CN113269356B - 一种面向缺失数据的设备剩余寿命预测方法及系统 - Google Patents
一种面向缺失数据的设备剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN113269356B CN113269356B CN202110539040.3A CN202110539040A CN113269356B CN 113269356 B CN113269356 B CN 113269356B CN 202110539040 A CN202110539040 A CN 202110539040A CN 113269356 B CN113269356 B CN 113269356B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- predicted
- degradation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000006731 degradation reaction Methods 0.000 claims abstract description 109
- 230000015556 catabolic process Effects 0.000 claims abstract description 108
- 230000015654 memory Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 51
- 238000012217 deletion Methods 0.000 claims description 17
- 230000037430 deletion Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向缺失数据的设备剩余寿命预测方法及系统。该方法包括：获取待预测设备的退化数据；退化数据为对待预测设备运行过程采样得到的存在缺失的数据；基于退化数据，采用退化数据生成模型生成待预测设备的完整数据；退化数据生成模型为包括生成器和判别器的生成对抗网络模型；根据完整数据，采用双向长短期记忆网络对待预测设备的剩余寿命进行预测，得到待预测设备的剩余使用寿命估计值。本发明可以提高设备剩余寿命预测的准确度，提高后续维修决策的质量。
Description
技术领域
本发明涉及可靠性工程技术领域，特别是涉及一种面向缺失数据的设备剩余寿命预测方法及系统。
背景技术
预测与健康管理技术可以在线监测设备健康状态且实时给出诊断信息，实现了从基于传感器的诊断向基于智能系统的预测的转变。其中，预测是指利用设备寿命周期内的状态监测信息或其他历史信息，通过相关的数据处理和分析过程诊断部件或系统未来的健康状态，最后给出剩余寿命分布、性能退化程度或设备失效的概率，为视情维修提供决策信息。
现有的剩余寿命预测方法可分为基于失效机理的方法、数据驱动的方法以及融合的方法。随着设备现代化水平的不断提高，往往难以依据失效机理建立数学模型描述其耦合性、非线性等复杂特性，数据驱动的方法则为解决这类问题提供了一条可行的途径，而基于融合方法的研究及也较为匮乏。数据驱动的方法又分为基于统计数据的方法和基于机器学习的方法，统计数据驱动的方法以寿命数据或退化数据为基础构建设备随机退化模型，通过准确的参数估计得到剩余寿命估计；基于机器学习的方法通过模拟人类学习过程来训练神经元，无需事先选择模型，但通过黑箱学习的方法给出网络输入与输出之间的关系。
不论采用统计数据驱动的方法还是机器学习的方法进行剩余寿命估计，都必须获得充足的失效数据或退化数据。作为剩余寿命预测的基础，收集到的数据质量往往决定了模型预测质量的上界，但实际中收集的数据集存在着各种问题，诸如：噪声、冗余、异构、缺失等，其中数据缺失是最常见的一种问题。数据缺失是指数据集中某一个或多个属性值缺失的现象，造成数据缺失的原因是多方面的，对于工业设备来说，主要产生于数据获取与传输阶段，例如：技术上无法获取、传感器传输故障等。此外，诸如战略导弹之类的设备属于长期存储、不定期通电监测的设备，频繁的监测会加速导弹的性能退化，但长期存储造成的影响是不能忽略的，因此采集到的数据十分有限且不连续。数据缺失直接影响到寿命预测的准确性以及维修决策的质量。
发明内容
本发明的目的是提供一种面向缺失数据的设备剩余寿命预测方法及系统，以提高设备剩余寿命预测的准确度，提高后续维修决策的质量。
为实现上述目的，本发明提供了如下方案：
一种面向缺失数据的设备剩余寿命预测方法，包括：
获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；
基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；
根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。
可选的，所述基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据，之前还包括：
构建包括所述生成器和所述判别器的所述生成对抗网络模型；
基于K-S检验，确定所述生成器的损失函数；
确定判别器的损失函数；
基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；
将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。
可选的，所述生成器的损失函数为：
