CN113657012A - 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 - Google Patents
一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113657012A CN113657012A CN202110827199.5A CN202110827199A CN113657012A CN 113657012 A CN113657012 A CN 113657012A CN 202110827199 A CN202110827199 A CN 202110827199A CN 113657012 A CN113657012 A CN 113657012A
- Authority
- CN
- China
- Prior art keywords
- imf
- monitoring data
- residual
- decomposition
- tcn
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 24
- 238000006731 degradation reaction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
Abstract
本发明公开了一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，首先获取关键设备的监测数据值Ci，由此构成一组关键设备监测数据C＝{C1,C2,...,Cn}；将监测数据C用EMD技术分解成一个残余序列r(t)和两个本征模态函数IMFs(t)；对于分解后得到的残余序列，用TCN网络进行预测，得到残余序列的预测结果；对于分解后得到的IMFs(t)，用PF算法进行预测，得到IMFs(t)的预测结果；然后将得到的预测结果相加融合，从而计算出关键设备的剩余寿命预测结果。本发明消除了建立单一模型对关键设备进行剩余寿命预测时精度不高的的影响，建立了更加精确的混合模型，提高了模型的预测精度。
Description
技术领域
本发明属于工业设备寿命预测技术领域，具体涉及一种基于TCN和粒子滤波的关键设备剩余寿命预测方法。
背景技术
伴随着科技的进步和生产工艺的发展，越来越多的工业设备被投入到工业系统中使用，设备的性能会随着不断地使用而发生退化，最终会发生失效，为保障设备的安全性和可靠性，剩余寿命预测技术受到了广泛关注。
针对工业系统中关键设备的剩余寿命预测中存在的问题，提出一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，相比于单一模型，该方法能够提高预测的精度和稳定性，为关键设备剩余寿命预测提供了进一步的参考。
发明内容
本发明的目的是提供一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，消除了建立单一模型对关键设备进行剩余寿命预测时精度不高的的影响，建立了更加精确的混合模型，提高了模型的预测精度。
本发明所采用的技术方案是，一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，具体按照以下步骤实施：
步骤1、获取关键设备的监测数据值Ci，i＝1,2,...,n，其中Ci表示获取的该关键设备的第i个监测数据值，n为获取的数据总个数，由此构成一组关键设备监测数据C＝{C1,C2,...,Cn}；
步骤2、将步骤1中得到的监测数据C用EMD技术分解成一个残余序列r(t)和两个本征模态函数IMFs(t)；
步骤3、对于经过步骤2分解后得到的残余序列，用TCN网络进行预测，得到残余序列的预测结果；
步骤4、对于经过步骤2分解后得到的IMFs(t)，用PF算法进行预测，得到IMFs(t)的预测结果；
步骤5、将步骤3和步骤4中得到的预测结果相加融合，从而计算出关键设备的剩余寿命预测结果。
本发明的特点还在于，
步骤2具体如下：
步骤2.1、采用EMD技术将步骤1中获取到的关键设备监测数据C分解为2个本征模态函数IMF1(t)、IMF2(t)和一个残余序列r(t)，将IMF1(t)、IMF2(t)简写为IMFs(t)，其中s＝1,2，s为本征模态函数的个数，分解得到的IMFs(t)是监测数据C的两个频率分量，对应监测数据C的波动过程；残余序列r(t)对应监测数据C的正常退化过程，因此，分解结果描述为
其中IMFs(t)表示第s个本征模态函数，r(t)为分解后的残余序列，t表示时间；
步骤2.2、用步骤2.1中分解后得到的本征模态函数IMFs(t)和残余序列r(t)分别表征监测数据C的波动过程和正常退化过程，具体如下：当监测数据C处于平稳下降趋势即正常退化过程时，IMFs(t)的幅值保持不变，当监测数据C出现上升现象即出现波动过程时，IMFs(t)的幅值也随之上下波动，因此监测数据C的波动过程用本征模态函数IMFs(t)表征；步骤2.1中分解得到的残余序列r(t)的变化趋势和C正常退化过程的变化趋势相同，且监测数据C呈下降趋势时，r(t)的幅值也不断下降，因此监测数据C的正常退化过程用r(t)表征。
步骤3具体如下：
