CN114297795B - 一种基于PR-Trans的机械设备剩余寿命预测方法 - Google Patents
一种基于PR-Trans的机械设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN114297795B CN114297795B CN202111631338.3A CN202111631338A CN114297795B CN 114297795 B CN114297795 B CN 114297795B CN 202111631338 A CN202111631338 A CN 202111631338A CN 114297795 B CN114297795 B CN 114297795B
- Authority
- CN
- China
- Prior art keywords
- model
- self
- residual life
- attention
- trans
- 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 46
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007792 addition Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PR‑Trans的机械设备剩余寿命预测方法，包括离线训练和在线预测两个阶段，其中，离线训练主要任务是建立预测模型、并利用历史操作数据库中处理后的数据对模型进行训练，在线训练主要任务是基于训练模型的实时预测实时RUL，并处理实时数据，然后将相关信息反馈给控制器。这种方法采用改进Transformer的自注意力机制，能减少计算量及空间占有率、增强位置之间关系、减小模型大小、通过增大模型感受野增强模型学习能力，使模型推理速度更快、预测更精确。
Description
技术领域
本发明涉及机械故障预测技术，具体是一种基于PR-Trans的机械设备剩余寿命预测方法。
背景技术
在上个世纪60年代之前，大型机械的维护主要采用故障发生之后再进行维护的方法，但该方法可能导致严重事故，视情维修CBM(Condition Based Maintenance，简称CBM)方法由此提出，并开始被广泛研究。视情维修是根据故障机理分析，预测维修对象的“潜在故障”，并进行调整、维修或更换，从而避免发生“功能故障”。随着工业设备和人工智能技术的不断进步，基于机械设备的故障诊断(Fault Diagnosis)、传感器技术(SensorTechnology)和状态监测(Condition Monitoring)等领域都取得了突飞猛进式的发展。设备工作温度、压强、电流、电压等数据通过预先设置传感器和控制软件采集，使用大数据技术对其处理，从而进一步推断其剩余使用寿命(RUL)。一旦一个系统的RUL被准确地预测，故障时间就可以被提前知道，并据此做出维修决策，避免一些不必要的维修活动，以降低维修成本。因此，RUL的预测对这一领域的研究者具有重要意义。
传统的RUL预测主要是利用历史测量数据作为学习基础，采用基于物理模型的方法和基于统计的方法，深入挖掘RUL的退化过程。近年来，人工智能方法因其对复杂工程系统具有强大的泛化能力而受到越来越多的关注。该方法起步早，具有较为深厚的研究基础和较好的预测效果，例如，Park J等人提出了一种基于模型的齿轮箱传动误差预测方法，取得了良好的预测效果。但是基于模型的方法依赖于专家经验，否则难以获得精确适用的物理模型。在数据驱动方法中，许多机器学习算法被用来处理CM数据，预测工业系统的RUL，包括支持向量机(SVM)、贝叶斯网络(BN)、灰度预测(GM)、随机森林(RF)、隐马尔可夫模型(HMM)等。此外，极限学习机和模糊聚类也被用于涡轮风扇发动机的RUL预测。
近年来，随着深度学习技术的发展，越来越多深度学习模型应用设备的剩余寿命预测领域，包括深度卷积神经网络(CNN)、深度递归神经网络(RNN)和深度自动编码器(DAE)、长短期记忆网络(LSTM)等。Lei Ren等人提出了一种基于深度卷积神经网络(CNN)的轴承RUL预测新方法，该方法采用一种新的特征提取方法来获得特征向量，在预测阶段，他们提出了一种平滑方法来处理在预测结果中发现的不连续性问题；Li等人利用深度卷积神经网络(DCNN)利用原始传感器数据实现RUL估计。然而，基于CNN的方法忽略了体现系统退化趋势的时间序列信号在生命周期中的相关性，RNN可以解决这一问题。在RNN结构模型中，网络会对之前时刻的信息进行记忆并且运用到当前的输出计算之中，相比于卷积神经网络、深度前馈网络，循环神经网络隐藏层之间的神经元是相互连接的，隐藏层中神经元的输入是由输入层的输出和上一时刻隐藏层神经元的输出共同组成；F.O.Heimes等人提出用循环神经网络架构来估计系统的剩余使用寿命。然而在对长序列进行学习时，循环神经网络会出现梯度消失(gradient vanishing)和梯度爆炸(gradient explosion)现象，无法掌握长时间跨度的非线性关系。为解决长期依赖问题，LSTM被提出，M.Ma提出了一种名为基于卷积的长短期记忆(CLSTM)网络的新型深度神经网络，用于预测挖掘原位振动数据的旋转机械的RUL。目前，Transformer模型在捕获长程依赖方面表现出了比RNN模型更好的性能，自注意机制可以将网络信号的最大传播路径长度减少到理论上的最短O(1)，避免了循环结构。