其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；XN1表示容量为N1的真实数据集；XN2表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。
可选的，所述根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，具体包括：
根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测；
将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻；
将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。
可选的，所述根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测，具体包括：
根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；
根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。
本发明还提供一种面向缺失数据的设备剩余寿命预测系统，包括：
退化数据获取模块，用于获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；
完整数据生成模块，用于基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；
剩余寿命预测模块，用于根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。
可选的，还包括：
生成对抗网络模型构建模块，用于在基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据之前，构建包括所述生成器和所述判别器的所述生成对抗网络模型；
生成器损失函数确定模块，用于基于K-S检验，确定所述生成器的损失函数；
判别器损失函数确定模块，用于确定判别器的损失函数；
交替训练模块，用于基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；
退化数据生成模型确定模块，用于将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。
可选的，所述生成器的损失函数为：
其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；XN1表示容量为N1的真实数据集；表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。
可选的，所述剩余寿命预测模块，具体包括：
退化数据预测单元，用于根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测；
设备失效时刻确定单元，用于将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻；
剩余寿命确定单元，用于将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。
可选的，所述退化数据预测单元，具体包括：
网络训练样本及标签生成子单元，用于根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；
预测子单元，用于根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明能有效利用时序数据的前后依赖关系，充分挖掘历史信息与未来关系之间的关联，针对缺失数据可以填充得到该段时间内的完整数据，提高数据填充的准确性。而且，本发明的退化数据生成模型能够充分学习真实数据分布且生成足够可靠的缺失数据，进而得到可靠的完整数据，为剩余寿命预测打下坚实的基础。
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为本发明面向缺失数据的设备剩余寿命预测方法的流程示意图；
图2为本发明退化数据生成模型的结构示意图；
图3为长短期记忆单元的结构示意图；
图4为本发明双向长短期记忆网络的结构图
图5为本发明滑动时间窗预测退化数据的示意图；
图6为本发明面向缺失数据的设备剩余寿命预测系统的结构示意图。
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。
传统的缺失数据处理方法主要分为删除法与填充法。删除法即通过直接删除缺失项得到“完整”的数据集，优点在于简单易行，但会造成信息丢失并导致数据分布出现偏离，仅适用于缺失比例小的情况。填充法可分为基于统计学的填充方法与建模填充的方法，前者包括均值填充、随机填充、前(后)向插补、加权填充等方法，主要思想是利用未缺失数据的统计特性对缺失数据进行填充，这类方法得到的填充结果稳定，适用于缺失序列分布特性简单明确且变量相关性强的情况。建模的方法如回归模型填充、K近邻插补、EM算法填充等，基本思路是选取不同的模型或算法来度量缺失数据与观测到的数据之间的距离，调整参数使这一偏差最小从而实现对缺失数据的估计。建模填充的方法可以充分利用现有数据包含的信息，但对数据集本身存在要求，如：数据集中数据存在较强的关联、数据服从某种特定分布等。随着大数据时代的到来，工程设备获取的监测数据呈现出海量化、非线性、高维化等特征，传统的缺失数据处理方法不能有效利用时序数据的前后依赖关系，不能充分挖掘历史信息与未来关系之间的关联。此外，设备的退化过程属于时变分布，传统的处理方法在进行数据填充时容易扭曲原数据集的分布特性。因此本发明的目的是提供一种能够充分学习真实数据分布且生成数据足够可靠的缺失数据处理方案，为剩余寿命预测打下坚实的基础。