步骤3.1、在步骤2分解后得到的残余序列r(t)中设定预测起始点T，其中T∈[1,n]且T取整数，并划分训练集和测试集：将T前的r(t)作为训练集，T后的r(t)作为测试集；
步骤3.2、首先建立TCN网络模型并设置模型参数的初始值，设置网络层数为3层，隐层神经元个数为6，TCN网络的最大迭代次数为200次，Dropout率为0.5，学习率为3，扩张因果卷积的卷积核大小为7，采用Adam作为优化器，采用ReLU函数作为激活函数，接着将所述步骤3.1得到的训练集中的数据作为TCN网络的输入，训练该网络，得到最优模型参数；
步骤3.3、使用所述步骤3.2训练好的TCN网络对所述步骤3.1得到的测试集中的数据进行预测，得到残余序列的预测结果rpred。
步骤4具体如下：
步骤4.1、选择双指数函数CIMF＝a·eb·g+c·ed·g作为PF算法中的衰退模型，其中CIMF表示步骤2中分解后的得到的本征模态函数，a、b、c、d表示模型状态参数，g表示充放电循环次数，用该双指数函数拟合步骤2中分解得到的IMFs(t)，得到模型状态参数a、b、c、d的初始值；
步骤4.2、建立状态空间方程，包括状态转移方程和量测方程，其中状态转移方程为：
xk＝(ak,bk,ck,dk)
量测方程为：
其中，xk表示系统k时刻下的状态，ak、bk、ck、dk表示系统k时刻下的参数值，w表示系统的过程噪声，CIMFk表示k时刻的本征模态函数值，vk表示系统k时刻的量测噪声，过程噪声和量测噪声均符合均值为0方差为σ的高斯分布；
步骤4.3、在步骤2分解后得到的本征模态函数IMFs(t)中设置与步骤3.1中相同的预测起始点T，同样将T前的IMFs(t)数据作为训练集，T后的IMFs(t)数据作为测试集，采用PF算法跟踪训练集中的数据，并不断更新模型状态参数a、b、c、d，最终得到最优模型状态参数；
步骤4.4、采用PF算法对测试集中的数据进行预测，得到IMFs(t)的预测结果
步骤4.4具体如下：
步骤4.4.1、初始化参数，从系统的先验概率密度分布p(x0)中采样得到粒子集
l＝1,2,…,N其中
为0时刻的状态对应的第l个粒子，N为总的粒子个数，每个粒子的权值为1/N；
步骤4.4.2、进行重要性采样并更新粒子权值，在k时刻，从系统状态的后验概率密度中采样得到粒子
其中
表示k时刻的状态对应的第l个粒子，采样后可将粒子的初始权值更新为重要性权值：
其中，
表示k时刻的第l个粒子权重，zk为k时刻的观测值，随后将重要性权值
进行归一化得到归一化权值
计算状态参数x在k时刻的最小状态估计
步骤4.4.3、重采样，判断有效粒子数Neff是否小于重采样阈值Nth，若Neff＜Nth，则调用重采样算法，得到新的具有相同权重的粒子集
否则直接进入步骤4.4.4进行预测；
步骤4.4.4、进行预测，基于系统的状态方程，预测系统在k+1时刻的状态参数
得到IMFs(t)的预测结果
步骤5具体如下：
步骤5.1、将步骤3得到的预测结果rpred和步骤4得到的预测结果
相加融合，得到融合预测结果后的监测数据Cpred，其中
设定关键设备失效阈值CEOL，将Cpred与CEOL进行比较，若Cpred＞CEOL，则继续进行预测，否则停止预测；
步骤5.2、根据循环使用寿命与剩余使用寿命的关系，通过公式NRUL＝NEOL-NECL计算得到剩余使用寿命结果，其中NRUL表示剩余使用寿命值，NEOL表示监测数据衰退到失效阈值总的循环次数，NECL表示开始预测时的循环次数。
本发明的有益效果是，一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，首先用经验模态分解(Empirical Mode Decomposition,EMD)技术对关键设备的监测数据进行多尺度分解，分解成多个本征模态函数(Intrinsic Mode Function,IMF)和一个残余序列，并建立时间卷积网络(Temporal convolutional network,TCN)和粒子滤波(ParticleFilter,PF)算法模型分别对残余序列和本征模态函数进行预测，进而得到监测设备的剩余寿命预测结果。在预测关键设备的剩余寿命时将获取得到的监测数据进行多尺度分解并分别进行建模预测，能够提高预测精度，有效衡量关键设备未来的状态和工作能力。
附图说明
图1是本发明一种基于TCN和粒子滤波的关键设备剩余寿命预测方法的总体流程图；
图2是本发明一种基于TCN和粒子滤波的关键设备剩余寿命预测方法的关键设备监测数据的变化曲线；
图3是本发明一种基于TCN和粒子滤波的关键设备剩余寿命预测方法得到的监测数据的EMD分解结果图；
图4是本发明一种基于TCN和粒子滤波的关键设备剩余寿命预测方法的监测数据和分解后得到的的残余序列之间的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，流程图如图1所示，具体按照以下步骤实施：
步骤1、获取关键设备的监测数据值Ci，i＝1,2,...,n，其中Ci表示获取的该关键设备的第i个监测数据值，n为获取的数据总个数，由此构成一组关键设备监测数据C＝{C1,C2,...,Cn}；
步骤2、将步骤1中得到的监测数据C用EMD技术分解成一个残余序列r(t)和两个本征模态函数IMFs(t)；
步骤2具体如下：
