CN111709577B - 基于长程相关性gan-lstm的rul预测方法 - Google Patents

基于长程相关性gan-lstm的rul预测方法 Download PDF

Info

Publication number
CN111709577B
CN111709577B CN202010553410.4A CN202010553410A CN111709577B CN 111709577 B CN111709577 B CN 111709577B CN 202010553410 A CN202010553410 A CN 202010553410A CN 111709577 B CN111709577 B CN 111709577B
Authority
CN
China
Prior art keywords
lstm
life cycle
rul
data
generator
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
CN202010553410.4A
Other languages
English (en)
Other versions
CN111709577A (zh
Inventor
周福娜
杨帅
胡雄
张志强
王微
王天真
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010553410.4A priority Critical patent/CN111709577B/zh
Publication of CN111709577A publication Critical patent/CN111709577A/zh
Application granted granted Critical
Publication of CN111709577B publication Critical patent/CN111709577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种非全寿命周期数据下基于长程相关性GAN‑LSTM的RUL预测方法。利用非全寿命周期的历史数据建立粗略的基于LSTM的RUL预测模型，并利用该预测模型预测出未采集到的全寿命周期数据；使用预测出的全寿命周期数据，构建一个生成对抗网络，使用训练好的生成对抗网络的生成器生成大量全寿命周期数据；使用生成的全寿命周期数据，对建立的RUL预测模型进行再次训练，更新其网络参数，提高预测能力。本发明解决了在非全寿命周期数据下无法有效进行RUL在线预测的问题，能够根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力。