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。
图1为本发明面向缺失数据的设备剩余寿命预测方法的流程示意图。如图1所示，本发明面向缺失数据的设备剩余寿命预测方法包括以下步骤：
步骤100：获取待预测设备的退化数据。退化数据为对待预测设备运行过程采样得到的存在缺失的数据。
步骤200：基于退化数据，采用退化数据生成模型生成待预测设备的完整数据。退化数据生成模型为包括生成器和判别器的生成对抗网络模型，生成器学习真实数据样本的分布并生成缺失数据，判别器是一个二分类器，负责判别输入是来自真实样本还是生成数据。任意可微分的函数都可以用来表示生成对抗网络的生成器与判别器，通过两类模型之间的博弈对抗来优化模型超参数，可以根据不同的需求改变生成器和判别器模型，这使得生成对抗网络具有很强的适用性和可塑性。
本发明的生成对抗网络模型用多层感知器构成，其生成器与判别器的结构如图2所示，其中，生成器与判别器内部结构均为多隐层神经网络，层内神经元无连接，层间神经元为全连接。多隐层神经网络的输入输出模型可描述为：
h(l)为各层输出，h(0)和h(L)分别表示输入层和输出层，其余L-1层均为隐层。每一层的神经元数和激活函数分别记为[n0,n1,n2,…,nL-1,nL]与[w(1)，w(2)，…,w(L-1),w(L)]与[b(1)，b(2)，…,b(L-1),b(L)]分别表示各层之间的权值矩阵和偏置，权值与偏置作为网络待优化的参数可统一表示成θ(l)＝[w(l),b(l)]。通常，神经网络的优化目标函数为非凸的，由损失项和正则项构成，通过优化目标函数中关于第l个隐藏层的参数θ(l)的梯度实现误差的反向传播，通过优化正则项防止过拟合。
因此，生成器与判别器可表示为：
其中，分别表示生成器与判别器第i个隐藏层的输出结果，分别表示生成器与判别器的输入，/>分别表示生成器与判别器的输出。生成器的输入为从随机噪声采样得到的结果，输出为生成数据；判别器的输入为生成数据或真实数据，输出为输入样本来自真实数据的概率值。
在生成对抗网络的训练过程中，生成器从随机噪声中采样并向真实数据映射，通过最大化判别器将生成数据判断为“真”的概率来优化网络参数，使得生成数据能够较好地拟合原始分布。与此同时，判别器同时接收真实数据与生成数据并判断数据来源，输出为[0-1]区间内的一个标量，其中1表示来自真实数据，0表示来自生成数据。生成器与判别器在相互对抗的过程中各自优化网络参数θg与θd，可将整个过程视为一个二元极大极小博弈问题，故目标函数可以表示为：
其中，Pdata(x)表示真实数据分布，Pz(z)表示采样噪声的先验分布(例如高斯噪声分布)，E(·)表示计算期望值。实际训练过程中，采取交替优化的方法：先固定生成器G优化判别器D，使得D的判别准确率最大化；然后固定判别器D优化生成器G，使得D的判别准确率最小化。当且仅当Pdata(x)＝Pg(x)时，生成数据分布Pg(x)与真实数据分布Pdata(x)达成一致，即获得全局最优解。当达到两者之间的纳什均衡时，判别器的判断能力达到了一定程度却无法正确判断数据来源，此时可认为生成器已学习到真实数据分布。
生成对抗网络联合两个神经网络进行对抗训练，仅适用反向传播优化参数，不需要复杂的马尔科夫链，提高了训练效率。此外，网络训练时不需要推断隐变量，降低了训练难度。
生成对抗网络模型的训练过程：
生成对抗网络存在着梯度消失、模式崩溃的难题，为分析这类问题产生的原因，从生成器与判别器的工作原理进行分析：生成器的目标是生成逼真的伪样本让判别器无法准确判断出真伪，判别器的目标是最大化为生成样本和真实样本分配正确标签的可能性。因此，生成器的优化目标是最小化log(1-D(G(z)))，而判别器的优化目标则为最大化log(D(x))。所以式(4)所表示的优化目标可拆分为如下两部分：
从目标函数可以看出，生成器的梯度更新信息来自于判别器的输出结果，优化生成器相当于最小化真实数据分布与生成数据分布之间的JS散度。当判别器很容易区分开生成数据与真实数据时，两分布之间的JS散度为常数log2，生成器无法获取有效的信息继续更新，因此生成数据可靠性较差。为改善这一问题，可在生成器的目标函数中加入额外的指导信息，从而保证在两分布重叠很少时生成器仍能继续优化网络参数。
Kolmogorov-Smirnov(K-S)检验是基于累积分布函数来检验某一单样本分布是否符合某种理论分布，或用于检验两个样本分布是否具有显著差异性，具有不依赖均值的位置、对样本位置参数和形状参数都很敏感、适用范围广等优点。对于双样本检验的情况，记两个样本的累积经验分布函数为和/>N1、N2分别为两个待检测样本的样本容量，原假设为/>构造检验统计量相似概率/>选取λ的值使得p(Z＞λ)等于给定的显著性水平α。K-S检验计算两个分布的经验分布函数之间的最大垂直距离，用作两个分布之间相似度的度量。检验时把计算得到的p值与给定的显著性水平α相比较，若p≤α则拒绝H0，在显著性水平α上认为两样本分布之间存在显著性差异，否则认为两样本之间无显著性差异、分布具有一致性。
将生成数据与判别数据经K-S检验得到的结果加入目标函数，生成器的损失函数修改为：
式中，V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示经K-S检验得到的生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；表示容量为N1的真实数据集；/>表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。