步骤2.1、步骤1中获取到的关键设备监测数据C总体上具有平稳下降趋势，反映了C的正常退化过程，但在退化过程中，C存在小幅度的上升现象，将这种上升现象看作C的一种波动过程，波动过程的存在会影响预测的精度，因此为了提高预测精度，要将正常退化过程和波动过程分开。采用EMD技术将步骤1中获取到的关键设备监测数据C分解为2个本征模态函数IMF1(t)、IMF2(t)和一个残余序列r(t)，将IMF1(t)、IMF2(t)简写为IMFs(t)，其中s＝1,2，s为本征模态函数的个数，分解得到的IMFs(t)是监测数据C的两个频率分量，对应监测数据C的波动过程；残余序列r(t)对应监测数据C的正常退化过程，因此，分解结果描述为
其中IMFs(t)表示第s个本征模态函数，r(t)为分解后的残余序列，t表示时间；
步骤2.2、用步骤2.1中分解后得到的本征模态函数IMFs(t)和残余序列r(t)分别表征监测数据C的波动过程和正常退化过程，具体如下：所述本征模态函数IMFs(t)是C的两个频率分量，表达了C在不同频率下的特征，当监测数据C处于平稳下降趋势即正常退化过程时，IMFs(t)的幅值保持不变，当监测数据C出现上升现象即出现波动过程时，IMFs(t)的幅值也随之上下波动，因此监测数据C的波动过程用本征模态函数IMFs(t)表征；步骤2.1中分解得到的残余序列r(t)的变化趋势和C正常退化过程的变化趋势相同，且监测数据C呈下降趋势时，r(t)的幅值也不断下降，因此监测数据C的正常退化过程用r(t)表征。
步骤3、对于经过步骤2分解后得到的残余序列，用TCN网络进行预测，得到残余序列的预测结果；
步骤3具体如下：
步骤3.1、在步骤2分解后得到的残余序列r(t)中设定预测起始点T，其中T∈[1,n]且T取整数，并划分训练集和测试集：将T前的r(t)作为训练集，T后的r(t)作为测试集；
步骤3.2、首先建立TCN网络模型并设置模型参数的初始值，设置网络层数为3层，隐层神经元个数为6，TCN网络的最大迭代次数为200次，Dropout率为0.5，学习率为3，扩张因果卷积的卷积核大小为7，采用Adam作为优化器，采用ReLU函数作为激活函数，接着将所述步骤3.1得到的训练集中的数据作为TCN网络的输入，训练该网络，得到最优模型参数；
步骤3.3、使用所述步骤3.2训练好的TCN网络对所述步骤3.1得到的测试集中的数据进行预测，得到残余序列的预测结果rpred。
步骤4、对于经过步骤2分解后得到的IMFs(t)，用PF算法进行预测，得到IMFs(t)的预测结果；
步骤4具体如下：
步骤4.1、选择双指数函数CIMF＝a·eb·g+c·ed·g作为PF算法中的衰退模型，其中CIMF表示步骤2中分解后的得到的本征模态函数，a、b、c、d表示模型状态参数，g表示充放电循环次数，用该双指数函数拟合步骤2中分解得到的IMFs(t)，得到模型状态参数a、b、c、d的初始值；
步骤4.2、建立状态空间方程，包括状态转移方程和量测方程，其中状态转移方程为：
xk＝(ak,bk,ck,dk)
量测方程为：
其中，xk表示系统k时刻下的状态，ak、bk、ck、dk表示系统k时刻下的参数值，w表示系统的过程噪声，CIMFk表示k时刻的本征模态函数值，vk表示系统k时刻的量测噪声，过程噪声和量测噪声均符合均值为0方差为σ的高斯分布；
步骤4.3、在步骤2分解后得到的本征模态函数IMFs(t)中设置与步骤3.1中相同的预测起始点T，同样将T前的IMFs(t)数据作为训练集，T后的IMFs(t)数据作为测试集，采用PF算法跟踪训练集中的数据，并不断更新模型状态参数a、b、c、d，最终得到最优模型状态参数；
步骤4.4、采用PF算法对测试集中的数据进行预测，得到IMFs(t)的预测结果
步骤4.4具体如下：
步骤4.4.1、初始化参数，从系统的先验概率密度分布p(x0)中采样得到粒子集
l＝1,2,…,N其中
为0时刻的状态对应的第l个粒子，N为总的粒子个数，每个粒子的权值为1/N；
步骤4.4.2、进行重要性采样并更新粒子权值，在k时刻，从系统状态的后验概率密度中采样得到粒子
其中
表示k时刻的状态对应的第l个粒子，采样后可将粒子的初始权值更新为重要性权值：
其中，
表示k时刻的第l个粒子权重，zk为k时刻的观测值，随后将重要性权值
进行归一化得到归一化权值
计算状态参数x在k时刻的最小状态估计
步骤4.4.3、重采样，判断有效粒子数Neff是否小于重采样阈值Nth，一般Nth＝2N/3，若Neff＜Nth，则调用重采样算法，得到新的具有相同权重的粒子集
否则直接进入步骤4.4.4进行预测；
步骤4.4.4、进行预测，基于系统的状态方程，预测系统在k+1时刻的状态参数
得到IMFs(t)的预测结果
步骤5、将步骤3和步骤4中得到的预测结果相加融合，从而计算出关键设备的剩余寿命预测结果。
步骤5具体如下：
步骤5.1、将步骤3得到的预测结果rpred和步骤4得到的预测结果
相加融合，得到融合预测结果后的监测数据Cpred，其中
设定关键设备失效阈值CEOL，并将关键设备失效阈值CEOL设定为1.4Ah，将Cpred与CEOL进行比较，若Cpred＞CEOL，则继续进行预测，否则停止预测；
步骤5.2、根据循环使用寿命与剩余使用寿命的关系，通过公式NRUL＝NEOL-NECL计算得到剩余使用寿命结果，其中NRUL表示剩余使用寿命值，NEOL表示监测数据衰退到失效阈值总的循环次数，NECL表示开始预测时的循环次数。