发明内容
本发明的目的是针对现有技术的不足，而提供一种基于PR-Trans的机械设备剩余寿命预测方法。这种方法采用改进Transformer的自注意力机制，能减少计算量及空间占有率、增强位置之间关系、减小模型大小、通过增大模型感受野增强模型学习能力，使模型推理速度更快、预测更精确。
实现本发明目的的技术方案是：
一种基于PR-Trans的机械设备剩余寿命预测方法，包括离线训练和在线预测两个阶段，其中，离线训练主要任务是建立预测模型、并利用历史操作数据库中处理后的数据对模型进行训练，在线训练主要任务是基于训练模型的实时预测实时RUL，并处理实时数据，然后将相关信息反馈给控制器，具体为：
所述离线训练阶段包括：
1)采用传感器获取机械设备多种物理量的历史状态监测信号，监测信号为电流、温度、工作压强、电压、操作条件信号数据，提取并预处理多个传感器数据，从训练设备中提取状态数据、标注的RUL，并将预处理后的多个传感器数据作为主输入，操作条件数据作为辅助输入；
2)对步骤1)所获取的传感器历史信号进行预处理，预处理是对数据进行清洗、平滑处理操作，将数据波动幅度在±0.01的无关联或关联度较小的信号剔除；
3)采用分线段退化模型获得实际剩余寿命的标签，最大剩余寿命值设为128，即超过128的部分均设为128，不满足128的设备则设为最大cycle值为最大剩余寿命；
4)将步骤2)中筛选出的信号数据进行归一化操作，归一化操作目的是减少方差大的特征影响并加快学习算法的收敛速度；
5)选择输入模型的信号数据时序长度，将步骤4)处理完的数据输入到RP-Trans模型中，RP-Trans模型的输出为设备剩余寿命退化预测值，MSE函数用于计算预测的设备剩余寿命与标签之间的误差，采用Adam算法作为优化器优化网络，这样作做的目的是以减少训练量误差；
所述在线预测阶段包括：
6)从监测设备采集实时数据，并将数据和操作条件输入到设备剩余寿命预测模型即RP-Trans模型中，设备剩余寿命预测模型输出当前时刻设备剩余寿命退化预测结果，取当前设备的最后一个值为设备当前剩余寿命。
所述RP-Trans模型采用旋转位置编码代替现有技术中Transformer模型中原有编码方式即将绝对位置编码与相对位置编码相结合、使得模型可以有能力分辨不同位置的令牌、增强了序列中不同位置之间的依赖性；采用ProbSparse自注意力模块方式代替现有技术中Transformer模型中的自注意力模块方式、降低自注意力机制时间复杂度至O(L logL)、空间复杂度降低至O(L log L)，这样解决经典自注意力机制复杂度高、存储量大的问题；采用改进的自我注意提取操作即采用Dilated-SKConv卷积(Dilated SelectiveKernel Convolution，简称Dilated-SKConv)代替现有技术中Transformer模型中全连接层连接ProbSparse自我注意块，在Transformer模型中，叠加多个自注意力模块有利于提取更深层次的特征图，但会带来更多的时间和空间复杂性，采取ProbSparse自注意力模块的方式减少内存的使用，但整个模型的参数量使得模型规模依旧很庞大，为了进一步减少内存的使用，改进的自我注意提取操作即采用Dilated-SKConv卷积从而减少模型参数量，提高模型计算速度，扩大模型感受野，提高变压器的学习能力。
Transformer中利用自注意力模块进行时序传递，在传递过程中需进行两次矩阵想乘，导致自注意力模块计算复杂度为I(n2)，然而经典的自注意力模块在概率分布具有稀疏性的特点，即只有少数几个点积对贡献了大部分注意力，因此，可以通过制定筛选规则，选出贡献力度大的注意力，忽略贡献力度小的注意力，从而达到减小注意力模块计算复杂度的效果。
所述ProbSparse自注意力模块方式为：
1)为每个query随机采样部分key；
2)计算每个query的稀疏性得分
3)选择稀疏性得分最高的N个query；
4)只计算N个query和key的点积结果，进而得到自注意结果；
5)其余L-N个query将Self-Attention层的输入取均值mean(V)作为输出，保证每个ProbSparse Self-Attention层的输入和输出序列长度都是L。
所述Dilated-SKConv卷积是将特征图分别进行卷积核大小为3、膨胀率为1的膨胀卷积和卷积核大小为3、膨胀率为2的膨胀卷积操作，即和/>其中，膨胀卷积过程采用逐个元素相加来融合两个分支的结果：/>
创建一个紧凑特征以便为自适应选择核进行指导，计算方式为；