在训练生成器时，可计算得到生成样本与真实样本之间的相似概率，在对参数更新时可沿着使p值尽可能大的方向进行梯度优化。相似概率p越接近于1，说明两样本一致性越强，生成数据的可靠性越强。
Adam优化器结合了AdaGrad和RMSP两种优化算法的优点，同时考虑梯度的一阶矩估计和二阶矩估计，具有实现简单、计算高效、参数的更新不受梯度的伸缩变化影响等优点，采用Adam算法对网络参数进行优化，生成对抗网络的训练过程如表1所示。
表1生成对抗网络的训练过程
网络训练完成后，可得到生成器与判别器的最优参数与/>因此，生成器与判别器的表达形式为：
步骤300：根据完整数据，采用双向长短期记忆网络对待预测设备的剩余寿命进行预测，得到待预测设备的剩余使用寿命估计值。
传统的长短期记忆网络设置两个状态分别用于存储长期记忆与短期记忆，三个门控单元共同负责信息的更新与遗忘，其神经单元结构如图3所示。其中，ft、it、ot分别代表遗忘门(forget gate)、输入门(input gate)和输出门(output gate)，Ct、ht分别表示长期记忆(cell state)和短期记忆(hidden state)，σ、tanh分别表示Sigmoid激活函数与双曲正切激活函数,W、U为权值矩阵，b为偏置。网络输入为x，输出为h。
门控单元工作方式的数学描述如式：
本发明采用双向长短期记忆网络进行寿命预测，双向长短期记忆网络能够同时学习输入数据的前向和后向时序信息，能够更加深入地挖掘退化数据包含的时序信息，解决了梯度消失、梯度爆炸与长期依赖问题，其网络结构如图4所示。相比于传统长短期记忆网络，该网络通过网络与后向层网络完成输入序列的处理后，在提取出序列深度特征的同时实现短期依赖性的表征，能够充分利用过去与未来数据所蕴含的信息。
双向长短期记忆网络的实现过程如式所示。
式中，→与←分别表示前向与后向传递。
将最后一个前向层的输出状态与最后一个后向层的输出状态拼接起来，通过全连接层映射可得到Bi-LSTM在时刻的网络输出结果，即：
式中，Why、bhy分别表示全连接层的权重与偏置。
在使用双向长短期记忆网络进行剩余寿命预测时，网络输入为随机退化设备的性能退化量，即生成的退化数据的完整数据，输出为对于该退化量的剩余寿命预测值。由于采用退化数据进行预测，意味着不知道设备失效的具体时刻，因此可通过滑动时间窗处理训练数据以获得训练标签。具体地，采用长度为d的时间窗沿时间轴维度每次移动一个固定步长，将时间窗内的连续数据视为一个训练样本，对应的标签为传感器数据L步之后的性能退化水平。这一处理过程如图5所示。
网络的输入数据x＝[x1,x2,…,xt]为各时刻的设备性能退化量，即完整数据，经过滑动时间窗处理后得到的训练样本形式为：
矩阵中每一行为一个训练样本，最后一列为该样本对应的标签。网络的输出为输入样本L步之后的退化量预测值，即
其中，θBi-LSTM分别表示双向长短期记忆网络的激活函数与网络参数，/>为预测值。基于式(13)构建的训练样本及对应的标签训练优化所述双向长短期记忆网络的网络参数，训练过程中，反向调节网络参数，使得预测值与真实值之间的误差最小。训练完成后，模型可得到测试集对应的设备性能退化水平预测值，当该值首次达到预先设定的失效阈值w时，认为设备已失效。当前时刻到失效时刻的时间间隔即为设备剩余使用寿命预测值RULpredicted。
基于上述方案，本发明还提供一种面向缺失数据的设备剩余寿命预测系统，图6为本发明面向缺失数据的设备剩余寿命预测系统的结构示意图。如图6所示，本发明面向缺失数据的设备剩余寿命预测系统包括：
退化数据获取模块601，用于获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据。
完整数据生成模块602，用于基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型。
剩余寿命预测模块603，用于根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。
作为具体实施例，本发明面向缺失数据的设备剩余寿命预测系统，还包括：
生成对抗网络模型构建模块，用于在基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据之前，构建包括所述生成器和所述判别器的所述生成对抗网络模型。
生成器损失函数确定模块，用于基于K-S检验，确定所述生成器的损失函数。
判别器损失函数确定模块，用于确定判别器的损失函数。
交替训练模块，用于基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型。
退化数据生成模型确定模块，用于将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。
作为具体实施例，本发明面向缺失数据的设备剩余寿命预测系统中，所述生成器的损失函数为：
其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示经K-S检验得到的生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；表示容量为N1的真实数据集；/>表示量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布。作为具体实施例，本发明面向缺失数据的设备剩余寿命预测系统中，所述剩余寿命预测模块603，具体包括：
