CN114707431B - 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 - Google Patents
一种旋转多组件剩余使用寿命预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114707431B CN114707431B CN202210619272.4A CN202210619272A CN114707431B CN 114707431 B CN114707431 B CN 114707431B CN 202210619272 A CN202210619272 A CN 202210619272A CN 114707431 B CN114707431 B CN 114707431B
- Authority
- CN
- China
- Prior art keywords
- state
- health
- attention
- clustering
- component
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种旋转多组件剩余使用寿命预测方法、系统及存储介质,具体为:获取旋转多组件振动特征数据,基于注意力机制进行旋转多组件的剩余使用寿命预测,其中包括定性分析及定量分析,在所述定性分析部分,建立数据导向的健康状态评判标准,并依据该标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;在所述定量分析部分,根据健康状态区间划分的结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测。本发明结合健康状态评估进行旋转多组件系统剩余使用寿命预测,在预测网络中引入注意力机制,提高了预测的准确率和稳定性。
Description
技术领域
本发明涉及设备故障预测与健康管理技术邻域,更具体的,涉及一种旋转多组件剩余使用寿命预测方法、系统及存储介质。
背景技术
随着科技的进步和工业制造能力的提高,用于生产生活各个领域的旋转多组件系统都向着大型化、多元化以及智能化方面发展,旋转多组件系统变得更加智能,自动化程度更高的同时,其结构复杂程度也显著提升,系统的组件数量更多,组件间的相互关联更为密切。当系统中的组件出现故障时,容易对关联组件造成二次损伤,进而导致整体系统的瘫痪。更为严重的,在需要人员与系统交互操作的场合,突发的系统故障可能造成人员伤亡。因此,对旋转多组件系统进行故障预测和维护具有重要的实际意义。
剩余使用寿命预测能够指导维护策略的制订,人们可以根据预测结果动态评估设备的性能,针对性地进行设备维护,不仅能提前维护防止故障发生,还能避免过量维护,节省设备的维护成本。
在实际场景中,为了降低设备的维护成本以及故障率,需要实时监测设备的运行情况,评估其状态并预测剩余使用寿命,从而在故障发生前对设备进行维护或更换处理,避免设备损坏及产品报废。在旋转多组件的全寿命周期中,其性能变化趋势会随着退化程度的改变而产生显著变化,难以获得组件特征与剩余使用寿命间的通用映射关系,限制了预测的精度;以长短期记忆网络及门控循环单元为代表的循环神经网络在剩余使用寿命预测中应用广泛,但是网络只能同时获取前序状态和当前的输入,预测波动大,缺乏稳定性。
发明内容
为了解决上述技术问题,本发明提出了一种旋转多组件剩余使用寿命预测方法、系统及存储介质。
本发明第一方面提供了一种旋转多组件剩余使用寿命预测方法,包括:
获取旋转多组件振动特征数据,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准;
依据所述健康状态评判标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;
根据SVM分类器确定旋转多组件健康状态区间的划分结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测。
本方案中,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准,具体为:
通过K-means方法对相关数据集进行聚类,将故障类别重新划分为健康、退化开始、退化加剧三个健康状态等级,确定聚类簇数为3,根据故障类别标签选取初始聚类中心点;
相关数据集中所有样本划分结束后,求取聚类结果中每个类簇的均值作为新的聚类中心;
本方案中,根据SVM分类器确定旋转多组件健康状态区间的划分结果,具体为:
基于SVM分类器结合OvO策略构建三个分类器,获取健康指标向量的综合得分;
根据综合得分判断健康指标向量对应的健康状态区间。
本方案中,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测,具体为:
将注意力机制引入GRU网络中,构建Attention-GRU网络模型,主要包括GRU模块、Attention模块、Dense模块;
所述GRU模块用于获取当前输入与前序输出相结合,拥有记忆功能,能够保存时序迭代的状态,并根据保存的状态进行动态预测;
所述Attention模块用于并行获取多个序列特征,计算输入特征与其他序列特征的相关性权重;
所述Dense模块用于汇总各模块的输出,获取最终剩余使用寿命预测值。
本方案中,所述Attention模块结构,具体为:
本方案中,所述Attention-GRU网络模型将Attention机制应用于GRU模块,通过多个前序状态与当前输入特征的相似关系调整候选状态的估计值,具体为:
本发明第二方面还提供了一种旋转多组件剩余使用寿命预测系统,该系统包括:存储器、处理器,所述存储器中包括一种旋转多组件剩余使用寿命预测方法程序,所述一种旋转多组件剩余使用寿命预测方法程序被所述处理器执行时实现如下步骤:
获取旋转多组件振动特征数据,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准;
依据所述健康状态评判标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;
根据SVM分类器确定旋转多组件健康状态区间的划分结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测。