图2给出了关键设备的监测数据随监测次数的变化趋势图，由图可知该关键设备前期退化速率较慢，后期退化速率变快，而且监测数据在某些时刻有小幅回升现象，即自恢复现象，每段自恢复的程度和时间也存在差异；图3给出了采用EMD技术对关键设备监测数据进行多尺度分解后的图，即将关键设备监测数据分解为多个具有不同频率的分量，图中Residual Value部分是分解得到的剩余信号，即整体趋势部分，显示了关键设备的正常退化过程，IMF1、IMF2为自恢复引起的波动部分，从图中可以看出，Residual Value部分与图2中的监测数据的数据范围相同，均分布在0～2之间，IMF1分布在-0.05～0.05之间，IMF2分布在-0.02～0.02之间，说明分解出的数据均在不同的数据尺度下；图4给出了图2中的监测数据变化趋势图与图3中的的Residual Value部分的对比图，由图可知Residual Value部分不仅与图2的监测数据的数据范围相同，且整体退化趋势相同都是单调下降的，能很好地反映监测数据的正常退化趋势。
Claims (6)
1.一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，其特征在于，具体按照以下步骤实施：
步骤1、获取关键设备的监测数据值Ci，i＝1,2,...,n，其中Ci表示获取的该关键设备的第i个监测数据值，n为获取的数据总个数，由此构成一组关键设备监测数据C＝{C1,C2,...,Cn}；
步骤2、将步骤1中得到的监测数据C用EMD技术分解成一个残余序列r(t)和两个本征模态函数IMFs(t)；
步骤3、对于经过步骤2分解后得到的残余序列，用TCN网络进行预测，得到残余序列的预测结果；
步骤4、对于经过步骤2分解后得到的IMFs(t)，用PF算法进行预测，得到IMFs(t)的预测结果；
步骤5、将步骤3和步骤4中得到的预测结果相加融合，从而计算出关键设备的剩余寿命预测结果。
2.根据权利要求1所述的一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，其特征在于，所述步骤2具体如下：
步骤2.1、采用EMD技术将步骤1中获取到的关键设备监测数据C分解为2个本征模态函数IMF1(t)、IMF2(t)和一个残余序列r(t)，将IMF1(t)、IMF2(t)简写为IMFs(t)，其中s＝1,2，s为本征模态函数的个数，分解得到的IMFs(t)是监测数据C的两个频率分量，对应监测数据C的波动过程；残余序列r(t)对应监测数据C的正常退化过程，因此，分解结果描述为
其中IMFs(t)表示第s个本征模态函数，r(t)为分解后的残余序列，t表示时间；
步骤2.2、用步骤2.1中分解后得到的本征模态函数IMFs(t)和残余序列r(t)分别表征监测数据C的波动过程和正常退化过程，具体如下：当监测数据C处于平稳下降趋势即正常退化过程时，IMFs(t)的幅值保持不变，当监测数据C出现上升现象即出现波动过程时，IMFs(t)的幅值也随之上下波动，因此监测数据C的波动过程用本征模态函数IMFs(t)表征；步骤2.1中分解得到的残余序列r(t)的变化趋势和C正常退化过程的变化趋势相同，且监测数据C呈下降趋势时，r(t)的幅值也不断下降，因此监测数据C的正常退化过程用r(t)表征。
3.根据权利要求2所述的一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，其特征在于，所述步骤3具体如下：
步骤3.1、在步骤2分解后得到的残余序列r(t)中设定预测起始点T，其中T∈[1,n]且T取整数，并划分训练集和测试集：将T前的r(t)作为训练集，T后的r(t)作为测试集；
步骤3.2、首先建立TCN网络模型并设置模型参数的初始值，设置网络层数为3层，隐层神经元个数为6，TCN网络的最大迭代次数为200次，Dropout率为0.5，学习率为3，扩张因果卷积的卷积核大小为7，采用Adam作为优化器，采用ReLU函数作为激活函数，接着将所述步骤3.1得到的训练集中的数据作为TCN网络的输入，训练该网络，得到最优模型参数；
步骤3.3、使用所述步骤3.2训练好的TCN网络对所述步骤3.1得到的测试集中的数据进行预测，得到残余序列的预测结果rpred。
4.根据权利要求3所述的一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，其特征在于，所述步骤4具体如下：
步骤4.1、选择双指数函数CIMF＝a·eb·g+c·ed·g作为PF算法中的衰退模型，其中CIMF表示步骤2中分解后的得到的本征模态函数，a、b、c、d表示模型状态参数，g表示充放电循环次数，用该双指数函数拟合步骤2中分解得到的IMFs(t)，得到模型状态参数a、b、c、d的初始值；
步骤4.2、建立状态空间方程，包括状态转移方程和量测方程，其中状态转移方程为：
xk＝(ak,bk,ck,dk)
量测方程为：
其中，xk表示系统k时刻下的状态，ak、bk、ck、dk表示系统k时刻下的参数值，w表示系统的过程噪声，CIMFk表示k时刻的本征模态函数值，vk表示系统k时刻的量测噪声，过程噪声和量测噪声均符合均值为0方差为σ的高斯分布；
步骤4.3、在步骤2分解后得到的本征模态函数IMFs(t)中设置与步骤3.1中相同的预测起始点T，同样将T前的IMFs(t)数据作为训练集，T后的IMFs(t)数据作为测试集，采用PF算法跟踪训练集中的数据，并不断更新模型状态参数a、b、c、d，最终得到最优模型状态参数；