退化数据预测单元，用于根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测。
设备失效时刻确定单元，用于将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻。
剩余寿命确定单元，用于将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。
作为具体实施例，本发明面向缺失数据的设备剩余寿命预测系统中，所述退化数据预测单元，具体包括：
网络训练样本及标签生成子单元，用于根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；
预测子单元，用于根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。
下面提供一个具体实施案例，进一步说明本发明的上述方案。本实施案例主要采用马里兰大学先进寿命周期工程中心提供的CS2电池组退化数据集进行验证。四组电池(CS2-35,CS2-36,CS2-37,CS2-38)均遵守标准的恒定电流/电压协议：首先以1C的恒定电流速率对电池充电，当电池电压达到4.2V后维持电压不变，当电池充电电流下降至0.05A以下时视为一次循环结束。当电池放电电压只能达到2.7时，认为电池达到截止电压，测试结束。电池的性能指标包括电流、电压、内阻、容量、自放电率、放电深度等多种因子，其中容量作为直接衡量电池性能的重要参数之一可用于判断电池退化状态，因此选择该指标进行锂电池剩余寿命预测。四组电池在测试过程中容量衰减过程分为缓慢退化与快速退化两个阶段，这是由于电池电极与电解质发生的副反应会产生附着在电极上沉淀物，从而增加电池内阻、降低电池的储能能力，当沉淀物完全覆盖电极后电池就进入快速退化阶段。根据相关研究，将电池容量的失效阈值定义为0.5(Ah)。
以编号为CS2-37的电池为例进行数据生成方法验证。首先分别按10％、30％、50％以及70％四种不同的缺失率对原始数据进行随机缺失处理，将存在缺失的数据送入生成对抗网络学习其分布并生成数据，随后加入K-S检验优化生成结果。经检验，直接生成结果的趋势与原始数据较为一致，但整体分布存在偏差，而优化后得到的结果则与原始数据在形状与数量上均保持较好的一致性。此外，随着原始数据缺失率增高，生成结果与真实数据之间的偏差也逐渐增大，但优化结果的变化相对较小，说明优化方法在缺失率提高时仍保持较强的鲁棒性。
为了定量刻画生成结果与优化结果的有效性，采用Wasserstein距离分别衡量两种方法所的结果与真实数据之间的距离，具体表现形式为：
其中，x和y分别表示从真实样本分布P1和所测试样本分布P2中采样得到的样本，Π(P1,P2)则表示联合分布γ(P1,P2)能够取得的所有集合。对每一个可能的联合分布γ而言，从中采样一对样本x和y并计算这对样本的距离||x-y||，随后计算该联合分布γ下样本对距离的期望值E(x,y)～γ[||x-y||]，在所有的联合分布中能取到的期望值的下界就定义为Wasserstein距离。
表2不同缺失率下生成数据与原始数据的Wasserstein距离
观察表2的结果可以发现，在不同缺失率下优化结果与原始数据的Wasserstein距离均小于生成结果，说明加入K-S检验后得到的生成数据与原始数据呈现出更高的一致性。随着缺失率增高，生成结果的Wasserstein距离增大趋势明显，而优化结果则能很好地抑制这一趋势，进一步说明优化方法在缺失率提高时仍保持较强的鲁棒性。
为评估生成数据在寿命预测中的表现，将缺失数据、优化后的生成数据分别送入双向长短期记忆网络进行剩余寿命预测。具体地，通过滑动时间窗处理制备训练样本，时间窗的长度与步长分别为50和10，将编号为CS2_35、CS2_36、CS2_38电池的完整数据和CS2_37截止到600个循环周期的容量数据作为训练样本，将CS2_37的后100个样本作为测试样本来评估预测性能。CS2_37电池被视为现场设备，将其数据分别按照10％、30％、50％、70％的缺失率进行处理并参与网络的训练与测试，此外将不同缺失率下的生成样本送入网络从而评估生成数据的有效性。经检验，生成结果的预测结果更加接近真实寿命，在依据预测结果进行维修决策时具有更高的可靠性。进一步，采用均方根误差和评分函数两个指标定量评估缺失数据和生成数据的预测效果，两个指标的表现形式如下：
其中，均方根误差对模型预测滞后和预测提前给予同等的惩罚，评分函数则给予了不同的惩罚权重。这是因为在航空航天等工业领域，预测延迟往往会造成更严重的后果，相比之下，预测提前虽然会造成维修成本偏高但风险较小。RMSE与SF越小，说明预测准确度越高。
表3不同缺失率下生成数据与缺失数据的预测结果
表3给出了不同缺失率下的评估结果。观察发现，随缺失率增大RMSE与SF均呈现增长趋势，说明随缺失率增大预测效果变差。在同一缺失率下，生成数据的评估结果均小于缺失数据，并且随缺失率增大，两者评估结果之间的差值也逐渐增大，证明了优化得到的生成结果用于剩余寿命预测时可有效改善预测效果，且对于缺失率较高的情况仍表现出较强的鲁棒性。因而本方法能够有效利用原始数据中的信息，在不同缺失率下均可以学习真实分布并生成可靠度较高的数据，解决了存在缺失数据时剩余寿命预测效果较差的问题，有效提高了预测精度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。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。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种面向缺失数据的设备剩余寿命预测方法，其特征在于，包括：
