将所述滑动时窗内的待预测时间序列和与所述滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据；

将所述预测数据特征与所述第二待预测二维数据按列进行拼接，得到预测组合特征；

将所述预测组合特征输入所述训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

可选的，所述训练好的卷积自编码模型，具体训练方法包括：

获取历史时序长度、在所述历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；

将所述历史时序长度和与所述历史时序长度对应的特征参数形成第一历史二维数据；

根据所述滑动时窗将所述第一历史二维数据转换为历史三维数据；

以所述历史三维数据为输入，所述历史数据特征为输出对卷积自编码模型进行训练，得到训练好的卷积自编码模型。

可选的，所述训练好的长短期记忆网络模型，具体训练方法包括：

将所述滑动时窗内的历史时间序列和与所述滑动时窗内的历史时间序列对应的特征参数形成第二历史二维数据；

将所述历史数据特征与所述第二历史二维数据按列进行拼接，得到历史组合特征；

以所述历史组合特征作为输入，以所述历史使用寿命作为输出，对长短期记忆网络进行训练，得到训练好的长短期记忆网络模型。

可选的，

所述第一待预测二维数据为N*D1；

所述待预测三维数据为(N-num_steps+1)*(num_steps*D1)；

所述第二待预测二维数据为(num_steps*D2)；

其中，N表示待预测时序长度，D1表示与所述待预测时序长度对应的特征参数，num_steps表示滑动时窗内的待预测时间序列个数，D2表示与所述滑动时窗内的待预测时间序列对应的特征参数。

本发明还提供一种电动闸阀剩余使用寿命预测系统，包括：

数据获取模块，用于获取待预测时序长度以及在所述待预测时序长度内待预测电动闸阀的寿命监测数据；所述寿命监测数据包括多种特征参数；

第一待预测二维数据生成模块，用于将所述待预测时序长度和与所述待预测时序长度对应的特征参数形成第一待预测二维数据；

待预测三维数据生成模块，用于根据滑动时窗将所述第一待预测二维数据转换为待预测三维数据；

电动闸阀剩余使用寿命预测模块，用于将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。

可选的，所述电动闸阀剩余使用寿命预测模块，具体包括：

预测数据特征确定单元，用于将所述待预测三维数据输入所述训练好的卷积自编码模型，得到预测数据特征；

第二待预测二维数据生成单元，用于将所述滑动时窗内的待预测时间序列和与所述滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据；

预测组合特征确定单元，用于将所述预测数据特征与所述第二待预测二维数据按列进行拼接，得到预测组合特征；

电动闸阀剩余使用寿命预测单元，用于将所述预测组合特征输入所述训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

可选的，所述预测数据特征确定单元，具体包括：

卷积自编码模型训练子单元，用于获取历史时序长度、在所述历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；将所述历史时序长度和与所述历史时序长度对应的特征参数形成第一历史二维数据；根据所述滑动时窗将所述第一历史二维数据转换为历史三维数据；以所述历史三维数据为输入，所述历史数据特征为输出对卷积自编码模型进行训练，得到训练好的卷积自编码模型。

可选的，所述电动闸阀剩余使用寿命预测单元，具体包括：

长短期记忆网络模型训练子单元，用于将所述滑动时窗内的历史时间序列和与所述滑动时窗内的历史时间序列对应的特征参数形成第二历史二维数据；将所述历史数据特征与所述第二历史二维数据按列进行拼接，得到历史组合特征；以所述历史组合特征作为输入，以所述历史使用寿命作为输出，对长短期记忆网络进行训练，得到训练好的长短期记忆网络模型。

可选的，

所述第一待预测二维数据为N*D1；

所述待预测三维数据为(N-num_steps+1)*(num_steps*D1)；

所述第二待预测二维数据为(num_steps*D2)；

其中，N表示待预测时序长度，D1表示与所述待预测时序长度对应的特征参数，num_steps表示滑动时窗内的待预测时间序列个数，D2表示与所述滑动时窗内的待预测时间序列对应的特征参数。