Description

基于长程相关性GAN-LSTM的RUL预测方法
技术领域
本发明涉及一种机器设备的剩余使用寿命(RUL)预测方法，具体涉及一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法。
背景技术
随着科学技术和生产工艺的发展，机械设备的大型化、自动化和复杂化程度也越来越高。这些设备在受到内部结构和外部环境的综合作用下，其机械性能与健康状态难免会呈现出衰退的趋势。当设备的性能衰退到一定程度时，将无法执行正常的生产任务甚至导致机械故障，进而造成难以挽回的经济损失和资源浪费。因此对设备进行实时RUL在线预测具有重要的意义。
基于数据驱动的RUL预测方法不需要提前了解和学习有关设备运行的物理机理和退化机制，只需要对采集的监测数据进行信息的挖掘和分析，建立退化数据与RUL之间的关系从而避免了基于机理模型的RUL预测方法和基于经验知识的RUL预测方法的缺点，成为了一种比较实用的RUL预测方法。
深度学习以其强大的特征提取能力和函数表征能力以及在处理高度复杂的非线性数据方面展现出了巨大的优势。但基于深度学习的寿命预测方法的预测效果取决于数据的质量与数量。使用高质高量的样本训练预测模型才能保证预测模型的可靠性。此外在RUL预测领域，想要要保障RUL预测的精确性，需要海量的全寿命周期历史数据，但全寿命周期数据非常匮乏。利用非全寿命周期的历史数据建立的RUL预测模型由于无法学习到全寿命周期的退化特征，在线预测时会产生很大的偏差。这就导致了基于全寿命周期数据的RUL预测方法的研究在实际的应用中受到极大的限制。
针对上述问题，本发明提出了一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，利用LSTM网络对具有自相关性数据的动态趋势特征的抽取能力和GAN的数据生成能力，能够根据获取到的非全寿命周期数据学习设备全寿命周期的退化特征，从而实现非全寿命周期数据下进行精确的RUL预测。
发明内容
本发明提出一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，过程包括以下几个部分：
1.利用非全寿命周期的历史数据建立粗略的基于LSTM的RUL预测模型，主要包括以下几个步骤：
步骤一：对采集到的非全寿命周期数据进行预处理，并使用处理后的数据建立粗略的基于LSTM的RUL预测模型，利用RUL预测模型预测出相对粗略但包含全寿命周期内退化趋势特征的全寿命周期数据；
步骤二：使用预测模型预测出的全寿命周期数据，构建一个生成对抗网络，在训练对抗网络时计算全寿命周期数据的长程相关性系数以及特征匹配误差来指导生成器的学习过程，在生成对抗网络训练到达纳什均衡后，使用生成对抗网络的生成器生成大量具有长程相关特性的全寿命周期数据；
步骤三：使用生成器生成的全寿命周期数据，对步骤一中建立的基于LSTM的RUL预测模型进行再次训练，更新其网络参数，提高在线预测能力。
2.使用预测出的全寿命周期数据构建长程相关性生成对抗网络主要包括以下步骤：
步骤四：根据判别器对生成器生成的样本和训练样本的判别结果，计算生成器的真实性判别损失；
其中M为样本数量，dfake为判别器对生成器生成样本的判别结果；
步骤五：对生成器生成的时间序列数据，计算长程相关性系数；
其中M为时间序列的总长度，rk为长程相关系数，代表生成器生成的时间序列在第t时刻的值，/>为生成器生成的时间序列的均值，k为长程相关性系数的阶次；
步骤六：利用训练样本和生成器生成的时间序列数据，计算特征匹配误差；
其中，featureerror为特征误差，Xall_feature为生成对抗网络训练数据的特征，Xfake_feature为生成器生成数据的特征；
步骤七：使用步骤四、步骤五和步骤六中计算出的生成器的真实性判别损失、生成器生成数据的长程相关性系数以及特征匹配误差，计算出生成器的损失值；
LG＝Lg+featureerror-rk (4)
其中Lg为生成器的真实性判别损失；featureerror为特征匹配误差；rk为长程相关系数；
步骤八：根据判别器对生成器生成的样本和训练样本的判别结果，计算判别器的损失值；
其中M为样本数量，dreal为判别器对真实样本的判别结果，dfake为判别器对生成器生成样本的判别结果。
3.使用生成器生成的全寿命周期数据，对RUL预测模型进行再次训练，更新其网络参数，主要包括以下步骤：
步骤九：将由步骤一、步骤二和步骤三中利用非全寿命周期数据建立的基于LSTM的剩余寿命预测模型的参数集合ΘRUL作为初始的网络参数具体如下式所示：
步骤十：利用生成对抗网络生成的全寿命周期数据构建训练数据对RUL预测模型进行训练，得到优化后的如式所示的预测模型以及对应的网络参数集合
其中为最终训练好的RUL预测模型。
附图说明
图1为本发明的算法框图。
图2为实验案例中基于LSTM的预测模型预测出的全寿命周期数据曲线。其中实线为实际的SOH曲线，点划线为预测出的SOH曲线。
图3为实验案例中基于长程相关性GAN-LSTM的预测模型在线预测出的SOH曲线。其中实线为实际的SOH曲线；点划线为基于LSTM的预测方法在线预测的SOH曲线；点线为基于长程相关性GAN-LSTM的预测方法在线预测的SOH曲线。
图4为实验案例中的预测误差曲线。其中点线为基于LSTM的预测方法在线预测的误差曲线；虚线为基于长程相关性GAN-LSTM的预测方法在线预测的误差曲线。
具体实施方式
下面将结合本发明实施例中的附图1，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付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。
如图1所示，一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，其步骤如下：
步骤一：对将收集到的非全寿命周期数据X进行如下划分：
这里l为时间窗口长度；n为划分后训练样本的个数；并且n＝T-l；traindata和trainlabel分别为划分后的训练样本集与训练标签；