获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；
基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；
所述生成器的损失函数为：
其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示经K-S检验得到的生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；XN1表示容量为N1的真实数据集；XN2表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布；
根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。
2.根据权利要求1所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据，之前还包括：
构建包括所述生成器和所述判别器的所述生成对抗网络模型；
基于K-S检验，确定所述生成器的损失函数；
确定判别器的损失函数；
基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；
将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。
3.根据权利要求1所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，具体包括：
根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测；
将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻；
将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。
4.根据权利要求3所述的面向缺失数据的设备剩余寿命预测方法，其特征在于，所述根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测，具体包括：
根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；
根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。
5.一种面向缺失数据的设备剩余寿命预测系统，其特征在于，包括：
退化数据获取模块，用于获取待预测设备的退化数据；所述退化数据为对所述待预测设备运行过程采样得到的存在缺失的数据；
完整数据生成模块，用于基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据；所述退化数据生成模型为包括生成器和判别器的生成对抗网络模型；
所述生成器的损失函数为：
其中，G表示生成器；V(G)表示生成器的损失函数；E(·)表示计算期望值；x～Pg表示来自生成数据分布Pg的样本；D(x)表示判别器判断输入样本来自真实数据集分布Pdata(x)的概率；x表示判别器的输入样本；p表示经K-S检验得到的生成数据与真实数据的分布相似概率；N1表示真实数据集容量；N2表示生成数据集容量；sup表示对生成数据分布与真实数据分布之间的距离取最小上界；表示容量为N1的真实数据集；/>表示容量为N2的生成数据集；Pg(x)表示生成器生成的数据分布；Pdata(x)表示判别器输入的真实数据分布；
剩余寿命预测模块，用于根据所述完整数据，采用双向长短期记忆网络对所述待预测设备的剩余寿命进行预测，得到所述待预测设备的剩余使用寿命估计值。
6.根据权利要求5所述的面向缺失数据的设备剩余寿命预测系统，其特征在于，还包括：
生成对抗网络模型构建模块，用于在基于所述退化数据，采用退化数据生成模型生成所述待预测设备的完整数据之前，构建包括所述生成器和所述判别器的所述生成对抗网络模型；
生成器损失函数确定模块，用于基于K-S检验，确定所述生成器的损失函数；
判别器损失函数确定模块，用于确定判别器的损失函数；
交替训练模块，用于基于所述待预测设备的退化样本数据、所述生成器的损失函数和所述判别器的损失函数，采用交替优化的方法，对所述生成器和所述判别器进行训练，得到训练好的生成对抗网络模型；
退化数据生成模型确定模块，用于将所述训练好的生成对抗网络模型确定为所述退化数据生成模型。
7.根据权利要求5所述的面向缺失数据的设备剩余寿命预测系统，其特征在于，所述剩余寿命预测模块，具体包括：
退化数据预测单元，用于根据所述完整数据，采用所述双向长短期记忆网络对所述待预测设备之后的退化数据进行预测；
设备失效时刻确定单元，用于将预测得到的待预测设备之后的退化数据中首次达到失效阈值的时刻确定为设备失效时刻；
剩余寿命确定单元，用于将当前时刻与所述设备失效时刻之间的时间间隔确定为所述待预测设备的剩余寿命。
8.根据权利要求7所述的面向缺失数据的设备剩余寿命预测系统，其特征在于，所述退化数据预测单元，具体包括：
网络训练样本及标签生成子单元，用于根据所述完整数据，采用滑动时间窗对所述完整数据沿时间维度进行处理，得到所需的网络训练样本以及对应的标签；第k个网络训练样本为所述滑动时间窗处理的所述完整数据中第(k-1)d+1时刻至第kd时刻的数据，所述第k个网络训练样本对应的标签为所述完整数据中第kd+1时刻的数据；d为所述滑动时间窗的长度；