步骤4.4、采用PF算法对测试集中的数据进行预测，得到IMFs(t)的预测结果
5.根据权利要求4所述的一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，其特征在于，所述步骤4.4具体如下：
步骤4.4.1、初始化参数，从系统的先验概率密度分布p(x0)中采样得到粒子集
其中
为0时刻的状态对应的第l个粒子，N为总的粒子个数，每个粒子的权值为1/N；
步骤4.4.2、进行重要性采样并更新粒子权值，在k时刻，从系统状态的后验概率密度中采样得到粒子
其中
表示k时刻的状态对应的第l个粒子，采样后可将粒子的初始权值更新为重要性权值：
其中，
表示k时刻的第l个粒子权重，zk为k时刻的观测值，随后将重要性权值
进行归一化得到归一化权值
计算状态参数x在k时刻的最小状态估计
步骤4.4.3、重采样，判断有效粒子数Neff是否小于重采样阈值Nth，若Neff＜Nth，则调用重采样算法，得到新的具有相同权重的粒子集
否则直接进入步骤4.4.4进行预测；
步骤4.4.4、进行预测，基于系统的状态方程，预测系统在k+1时刻的状态参数
得到IMFs(t)的预测结果
6.根据权利要求5所述的一种基于TCN和粒子滤波的关键设备剩余寿命预测方法，其特征在于，所述步骤5具体如下：
步骤5.1、将步骤3得到的预测结果rpred和步骤4得到的预测结果
相加融合，得到融合预测结果后的监测数据Cpred，其中
设定关键设备失效阈值CEOL，将Cpred与CEOL进行比较，若Cpred＞CEOL，则继续进行预测，否则停止预测；
步骤5.2、根据循环使用寿命与剩余使用寿命的关系，通过公式NRUL＝NEOL-NECL计算得到剩余使用寿命结果，其中NRUL表示剩余使用寿命值，NEOL表示监测数据衰退到失效阈值总的循环次数，NECL表示开始预测时的循环次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110827199.5A CN113657012A (zh) | 2021-07-21 | 2021-07-21 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110827199.5A CN113657012A (zh) | 2021-07-21 | 2021-07-21 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657012A true CN113657012A (zh) | 2021-11-16 |
Family
ID=78489697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110827199.5A Pending CN113657012A (zh) | 2021-07-21 | 2021-07-21 | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657012A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611414A (zh) * | 2022-05-10 | 2022-06-10 | 河北工业大学 | 一种结合emd和tcn的太阳能辐射预测方法 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
| US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
| CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
| WO2015075814A1 (ja) * | 2013-11-22 | 2015-05-28 | 株式会社日立製作所 | 二次電池の余寿命診断方法並びに余寿命診断装置及びこれを備えた電池システム |
| CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
| CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
| CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
| CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
| CN108875126A (zh) * | 2018-04-27 | 2018-11-23 | 中国航空无线电电子研究所 | 电解电容剩余寿命预测方法 |
| CN109543905A (zh) * | 2018-11-23 | 2019-03-29 | 西安电子科技大学 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
| CN109543317A (zh) * | 2018-04-28 | 2019-03-29 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