与现有技术相比，本发明的有益效果是：

本发明提出了一种电动闸阀剩余使用寿命预测方法及系统，通过获取待预测时序长度以及在待预测时序长度内待预测电动闸阀的寿命监测数据；将待预测时序长度和与待预测时序长度对应的特征参数形成第一待预测二维数据；根据滑动时窗将第一待预测二维数据转换为待预测三维数据；将待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命，充分考虑了寿命预测特征数据中蕴含的时序特性，更能体现退化过程中的时序特性，通过将二维数据转化为带有时间序列属性的三维数据组，能够使后续的寿命预测不再只关注于某一个瞬时，而是关注一段时间序列，更能够反映故障过程的数据特征，具有能够提高剩余使用寿命预测准确率的优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中电动闸阀剩余使用寿命预测方法流程图；

图2为本发明实施例中电动闸阀剩余使用寿命预测结构框图；

图3为本发明实施例中电动闸阀剩余使用寿命预测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种电动闸阀剩余使用寿命预测方法及系统，充分考虑了寿命预测特征数据中蕴含的时序特性，更能体现退化过程中的时序特性，具有能够提高剩余使用寿命预测准确率的优点。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例

图1为本发明实施例中电动闸阀剩余使用寿命预测方法流程图，如图1所示，一种电动闸阀剩余使用寿命预测方法，包括：

步骤101：获取待预测时序长度以及在待预测时序长度内待预测电动闸阀的寿命监测数据；寿命监测数据包括多种电动闸阀的特征参数，每一种特征参数的个数为多个。

电动闸阀上的声发射传感器、加速度传感器、压差、温度、电压、电流和流量等过程参数传感器得到的原始数据通过数据采集板卡存储到计算机中；将采集到的原始参数进行数据特征工程，去掉与寿命预测无关的特征，并对这些数据进行数据归一化和标准化，避免量纲对后续寿命预测的影响。

步骤102：将待预测时序长度和与待预测时序长度对应的特征参数形成第一待预测二维数据。

步骤103：根据滑动时窗将第一待预测二维数据转换为待预测三维数据。

输入数据的预处理；为了充分考虑特征数据中蕴含的时序特性，需要将特征工程处理后的第一待预测二维数据N*D1转换为待预测三维数据(N-num_steps+1)*(num_steps*D1)，其中N表示待预测时序长度，D1表示与待预测时序长度对应的特征参数，num_steps表示滑动时窗内的待预测时间序列个数，本发明采用长度为num_steps的滑动时窗来滑动获取每种退化过程中二维数据块x，由于每次滑动过程中数据之间都有重叠，因此，总数据输入长度是(N-num_steps+1)。这样，每一个时刻的输入数据都不是孤立的某一时刻的特征参数，而是一段时间数据的组合，更能体现退化过程中的时序特性。

步骤104：将待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。

步骤104，具体包括：

将待预测三维数据输入训练好的卷积自编码模型，得到预测数据特征。

将滑动时窗内的待预测时间序列和与滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据。第二待预测二维数据为(num_steps*D2)，D2表示与滑动时窗内待预测时间序列对应的特征参数。