预测子单元，用于根据所述网络训练样本及标签，训练优化所述双向长短期记忆网络的网络参数，通过训练好的所述双向长短期记忆网络得到所述待预测设备的退化数据的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110539040.3A CN113269356B (zh) | 2021-05-18 | 2021-05-18 | 一种面向缺失数据的设备剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110539040.3A CN113269356B (zh) | 2021-05-18 | 2021-05-18 | 一种面向缺失数据的设备剩余寿命预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113269356A CN113269356A (zh) | 2021-08-17 |
| CN113269356B true CN113269356B (zh) | 2024-03-15 |
Family
ID=77231587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110539040.3A Active CN113269356B (zh) | 2021-05-18 | 2021-05-18 | 一种面向缺失数据的设备剩余寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269356B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536697A (zh) * | 2021-08-24 | 2021-10-22 | 江南大学 | 一种基于改进残差网络和wgan的轴承剩余寿命预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
| CN110610156A (zh) * | 2019-09-12 | 2019-12-24 | 河海大学 | 基于生成对抗网络的高光谱影像分类方法 |
| 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 |
| KR102093080B1 (ko) * | 2019-12-06 | 2020-04-27 | 주식회사 애자일소다 | 레이블 데이터 및 비레이블 데이터를 이용한 생성적 적대 신경망 기반의 분류 시스템 및 방법 |
| CN111784583A (zh) * | 2020-07-13 | 2020-10-16 | 东北石油大学 | 一种用于降水图的循环随机超分辨率生成对抗网络 |
| CN112098878A (zh) * | 2020-09-15 | 2020-12-18 | 重庆邮电大学 | 一种锂电池soh估算和rul预测的端到端神经网络建立方法 |
| CN112381213A (zh) * | 2020-12-01 | 2021-02-19 | 重庆邮电大学 | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 |
| CN112464578A (zh) * | 2021-01-28 | 2021-03-09 | 电子科技大学中山学院 | 一种用于剩余使用寿命预测退化数据的扩增方法 |
| CN112784881A (zh) * | 2021-01-06 | 2021-05-11 | 北京西南交大盛阳科技股份有限公司 | 网络异常流量检测方法、模型及系统 |
| CN117407665A (zh) * | 2023-11-03 | 2024-01-16 | 安徽国麒科技有限公司 | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201710877D0 (en) * | 2017-07-06 | 2017-08-23 | Nokia Technologies Oy | A method and an apparatus for evaluating generative machine learning model |
-
2021
- 2021-05-18 CN CN202110539040.3A patent/CN113269356B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598806A (zh) * | 2019-07-29 | 2019-12-20 | 合肥工业大学 | 一种基于参数优化生成对抗网络的手写数字生成方法 |
| CN110610156A (zh) * | 2019-09-12 | 2019-12-24 | 河海大学 | 基于生成对抗网络的高光谱影像分类方法 |
| 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 |
| KR102093080B1 (ko) * | 2019-12-06 | 2020-04-27 | 주식회사 애자일소다 | 레이블 데이터 및 비레이블 데이터를 이용한 생성적 적대 신경망 기반의 분류 시스템 및 방법 |
| CN111784583A (zh) * | 2020-07-13 | 2020-10-16 | 东北石油大学 | 一种用于降水图的循环随机超分辨率生成对抗网络 |
| CN112098878A (zh) * | 2020-09-15 | 2020-12-18 | 重庆邮电大学 | 一种锂电池soh估算和rul预测的端到端神经网络建立方法 |