| CN109633474A (zh) * | 2018-11-14 | 2019-04-16 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
| CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
| CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
| CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
| CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
| 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 |
| CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
| CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
| CN112949164A (zh) * | 2021-01-27 | 2021-06-11 | 上海电机学院 | 一种锂电池健康状态预测方法 |
| CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
| CN113156325A (zh) * | 2021-03-18 | 2021-07-23 | 吉林大学 | 一种对电池的健康状态进行估计的方法 |
-
2021
- 2021-07-21 CN CN202110827199.5A patent/CN113657012A/zh active Pending
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8332342B1 (en) * | 2009-11-19 | 2012-12-11 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Model-based prognostics for batteries which estimates useful life and uses a probability density function |
| CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
| CN102968573A (zh) * | 2012-12-14 | 2013-03-13 | 哈尔滨工业大学 | 基于相关向量回归的在线预测锂离子电池剩余寿命的方法 |
| WO2015075814A1 (ja) * | 2013-11-22 | 2015-05-28 | 株式会社日立製作所 | 二次電池の余寿命診断方法並びに余寿命診断装置及びこれを備えた電池システム |
| CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
| CN106908736A (zh) * | 2017-03-17 | 2017-06-30 | 哈尔滨工业大学 | 基于深度置信网和相关向量机融合的锂电池剩余寿命预测方法 |
| CN107015165A (zh) * | 2017-06-14 | 2017-08-04 | 安庆师范大学 | 基于稀疏系数多核相关向量机的锂电池剩余寿命预测方法 |
| CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
| CN108875126A (zh) * | 2018-04-27 | 2018-11-23 | 中国航空无线电电子研究所 | 电解电容剩余寿命预测方法 |
| CN109543317A (zh) * | 2018-04-28 | 2019-03-29 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
| CN109633474A (zh) * | 2018-11-14 | 2019-04-16 | 江苏大学 | 一种锂离子电池剩余寿命预测方法 |
| CN109543905A (zh) * | 2018-11-23 | 2019-03-29 | 西安电子科技大学 | 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法 |
| CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
| CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
| CN112016237A (zh) * | 2019-05-13 | 2020-12-01 | 北京航空航天大学 | 锂电池寿命预测的深度学习方法、装置及系统 |
| 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 |
| CN110221225A (zh) * | 2019-07-08 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种航天器锂离子电池循环寿命预测方法 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