将预测数据特征与第二待预测二维数据按列进行拼接，得到预测组合特征。

将预测组合特征输入训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

其中，

训练好的卷积自编码模型，具体训练方法包括：

获取历史时序长度、在历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；

将历史时序长度和与历史时序长度对应的特征参数形成第一历史二维数据；

根据滑动时窗将第一历史二维数据转换为历史三维数据；

以历史三维数据为输入，历史数据特征为输出对卷积自编码模型进行训练，得到训练好的卷积自编码模型。

训练好的长短期记忆网络模型，具体训练方法包括：

将滑动时窗内的历史时间序列和与滑动时窗内的历史时间序列对应的特征参数形成第二历史二维数据；

将历史数据特征与第二历史二维数据按列进行拼接，得到历史组合特征；

以历史组合特征作为输入，以历史使用寿命作为输出，对长短期记忆网络进行训练，得到训练好的长短期记忆网络模型。

具体的，初始化卷积降噪自编码器(卷积自编码模型)和长短时记忆网络模型中的超参数，本发明中所包括的超参数如表1所示：

表1 超参数

按照卷积降噪自编码的原理进行无监督非线性特征提取。由于电动闸阀实验台上的传感器在测量过程中存在较大的噪声干扰，因此本阀门采用降噪卷积自编码，其实际结构如图2所示，通过Tensorflow框架搭建编码过程中的多层卷积、池化以及解码过程中多层反卷积和上采样，形成时序不变的深层抽象特征表示，更有利于后续长短时记忆网络层学习特征变化。最终得到的高层数据特征可以表示为C_ij,其中i代表时序数据长度，j代表特征参数的维度。

将经过卷积降噪自编码器得到的高级特征C_ij与所对应的原始数据块(num_steps*D)按列进行拼接得到新的特征组合，可以表示为Cnum_steps，(j+D)，D表示特征参数，此数据的表现能力更强，能辅助后续长短时记忆网络充分挖掘数据特征。

将拼接组成的新特征传递到长短时记忆网络中，在TensorFlow框架下首先建立长短时记忆元组模型。

对形成的长短时记忆元组模型使用dropout操作，可以使长短时记忆网络更加“健壮”。在得到长短时记忆元组单元后，使用堆叠函数可以得到整个LSTM网络的基本结构。

在卷积自编码器和长短时记忆网络中涉及到的激活函数都调整为Leaky ReLU，能够在ReLU激活函数的基础上避免死节点，更能够体现数据中的非线性特征。

训练卷积自编码器和长短时记忆网络；在本发明所述模型的训练过程中，为了提高训练速度和效率，将所有数据拆分成多个批次的训练样本，同时将处理后的数据随机打乱以减少不确定性后，输入到卷积自编码器和长短时记忆网络模型中进行训练。

定义损失函数与参数优化；采用均方误差MSE函数作为损失函数。为了对上述卷积自编码器和长短时记忆网络中的权值和偏置进行优化，在训练过程中采用SGD优化算法对网络进行求解，以使损失函数取值尽可能小，最终获得最符合电动阀门寿命预测特性的网络结构参数。在每次反向传播的计算过程中，设置前5次迭代的学习率设置为0.001，不对学习率进行衰减，随后的每次迭代学习率其衰减率设置为0.99。随着训练轮数的增加和训练误差的降低，卷积自编码器和长短时记忆网络预测模型能不断逼近实际故障和老化特性。

对超参数进行反复迭代和寻优，得到准确率最高的卷积自编码器和长短时记忆网络预测模型。

在完成离线训练过程之后，就可以利用优化好的卷积自编码器和长短时记忆网络模型进行电动阀门实际运行过程的RUL预测。同训练过程中的数据特征工程一样，对实际退化数据重复数据归一化和数据预处理，得到(N-num_steps+1)*(num_steps*D)的三维堆叠数据块。

采用训练优化后的卷积自编码器和长短时记忆网络模型对得到的实际电动阀门运行数据进行剩余使用寿命预测，最终得到剩余使用寿命值，相关结果可以供维修和决策人员进行参考，及时采取相关措施，在保证安全性的同时还可以提高经济性。