| CN112381213A (zh) * | 2020-12-01 | 2021-02-19 | 重庆邮电大学 | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 |
| CN112784881A (zh) * | 2021-01-06 | 2021-05-11 | 北京西南交大盛阳科技股份有限公司 | 网络异常流量检测方法、模型及系统 |
| CN112464578A (zh) * | 2021-01-28 | 2021-03-09 | 电子科技大学中山学院 | 一种用于剩余使用寿命预测退化数据的扩增方法 |
| CN117407665A (zh) * | 2023-11-03 | 2024-01-16 | 安徽国麒科技有限公司 | 一种基于生成对抗网络的退役电池时序数据缺失值填充方法 |
Non-Patent Citations (6)
| Title |
|---|
| Averaged Bi-LSTM networks for RUL prognostics with non-life-cycle labeled dataset;Yong Yu等;Neurocomputing;第134–147页 * |
| Online remaining-useful-life estimation with a Bayesian-updated expectation-conditional-maximization algorithm and a modified Bayesian-model-averaging method;Yong Yu等;SCIENCE CHINA Information Sciences;第64卷;第1-16页 * |
| 基于BiLSTM的滚动轴承剩余使用寿命预测;韩林洁 等;制造业自动化;第42卷(第5期);第47-50页 * |
| 基于MSCNN-LSTM的滚动轴承剩余寿命预测方法;胡城豪 等;中国测试;第46卷(第9期);第103-110页 * |
| 基于深度卷积生成对抗网络的缺失数据生成方法 及其在剩余寿命预测中的应用;张晟斐 等;航空学报;20220825;第第43卷卷(第第8期期);第1-15页 * |
| 面向飞机辅助动力装置在翼剩余寿命预测的性能参数扩增方法;刘连胜 等;仪器仪表学报;第41卷(第7期);第107-116页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113269356A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN110824364B (zh) | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 | |
| WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN104077445B (zh) | 基于模糊理论的加速寿命试验统计分析方法 | |
| Wang et al. | A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend | |
| KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
| Semeraro et al. | Battery monitoring and prognostics optimization techniques: challenges and opportunities | |
| CN110501646A (zh) | 一种离线锂电池剩余电量估计方法 | |
| CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
| CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN115616414A (zh) | 储能锂电池剩余寿命长时间序列预测方法及装置 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN113269356B (zh) | 一种面向缺失数据的设备剩余寿命预测方法及系统 | |
| CN111537888A (zh) | 一种数据驱动的梯次电池soc预测方法 | |
| CN115792637A (zh) | 一种锂电池健康状态估算方法 | |
| CN116653608B (zh) | 电动汽车充电保护、控制方法、装置及存储介质 | |
| Mazzi et al. | Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit | |
| CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
| CN113742178A (zh) | 一种基于lstm的网络节点健康状态监测方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| Anandhakumar et al. | Extreme learning machine model with honey badger algorithm based state-of-charge estimation of lithium-ion battery | |
| CN117435956A (zh) | 一种基于igwo-adam-bp神经网络的电化学储能电池数据分析方法 |
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 |