γ＝Pfc(N)＝Θ(B(N))，其中，Θ为ReLU方法，B表示Batch Normalization，采用softmax计算出和/>的权重，权重计算公式为：
其中，Ai表示第A序列的第i个元素，ai表示第i个元素的权重，由于只有两个分支，则有ai+bi＝1，最终映射结果由权重因子ai，bi决定，过程中，/>和/>均由卷积、BN和ReLU组成。
为改进梯度爆炸问题，本技术方案采用Transformer模型进行预测Transformer网络架构与seq2seq模型相似，都是基于编码器-解码器的结构，与Seq2Seq模型不同的是，Transformer模型将seq2seq模型重的循环网络替换为Transformer Blocks，TransformerBlocks包含一个多头注意力层(Multi-head Attention Layers)以及两个position-wisefeed-forward networks(FFN)，与循环神经网络不同，无论是多头注意力网络还是前馈神经网络都是独立地对每个位置的元素进行更新，这种特性帮助实现了高效的并行，却丢失了重要的序列顺序的信息，为了更好的捕捉序列信息，Transformer模型引入了位置编码去保持输入序列元素的位置；
为解决Transformer中的位置编码在经过复杂的迭代后位置信息会慢慢衰减的问题，本技术方案采用旋转位置编码代替Transformer中原有编码方式，对于每个令牌，知道它在序列中的位置，然而，点积(以及注意力)不会保留绝对位置信息，因此如果在嵌入的绝对位置中对该位置信息进行编码，将丢失大量信息，另一方面，点积确实保留了相对位置，因此如果能够以仅利用相对位置信息的方式将绝对位置信息编码到标记嵌入中，那么注意力函数将保留该信息，绝对位置编码与相对位置编码相结合，使得模型可以有能力分辨不同位置的令牌，增强了序列中不同位置之间的依赖性，从而提升模型预测精度。
本技术方案具有以下优点：
1)引入了ProbSparse自注意力机制、位置编码采用旋转编码、通过绝对位置编码的方式实现相对位置编码，从而解决因多头注意力机制所导致复杂度高的问题；
2)采用改进的自我注意提取操作即采用Dilated-SKConv卷积代替全连接层来连接自注意模块，从而使模型获得指数增长的感受野，且所增加计算量可忽略不计，变压器的学习能力得到加强；
3)能够对设备的剩余寿命及退化过程进行精准预测，实现机械设备故障的提前感知，可进行相应的视情维护操作，保证设备的安全、稳定、长期运行。
这种方法采用改进Transformer的自注意力机制，能减少计算量及空间占有率、增强位置之间关系、减小模型大小、通过增大模型感受野增强模型学习能力，使模型推理速度更快、预测更精确。
附图说明
图1为实施例的方法流程示意图；
图2为实施例中PR-Trans网络架构示意图；
图3为实施例中Dilated-SKConv卷积的结构示意图；
图4为实施例中膨胀卷积过程示意图。
具体实施方式
下面结合附图和实施例对本发明的内容做进一步的阐述，但不是对本发明的限定。
实施例：
参照图1，一种基于PR-Trans的机械设备剩余寿命预测方法，包括离线训练和在线预测两个阶段，其中，离线训练主要任务是建立预测模型、并利用历史操作数据库中处理后的数据对模型进行训练，在线训练主要任务是基于训练模型的实时预测实时RUL，并处理实时数据，然后将相关信息反馈给控制器，具体为：
所述离线训练阶段包括：
1)采用传感器获取机械设备多种物理量的历史状态监测信号，监测信号为电流、温度、工作压强、电压、操作条件信号数据，提取并预处理多个传感器数据，从训练设备中提取状态数据、标注的RUL，并将预处理后的多个传感器数据作为主输入，操作条件数据作为辅助输入；
2)对步骤1)所获取的传感器历史信号进行预处理，包括对数据进行清洗、平滑处理等操作，将数据波动幅度在±0.01的无关联或关联度较小的信号剔除；
3)采用分线段退化模型获得实际剩余寿命的标签，最大剩余寿命值设为128，即超过128的部分均设为128，不满足128的设备则设为最大cycle值为最大剩余寿命；
4)将步骤2)中筛选出的信号数据进行归一化操作，归一化操作目的是减少方差大的特征影响并加快学习算法的收敛速度；
5)选择输入模型的信号数据时序长度，将步骤4)处理完的数据输入到RP-Trans模型中，RP-Trans模型的输出为设备剩余寿命退化预测值，MSE函数用于计算预测的设备剩余寿命与标签之间的误差，采用Adam算法作为优化器优化网络，这样做目的是以减少训练量误差；
所述在线预测阶段包括：
6)从监测设备采集实时数据，并将数据和操作条件输入到设备剩余寿命预测模型即RP-Trans模型中，设备剩余寿命预测模型输出当前时刻设备剩余寿命退化预测结果，取当前设备的最后一个值为设备当前剩余寿命。