本发明通过将原始二维数据转化为带有时间序列属性的三维数据组，能够使后续的寿命预测不再只关注于某一个瞬时，而是关注一段时间序列，更能够反映故障过程的数据特征；采用卷积降噪自编码器进行无监督的特征提取，与不进行特征提取相比，更能够反映数据的本质特征，提升特征的表现力；将卷积降噪自编码的结果与对应原始数据进行组合，相当于是丰富了原始数据的特征维度，也就增加了不同时刻特征之间的差异性，最终可以提高寿命预测的准确率。采用神经网络中的dropout操作，能够防止本发明所述神经网络结果的过拟合，使得到的寿命预测结果更加稳定，不会产生过大的波动；通过将激活函数都调整为Leaky ReLU，能够在ReLU激活函数的基础上避免死节点，实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据，更能够体现数据中的非线性特征；在每次反向传播的计算过程中，设置前5次迭代的学习率设置为0.001，不对学习率进行衰减，随后的每次迭代学习率其衰减率设置为0.99。通过学习率的改变，能够使反向传播计算过程中更准确地找到最合适的权值和偏置，最终使模型的准确性有所提高。通过对影响寿命预测准确率的超参数进行不断的调整和优化，可以进一步提高寿命预测结果的准确率。

图3为本发明实施例中电动闸阀剩余使用寿命预测系统结构图。如图3所示，一种电动闸阀剩余使用寿命预测系统，包括：

数据获取模块201，用于获取待预测时序长度以及在待预测时序长度内待预测电动闸阀的寿命监测数据；寿命监测数据包括多种特征参数。

第一待预测二维数据生成模块202，用于将待预测时序长度和与待预测时序长度对应的特征参数形成第一待预测二维数据。

待预测三维数据生成模块203，用于根据滑动时窗将第一待预测二维数据转换为待预测三维数据。第一待预测二维数据为N*D1；待预测三维数据为(N-num_steps+1)*(num_steps*D1)，其中，N表示待预测时序长度，D1表示与待预测时序长度对应的特征参数，num_steps表示滑动时窗内的待预测时间序列个数。

电动闸阀剩余使用寿命预测模块204，用于将待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。

电动闸阀剩余使用寿命预测模块204，具体包括：

预测数据特征确定单元，用于将待预测三维数据输入训练好的卷积自编码模型，得到预测数据特征。

预测数据特征确定单元，具体包括：

卷积自编码模型训练子单元，用于获取历史时序长度、在历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；将历史时序长度和与历史时序长度对应的特征参数形成第一历史二维数据；根据滑动时窗将第一历史二维数据转换为历史三维数据；以历史三维数据为输入，历史数据特征为输出对卷积自编码模型进行训练，得到训练好的卷积自编码模型。

第二待预测二维数据生成单元，用于将滑动时窗内的待预测时间序列和与滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据。第二待预测二维数据为(num_steps*D2)，D2表示与滑动时窗内待预测时间序列对应的特征参数。

预测组合特征确定单元，用于将预测数据特征与第二待预测二维数据按列进行拼接，得到预测组合特征。

电动闸阀剩余使用寿命预测单元，用于将预测组合特征输入训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

电动闸阀剩余使用寿命预测单元，具体包括：

长短期记忆网络模型训练子单元，用于将滑动时窗内的历史时间序列和与滑动时窗内的历史时间序列对应的特征参数形成第二历史二维数据；将历史数据特征与第二历史二维数据按列进行拼接，得到历史组合特征；以历史组合特征作为输入，以历史使用寿命作为输出，对长短期记忆网络进行训练，得到训练好的长短期记忆网络模型。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种电动闸阀剩余使用寿命预测方法，其特征在于，包括：

获取待预测时序长度以及在所述待预测时序长度内待预测电动闸阀的寿命监测数据；所述寿命监测数据包括多种特征参数；

将所述待预测时序长度和与所述待预测时序长度对应的特征参数形成第一待预测二维数据；

根据滑动时窗将所述第一待预测二维数据转换为待预测三维数据，具体包括：

所述第一待预测二维数据为N*D1；

所述待预测三维数据为(N-num_steps+1)*(num_steps*D1)；

其中，N表示待预测时序长度，D1表示与所述待预测时序长度对应的特征参数，num_steps表示滑动时窗内的待预测时间序列个数；

将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命，具体包括：

将所述待预测三维数据输入所述训练好的卷积自编码模型，得到预测数据特征；

将所述滑动时窗内的待预测时间序列和与所述滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据；其中，所述第二待预测二维数据为(num_steps*D2)，D2表示与滑动时窗内待预测时间序列对应的特征参数；