| CN112415414A (zh) * | 2020-10-09 | 2021-02-26 | 杭州电子科技大学 | 一种锂离子电池剩余使用寿命预测方法 |
| CN112816874A (zh) * | 2020-12-18 | 2021-05-18 | 浙江大有实业有限公司杭州科技发展分公司 | 一种基于rvm与pf算法融合的电池剩余使用寿命预测方法 |
| CN112949164A (zh) * | 2021-01-27 | 2021-06-11 | 上海电机学院 | 一种锂电池健康状态预测方法 |
| CN113156325A (zh) * | 2021-03-18 | 2021-07-23 | 吉林大学 | 一种对电池的健康状态进行估计的方法 |
| CN112986831A (zh) * | 2021-04-30 | 2021-06-18 | 上海海事大学 | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611414A (zh) * | 2022-05-10 | 2022-06-10 | 河北工业大学 | 一种结合emd和tcn的太阳能辐射预测方法 |
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 | |
| CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
| Toughzaoui et al. | State of health estimation and remaining useful life assessment of lithium-ion batteries: A comparative study | |
| Yan et al. | Low-cost adaptive lebesgue sampling particle filtering approach for real-time li-ion battery diagnosis and prognosis | |
| CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
| Xia et al. | Lithium-ion battery ageing behavior pattern characterization and state-of-health estimation using data-driven method | |
| Wang et al. | A linear mapping method for predicting accurately the RUL of rolling bearing | |
| Cao et al. | A parallel GRU with dual-stage attention mechanism model integrating uncertainty quantification for probabilistic RUL prediction of wind turbine bearings | |
| CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
| CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
| CN113743016A (zh) | 基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法 | |
| CN113657012A (zh) | 一种基于tcn和粒子滤波的关键设备剩余寿命预测方法 | |
| CN112287596A (zh) | 一种基于聚类和lstm的发动机剩余寿命预测方法 | |
| CN104376078A (zh) | 一种基于知识熵的异常数据检测方法 | |
| CN113459867A (zh) | 基于自适应深度置信网络的电动汽车充电过程故障预警方法 | |
| CN113408138B (zh) | 一种基于二次融合的锂电池soh估计方法和系统 | |
| CN114090352A (zh) | 机组能效异常诊断方法、装置以及存储介质 | |
| CN112214911A (zh) | 一种电源的健康状态预测方法 | |
| CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
| CN111400964A (zh) | 一种故障发生时间预测方法及装置 | |
| Smirnov | Intelligent decision support system for the control of complex technical systems | |
| Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering |
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 |