所述RP-Trans模型的网络架构如图2所示，采用旋转位置编码代替现有技术中Transformer模型中原有编码方式即将绝对位置编码与相对位置编码相结合、使得模型可以有能力分辨不同位置的令牌、增强了序列中不同位置之间的依赖性；采用ProbSparse自注意力模块方式代替现有技术中Transformer模型中的自注意力模块方式、降低自注意力机制时间复杂度至O(L log L)、空间复杂度降低至O(L log L)，这样解决经典自注意力机制复杂度高、存储量大的问题；采用改进的自我注意提取操作即采用Dilated-SKConv卷积代替现有技术中Transformer模型中全连接层连接ProbSparse自我注意块，在Transformer模型中，叠加多个自注意力模块有利于提取更深层次的特征图，但会带来更多的时间和空间复杂性，采取ProbSparse自注意力模块的方式减少内存的使用，但整个模型的参数量使得模型规模依旧很庞大，为了进一步减少内存的使用，改进的自我注意提取操作即采用Dilated-SKConv卷积从而减少模型参数量，提高模型计算速度，扩大模型感受野，提高变压器的学习能力。
Transformer中利用自注意力模块进行时序传递，在传递过程中需进行两次矩阵相乘，导致自注意力模块计算复杂度为O(n2)，然而经典的自注意力模块在概率分布具有稀疏性的特点，即只有少数几个点积对贡献了大部分注意力，因此，可以通过制定筛选规则，选出贡献力度大的注意力，忽略贡献力度小的注意力，从而达到减小注意力模块计算复杂度的效果。
所述ProbSparse自注意力模块方式为：
1)为每个query随机采样部分key；
2)计算每个query的稀疏性得分
3)选择稀疏性得分最高的N个query；
4)只计算N个query和key的点积结果，进而得到自注意结果；
5)其余L-N个query将Self-Attention层的输入取均值mean(V)作为输出，保证每个ProbSparse Self-Attention层的输入和输出序列长度都是L。
所述Dilated-SKConv卷积结构图如图3所示，Dilated-SKCovn框架分为分割、加权、选择三个部分，分割部分：将序列分别使用不同膨胀率的膨胀卷积变成两个视野不同的卷积；加权部分：将逐一相加的序列采用全连接层和softmax层得到每个单元的权重，再将权重与拆分的卷积相乘得到新的序列；选择部分：将赋予权重的两个序列逐一相加，得到新的序列，即为卷积的输出。
图3是将特征图分别进行卷积核大小为3、膨胀率为1的膨胀卷积和卷积核大小为3、膨胀率为2的膨胀卷积操作，即和/>其中，膨胀卷积过程如图4所示，采用逐个元素相加来融合两个分支的结果：
创建一个紧凑特征以便为自适应选择核进行指导，计算方式为；
γ＝Pfc(N)＝Θ(B(N))，其中，Θ为ReLU方法，B表示Batch Normalization，采用softmax计算出和/>的权重，权重计算公式为：
其中，Ai表示第A序列的第i个元素，ai表示第i个元素的权重，由于只有两个分支，则有ai+bi＝1，最终映射结果由权重因子ai，bi决定，过程中，/>和/>均由卷积、BN和ReLU组成。
本例采用NASA提供的涡轮风扇发动机数据集，即C-MAPSS数据集基础上行仿真实验。在C-MAPSS数据集中，总共有四个子数据集，每个子数据集进一步分为一个训练集和测试集，这些数据集的发动机从某一时刻运行，并在每一时刻下记录21个传感器测量值及3个操作条件测量值，形成多变量的时间序列。
实验结果表明本例方法的有效性，与同一数据集上的方法相比，本例方法被证明是优越的，如表1所示，本例方法与其他方法相比，在RMSE和平均得分上均取得了很好的表现。
表1：
注：RF-随机森林算法Earlier CNN-早期卷积神经网络，LSTM-长段期记忆网络DBN-深度信念网络。
Claims (3)
1.一种基于PR-Trans的机械设备剩余寿命预测方法，其特征在于，包括离线训练和在线预测两个阶段，其中，所述离线训练阶段包括：
1)采用传感器获取机械设备多种物理量的历史状态监测信号，监测信号为电流、温度、工作压强、电压、操作条件信号数据；
2)对步骤1)所获取的传感器历史信号进行预处理，预处理是对数据进行清洗、平滑处理操作，将数据波动幅度在±0.01的无关联或关联度小的信号剔除；
3)采用分线段退化模型获得实际剩余寿命的标签，最大剩余寿命值设为128，即超过128的部分均设为128，不满足128的设备则设为最大cycle值为最大剩余寿命；
4)将步骤2)中筛选出的信号数据进行归一化操作；
5)选择输入模型的信号数据时序长度，将步骤4)处理完的数据输入到RP-Trans模型中，RP-Trans模型的输出为设备剩余寿命退化预测值，MSE函数用于计算预测的设备剩余寿命与标签之间的误差，采用Adam算法作为优化器优化网络；
所述在线预测阶段包括：
6)从监测设备采集实时数据，并将数据和操作条件输入到设备剩余寿命预测模型即RP-Trans模型中，设备剩余寿命预测模型输出当前时刻设备剩余寿命退化预测结果，取当前设备的最后一个值为设备当前剩余寿命；