将所述预测数据特征与所述第二待预测二维数据按列进行拼接，得到预测组合特征；

将所述预测组合特征输入所述训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

2.根据权利要求1所述的电动闸阀剩余使用寿命预测方法，其特征在于，所述训练好的卷积自编码模型，具体训练方法包括：

获取历史时序长度、在所述历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；

将所述历史时序长度和与所述历史时序长度对应的特征参数形成第一历史二维数据；

根据所述滑动时窗将所述第一历史二维数据转换为历史三维数据；

以所述历史三维数据为输入，所述历史数据特征为输出对卷积自编码模型进行训练，得到训练好的卷积自编码模型。

3.根据权利要求2所述的电动闸阀剩余使用寿命预测方法，其特征在于，所述训练好的长短期记忆网络模型，具体训练方法包括：

将所述滑动时窗内的历史时间序列和与所述滑动时窗内的历史时间序列对应的特征参数形成第二历史二维数据；

将所述历史数据特征与所述第二历史二维数据按列进行拼接，得到历史组合特征；

以所述历史组合特征作为输入，以所述历史使用寿命作为输出，对长短期记忆网络进行训练，得到训练好的长短期记忆网络模型。

4.一种电动闸阀剩余使用寿命预测系统，其特征在于，包括：

数据获取模块，用于获取待预测时序长度以及在所述待预测时序长度内待预测电动闸阀的寿命监测数据；所述寿命监测数据包括多种特征参数；

第一待预测二维数据生成模块，用于将所述待预测时序长度和与所述待预测时序长度对应的特征参数形成第一待预测二维数据；

待预测三维数据生成模块，用于根据滑动时窗将所述第一待预测二维数据转换为待预测三维数据，具体包括：

所述第一待预测二维数据为N*D1；

所述待预测三维数据为(N-num_steps+1)*(num_steps*D1)；

其中，N表示待预测时序长度，D1表示与所述待预测时序长度对应的特征参数，num_steps表示滑动时窗内的待预测时间序列个数；电动闸阀剩余使用寿命预测模块，用于将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命，具体包括：

预测数据特征确定单元，用于将所述待预测三维数据输入所述训练好的卷积自编码模型，得到预测数据特征；

第二待预测二维数据生成单元，用于将所述滑动时窗内的待预测时间序列和与所述滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据；其中，所述第二待预测二维数据为(num_steps*D2)，D2表示与滑动时窗内待预测时间序列对应的特征参数；

预测组合特征确定单元，用于将所述预测数据特征与所述第二待预测二维数据按列进行拼接，得到预测组合特征；

电动闸阀剩余使用寿命预测单元，用于将所述预测组合特征输入所述训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

5.根据权利要求4所述的电动闸阀剩余使用寿命预测系统，其特征在于，所述预测数据特征确定单元，具体包括：

卷积自编码模型训练子单元，用于获取历史时序长度、在所述历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；将所述历史时序长度和与所述历史时序长度对应的特征参数形成第一历史二维数据；根据所述滑动时窗将所述第一历史二维数据转换为历史三维数据；以所述历史三维数据为输入，所述历史数据特征为输出对卷积自编码模型进行训练，得到训练好的卷积自编码模型。

6.根据权利要求5所述的电动闸阀剩余使用寿命预测系统，其特征在于，所述电动闸阀剩余使用寿命预测单元，具体包括：

长短期记忆网络模型训练子单元，用于将所述滑动时窗内的历史时间序列和与所述滑动时窗内的历史时间序列对应的特征参数形成第二历史二维数据；将所述历史数据特征与所述第二历史二维数据按列进行拼接，得到历史组合特征；以所述历史组合特征作为输入，以所述历史使用寿命作为输出，对长短期记忆网络进行训练，得到训练好的长短期记忆网络模型。

Images