步骤二：基于划分后的训练数据集traindata和训练标签trainlabel建立基于LSTM的预测模型，其预测过程如下所示：
hLSTM＝LSTM(Wi,Wf,Wo,bi,bf,bo；traindata) (10)
hDense＝φ1(WDensehLstm+bDense) (11)
ytraindata＝φ2(WouthDense+bout) (12)
这里Wi,Wf,Wo,bi,bf,bo分别是LSTM层的网络参数，hLstm为LSTM层抽取的特征，WDense,bDense为全连接层的网络参数，φ1为全连接层的非线性激活函数，Wout,bout为输出层的网络参数，φ2为输出层的非线性激活函数，ytraindata为模型的预测输出；
步骤三：训练基于LSTM的剩余寿命预测模型，构建如下的损失函数：
通过最小化式(6)来对参数ΘRUL＝{Wi,Wf,Wo,WDense,Wout；bi,bf,bo,bDense,bout}进行调整，最终的RUL预测模型如式(7)所示：
netRUL＝RUL(Wi,Wf,Wo,WDense,Wout,bi,bf,bo,bDense,bout；traindata) (14)
这里将数据输入模型便可以得到相应的预测输出。
步骤四：构建生成过程如下式所示的生成器网络：
这里θG1和θG2分别是生成网络中连接输入层与第一隐层，第一隐藏层连接第二隐藏的网络参数集合。其中θG1＝{WG1,bG1}，θG2＝{WG2,bG2}。WG1和WG2是权重矩阵，bG1和bG2是偏置向量。σ1是Sigmoid激活函数；
步骤五：构建判别过程如下式所示的判别器网络：
这里Xd为判别器的输入，d为判别器的判别结果。θD1和θD2分别是判别网络中连接输入层与隐层，隐层与输出层的网络参数集合。其中θD1＝{WD1,bD1}，θD2＝{WD2,bD2}。WD1和WD2是权重矩阵，bD1和bD2是偏置向量。σ2是Sigmoid激活函数。
步骤六：将生成器生成的样本和RUL预测模型预测出全寿命周期数据作为判别器的输入，获得判别结果，并根据式(4)和式(5)计算出生成器损失和判别器损失，通过最小化式(4)和式(5)交替优化生成器网络和判别器网络的参数，直至到达纳什均衡；
步骤七：使用生成器生成大量的全寿命周期数据，并按照公式(8)和公式(9)进行数据处理，获得用于训练RUL预测模型的数据；
步骤八：将步骤二中训练好的基于LSTM的剩余寿命预测模型的参数集合作为预测模型初始的网络参数，具体过程如式(6)所示；
步骤九：利用步骤七中构建训练数据对RUL预测模型进行训练，得到优化后的如式(7)所示的预测模型以及对应的网络参数集合；
步骤十：在线采集到的检测数据，输入到步骤九优化后的RUL预测模型，获得在线RUL预测结果。
下面将对本专利所提出的基于长程相关特性GAN-LSTM的RUL预测方法进行有效性验证。所使用的数据为NASA锂电池数据。当电池容量低于70％时认为电池失效。预测的目标是SOH曲线下降到70％时的充放电次数。实验场景设置为选取数据的前60％为以检测到的非全寿命周期数据，利用其进行寿命预测。
图2给出了预测出的全寿命周期数据的平均值。图中实线是实际的SOH曲线，点划线是基于非全寿命周期数据建立的LSTM预测模型预测出的全寿命周期数据。虚线表示失效的阈值参考线。从图中可以看出实际的SOH曲线有一些突出的值，这是由于锂电池内部的化学反应，温度等外部环境所造成的。而基于LSTM的寿命预测模型预测出的结果相对平滑，同时可以看出该曲线变化趋势与实际的寿命曲线大致一致。这可以说明该预测曲线可以粗略的刻画出设备全寿命周期的退化特征。表1给出了该预测曲线的MAE与RMSE值。从表1可以看出其均值误差小于1，均方根误差为1.3527。这也表明离线预测出的全寿命周期数据具备表征实际RUL退化特征的能力。
表4-1基于非全周期数据建立的预测模型预测出的全寿命周期数据性能评估
算法 MAE RMSE
基于LSTM的预测模型离线预测全周期数据 0.9553 1.3527
图3给出了基于长程相关特性GAN-LSTM的RUL预测方法在线预测结果。图中实线是实际的SOH曲线，点划线为非全寿命周期数据下基于LSTM的在线RUL预测结果，点线是非全寿命周期数据下基于长程相关特性GAN-LSTM的在线RUL预测结果。虚线表示失效的阈值参考线。从图中可以看出本专利提出的基于长程相关特性GAN-LSTM的RUL预测方法，在线预测结果相对于基于LSTM的预测方法更接近实际的SOH曲线。这表明本专利提出的基于长程相关特性GAN-LSTM的RUL预测方法在非全寿命周期数据下进行在线RUL预测时，优势明显。
表2给出了两种算法在锂电池容量下降到70％时的RUL预测结果及对应的平均绝对值误差和均方根误差。表2的第二列给出了各个算法的在线实时预测的RUL值，第三列为实际的RUL值，第三列为实际RUL值与预测结果的差值。比较第二列的各行可以看出，本专利所提出的算法预测的RUL值为157，与实际RUL值仅相差3个充放电周期，相比于基于LSTM的方法有明显的优势。比较MAE值与RMSE也可以看出，该方法有最小的MAE值0.9634和最小的RMSE值1.2334。
表2两种算法的有效性对比
算法名称 预测RUL 实际RUL RUL误差 MAE RMSE
基于LSTM的在线RUL预测 124 160 26 2.9004 3.8674
基于长程相关性GAN-LSTM的在线RUL预测 157 160 3 0.9634 1.2334
图4给出了两种算法的RUL预测误差曲线。其中点线为基于LSTM的预测方法在线预测的误差曲线；虚线代表基于长程相关特性GAN-LSTM的预测方法在线预测的误差曲线。由图4可以看出对于在线实时预测过程中利用本专利给出的基于长程相关特性GAN-LSTM的剩余寿命预测的误差要小于基于LSTM的预测方法，这也表明本专利给出的方法在非全寿命周期数据下进行在线RUL预测时，优势显著。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明实际内容。