所述RP-Trans模型采用旋转位置编码代替现有技术中Transformer模型中原有编码方式即将绝对位置编码与相对位置编码相结合、使得模型可以有能力分辨不同位置的令牌、增强了序列中不同位置之间的依赖性；采用ProbSparse自注意力模块方式代替现有技术中Transformer模型中的自注意力模块方式、降低自注意力机制时间复杂度至O(L log L)、空间复杂度降低至O(L log L)；采用改进的自我注意提取操作即采用Dilated-SKConv卷积代替现有技术中Transformer模型中全连接层连接ProbSparse自我注意块。
2.根据权利要求1所述的基于PR-Trans的机械设备剩余寿命预测方法，其特征在于，所述ProbSparse自注意力模块方式为：
1)为每个query随机采样部分key；
2)计算每个query的稀疏性得分
3)选择稀疏性得分最高的N个query；
4)只计算N个query和key的点积结果，进而得到自注意结果；
5)其余L-N个query将Self-Attention层的输入取均值mean(V)作为输出，保证每个ProbSparse Self-Attention层的输入和输出序列长度都是L。
3.根据权利要求1所述的基于PR-Trans的机械设备剩余寿命预测方法，其特征在于，所述Dilated-SKConv卷积是将特征图分别进行卷积核大小为3、膨胀率为1的膨胀卷积和卷积核大小为3、膨胀率为2的膨胀卷积操作，即和/>其中，膨胀卷积过程采用逐个元素相加来融合两个分支的结果：
创建紧凑特征为自适应选择核进行指导，计算方式为；
γ＝Pfc(N)＝Θ(B(N))，
其中，Θ为ReLU方法，B表示Batch Normalization，采用softmax计算出和/>的权重，权重计算公式为：
其中，Ai表示第A序列的第i个元素，ai表示第i个元素的权重，只有两个分支，则有ai+bi＝1，最终映射结果由权重因子ai，bi决定，过程中，/>和/>均由卷积、BN和ReLU组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111631338.3A CN114297795B (zh) | 2021-12-28 | 2021-12-28 | 一种基于PR-Trans的机械设备剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111631338.3A CN114297795B (zh) | 2021-12-28 | 2021-12-28 | 一种基于PR-Trans的机械设备剩余寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114297795A CN114297795A (zh) | 2022-04-08 |
| CN114297795B true CN114297795B (zh) | 2024-06-07 |
Family
ID=80972139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111631338.3A Active CN114297795B (zh) | 2021-12-28 | 2021-12-28 | 一种基于PR-Trans的机械设备剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297795B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116579505B (zh) * | 2023-07-12 | 2023-10-13 | 中国科学院空间应用工程与技术中心 | 一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008148075A1 (en) * | 2007-05-24 | 2008-12-04 | Alexander George Parlos | Machine condition assessment through power distribution networks |
| CN112257263A (zh) * | 2020-10-22 | 2021-01-22 | 中国科学院自动化研究所 | 基于自注意力机制的设备剩余寿命预测系统 |
| CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
| CN113297787A (zh) * | 2021-05-12 | 2021-08-24 | 北京航空航天大学 | 一种基于迁移学习的航空发动机剩余寿命预测方法 |
| CN113486578A (zh) * | 2021-06-28 | 2021-10-08 | 北京科技大学 | 一种工业过程中设备剩余寿命的预测方法 |
-
2021
- 2021-12-28 CN CN202111631338.3A patent/CN114297795B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008148075A1 (en) * | 2007-05-24 | 2008-12-04 | Alexander George Parlos | Machine condition assessment through power distribution networks |