Claims (1)

1.一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法，通过利用LSTM网络对具有自相关性数据的动态趋势特征的抽取能力和GAN的数据生成能力，根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力，其特征在于包括以下步骤：
步骤一：对将收集到的非全寿命周期数据X进行如下划分：
这里l为时间窗口长度；n为划分后训练样本的个数；并且n＝T-l；traindata和trainlabel分别为划分后的训练样本集与训练标签；
步骤二：基于划分后的训练数据集traindata和训练标签trainlabel建立基于LSTM的预测模型，其预测过程如下所示：
hLSTM＝LSTM(Wi,Wf,Wo,bi,bf,bo；traindata)(10)
hDense＝φ1(WDensehLstm+bDense)(11)
ytraindata＝φ2(WouthDense+bout)(12)
这里Wi,Wf,Wo,bi,bf,bo分别是LSTM层的网络参数，hLstm为LSTM层抽取的特征，WDense,bDense为全连接层的网络参数，φ1为全连接层的非线性激活函数，Wout,bout为输出层的网络参数，φ2为输出层的非线性激活函数，ytraindata为模型的预测输出；
步骤三：训练基于LSTM的剩余寿命预测模型，构建如下的损失函数：
步骤四：构建生成过程如下式所示的生成器网络：
这里θG1和θG2分别是生成网络中连接输入层与第一隐层，第一隐藏层连接第二隐藏的网络参数集合；其中θG1＝{WG1,bG1}，θG2＝{WG2,bG2}；WG1和WG2是权重矩阵，bG1和bG2是偏置向量；σ1是Sigmoid激活函数；
步骤五：对生成器生成的时间序列数据，计算长程相关性系数；
其中M为时间序列的总长度，rk为长程相关系数，代表生成器生成的时间序列在第t时刻的值，/>为生成器生成的时间序列的均值，k为长程相关性系数的阶次；
步骤六：利用训练样本和生成器生成的时间序列数据，计算特征匹配误差；
其中，featureerror为特征误差，Xall_feature为生成对抗网络训练数据的特征，Xfake_feature为生成器生成数据的特征；
步骤七：使用步骤六、步骤七和步骤八中计算出的生成器的真实性判别损失、生成器生成数据的长程相关性系数以及特征匹配误差，计算出生成器的损失值；
LG＝Lg+featureerror-rk
其中Lg为生成器的真实性判别损失；featureerror为特征匹配误差；rk为长程相关系数；
步骤八：根据判别器对生成器生成的样本和训练样本的判别结果，计算判别器的损失值；
其中M为样本数量，dreal为判别器对真实样本的判别结果，dfake为判别器对生成器生成样本的判别结果；
步骤九：将步骤一中利用非全寿命周期数据建立的基于LSTM的剩余寿命预测模型的参数集合ΘRUL作为初始的网络参数具体如下式所示：
步骤十：利用生成对抗网络生成的全寿命周期数据构建训练数据对RUL预测模型进行训练，得到优化后的如式所示的预测模型以及对应的网络参数集合
其中netRUL为最终训练好的RUL预测模型。
CN202010553410.4A 2020-06-17 2020-06-17 基于长程相关性gan-lstm的rul预测方法 Active CN111709577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010553410.4A CN111709577B (zh) 2020-06-17 2020-06-17 基于长程相关性gan-lstm的rul预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010553410.4A CN111709577B (zh) 2020-06-17 2020-06-17 基于长程相关性gan-lstm的rul预测方法