| CN112257263A (zh) * | 2020-10-22 | 2021-01-22 | 中国科学院自动化研究所 | 基于自注意力机制的设备剩余寿命预测系统 |
| CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
| CN113297787A (zh) * | 2021-05-12 | 2021-08-24 | 北京航空航天大学 | 一种基于迁移学习的航空发动机剩余寿命预测方法 |
| CN113486578A (zh) * | 2021-06-28 | 2021-10-08 | 北京科技大学 | 一种工业过程中设备剩余寿命的预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于指数平滑和XGBoost的航空发动机剩余寿命预测;赖儒杰;范启富;;化工自动化及仪表;20200520(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114297795A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mo et al. | Remaining useful life estimation via transformer encoder enhanced by a gated convolutional unit | |
| Wu et al. | Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN112132394B (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
| CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
| CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
| CN116821783A (zh) | 一种故障检测方法、系统、设备及介质 | |
| CN114297795B (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| Yang et al. | Remaining useful life prediction based on normalizing flow embedded sequence-to-sequence learning | |
| Remadna et al. | An overview on the deep learning based prognostic | |
| Huang et al. | An adversarial learning approach for machine prognostic health management | |
| CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
| Chen et al. | Remaining useful life prediction of turbofan engine based on temporal convolutional networks optimized by genetic algorithm | |
| Shi et al. | A dual attention LSTM lightweight model based on exponential smoothing for remaining useful life prediction | |
| Tao et al. | A digital twin-based fault diagnostic method for subsea control systems | |
| CN112731890A (zh) | 一种电厂设备故障的检测方法和装置 | |
| CN115034504B (zh) | 基于云边协同训练的刀具磨损状态预测系统及方法 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 | |
| CN115564021A (zh) | 一种聚酯纤维聚合过程的故障根因排序方法 | |
| CN113469263B (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
| CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及系统 |
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 |