Publications (2)

Publication Number Publication Date
CN111709577A CN111709577A (zh) 2020-09-25
CN111709577B true CN111709577B (zh) 2023-08-15

Family

ID=72541022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010553410.4A Active CN111709577B (zh) 2020-06-17 2020-06-17 基于长程相关性gan-lstm的rul预测方法

Country Status (1)

Country Link
CN (1) CN111709577B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765772B (zh) * 2020-12-25 2022-11-04 武汉理工大学 一种基于数据驱动的动力电池剩余寿命预测方法
CN113139340B (zh) * 2021-04-23 2023-08-22 中铁十六局集团北京轨道交通工程建设有限公司 一种盾构掘进线路实时预测方法、终端及介质
CN113657623B (zh) * 2021-07-13 2023-09-29 国网河北省电力有限公司电力科学研究院 电力设备状态诊断效果确定方法、装置、终端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018076475A1 (zh) * 2016-10-26 2018-05-03 广东产品质量监督检验研究院 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN109472110A (zh) * 2018-11-29 2019-03-15 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
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
CN110942101A (zh) * 2019-11-29 2020-03-31 湖南科技大学 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11003995B2 (en) * 2017-05-19 2021-05-11 Huawei Technologies Co., Ltd. Semi-supervised regression with generative adversarial networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018076475A1 (zh) * 2016-10-26 2018-05-03 广东产品质量监督检验研究院 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN109472110A (zh) * 2018-11-29 2019-03-15 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
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
CN110942101A (zh) * 2019-11-29 2020-03-31 湖南科技大学 基于深度生成式对抗网络的滚动轴承剩余寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余萍 ; 曹洁.深度学习在故障诊断与预测中的应用.《计算机工程与应用》.2020,全文. *

Also Published As

Publication number Publication date
CN111709577A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111709577B (zh) 基于长程相关性gan-lstm的rul预测方法
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
Azamfar et al. Deep learning-based domain adaptation method for fault diagnosis in semiconductor manufacturing
CN111914873A (zh) 一种两阶段云服务器无监督异常预测方法
WO2016107246A1 (zh) 基于小波降噪和相关向量机的锂电池剩余寿命预测方法
WO2024021246A1 (zh) 基于持续学习的跨设备增量轴承故障诊断方法
Fan et al. A novel machine learning method based approach for Li-ion battery prognostic and health management
CN109829136B (zh) 一种带随机跳变的退化设备的剩余寿命预测方法及系统
Li et al. WavCapsNet: An interpretable intelligent compound fault diagnosis method by backward tracking
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN108345284B (zh) 一种基于两变量块的质量相关故障检测方法
CN111783362B (zh) 一种电动闸阀剩余使用寿命确定方法及系统
CN109669415B (zh) 一种基于结构化典型变量分析的动态过程监测方法
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
Tang et al. A deep belief network-based fault detection method for nonlinear processes
CN108919755B (zh) 一种基于多块非线性交叉关系模型的分布式故障检测方法
CN108761346A (zh) 一种车用锂电池剩余寿命预测方法
CN111447217A (zh) 一种稀疏编码下的基于htm的流数据异常检测方法及系统
CN114528547A (zh) 基于社区特征选择的icps无监督在线攻击检测方法和设备
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
CN113536671B (zh) 一种基于lstm的锂电池寿命预测方法
CN113159088B (zh) 一种基于多特征融合和宽度学习的故障监测与诊断方法
CN113657030A (zh) 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
Vo et al. Harnessing attention mechanisms in a comprehensive deep learning approach for induction motor fault diagnosis using raw electrical signals
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统

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