本方案中,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准,具体为:
通过K-means方法对相关数据集进行聚类,将故障类别重新划分为健康、退化开始、退化加剧三个健康状态等级,确定聚类簇数为3,根据故障类别标签选取初始聚类中心点;
相关数据集中所有样本划分结束后,求取聚类结果中每个类簇的均值作为新的聚类中心;
本方案中,根据SVM分类器确定旋转多组件健康状态区间的划分结果,具体为:
基于SVM分类器结合OvO策略构建三个分类器,获取健康指标向量的综合得分;
根据综合得分判断健康指标向量对应的健康状态区间。
本方案中,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测,具体为:
将注意力机制引入GRU网络中,构建Attention-GRU网络模型,主要包括GRU模块、Attention模块、Dense模块;
所述GRU模块用于获取当前输入与前序输出相结合,拥有记忆功能,能够保存时序迭代的状态,并根据保存的状态进行动态预测;
所述Attention模块用于并行获取多个序列特征,计算输入特征与其他序列特征的相关性权重;
所述Dense模块用于汇总各模块的输出,获取最终剩余使用寿命预测值。
本方案中,所述Attention模块结构,具体为:
本方案中,所述Attention-GRU网络模型将Attention机制应用于GRU模块,通过多个前序状态与当前输入特征的相似关系调整候选状态的估计值,具体为:
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种旋转多组件剩余使用寿命预测方法程序,所述一种旋转多组件剩余使用寿命预测方法程序被处理器执行时,实现如上述任一项所述的一种旋转多组件剩余使用寿命预测方法的步骤。
本发明公开了一种旋转多组件剩余使用寿命预测方法、系统及存储介质,具体为:获取旋转多组件振动特征数据,基于注意力机制进行旋转多组件的剩余使用寿命预测,其中包括定性分析及定量分析,在所述定性分析部分,建立数据导向的健康状态评判标准,并依据该标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;在所述定量分析部分,根据健康状态区间划分的结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测。本发明结合健康状态评估进行旋转多组件系统剩余使用寿命预测,在预测网络中引入注意力机制,提高了预测的准确率和稳定性。
附图说明
图1示出了本发明一种旋转多组件剩余使用寿命预测方法的流程图;
图2示出了本发明中旋转多组件健康状态评估的流程图;
图3示出了本发明中Attention-GRU网络模型框架图;
图4示出了本发明中Attention-GRU网络模型的结构图;
图5示出了本发明一种旋转多组件剩余使用寿命预测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种旋转多组件剩余使用寿命预测方法的流程图。
本发明第一方面提供了一种旋转多组件剩余使用寿命预测方法,包括:
获取旋转多组件振动特征数据,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准;
依据所述健康状态评判标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;
根据SVM分类器确定旋转多组件健康状态区间的划分结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测。
图2示出了本发明中旋转多组件健康状态评估的流程图。
需要说明的是,选取旋转多组件振动特征数据提取的健康指标同时包含了轴承的寿命及故障类型信息,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准,具体为:
选取旋转多组件振动特征数据构建相关数据集,所述相关数据集中第个样本表
示为,,其中为第个健康指标向量,为样本数据的总数,,为健康指标向量的长度,为样本对应故障类别标签,,为故障类别总数,所述故障类别包括正常、内圈故障、外圈故障、滚珠故障等;
通过K-means方法对相关数据集进行聚类,将故障类别重新划分为健康、退化开
始、退化加剧三个渐进的健康状态等级,确定聚类簇数为3;为了提高聚类的准确度,加快收
敛速度,根据原有故障类型标签选取初始聚类中心点:令迭代次数,从故障类别为“正
常”的样本集中随机抽取一个样本作为聚类中心,从其余故障类别中随机抽取两个样本
分别作为聚类中心,初始聚类中心集合为;
将最终聚类结果中的3个类簇,建立类簇与健康状态等级之间的对应关系,根据分
析,故障类别中的“正常”类别与健康状态等级中的“健康”类别重合度高,故将三个类簇中
含“正常”类别样本最多的类簇标签更新为“健康”;又由于健康状态等级是依序变化,损坏
程度依次增大,故计算其余两个类簇与“健康”标签类簇的距离,距离最远的类簇标签更新
为“退化加剧”,相近的类簇更新标签为“退化开始”;得到更新后的样本合集,其中分别对应健康、退化开始、退化加剧3个健康状态区
间。健康状态区间标签的建立强化了数据与标签的对应关系,为健康状态评估及寿命预测
提供了可靠的依据。
需要说明的是,根据SVM分类器确定旋转多组件健康状态区间的划分结果,具体为:为提高评估的速度,降低计算开销,选择超级向量机SVM分类器用于健康状态评估,原始的SVM分类器只能应用与二分类任务,基于SVM分类器结合OvO(One VS One)策略构建三个分类器,获取健康指标向量的综合得分;根据综合得分判断健康指标向量对应的健康状态区间。
图3示出了本发明中Attention-GRU网络模型框架图,经过健康状态区间的分类,排除健康类别的样本并结合健康状态等级类别对剩余的样本执行剩余使用寿命预测,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测,具体为:将注意力机制引入GRU网络中,构建Attention-GRU网络模型,改善了原GRU网络容易受到前序异常状态干扰的问题,提高了预测模型的稳定性,主要包括GRU模块、Attention模块、Dense模块;所述GRU模块用于获取当前输入与前序输出相结合,拥有记忆功能,能够保存时序迭代的状态,并根据保存的状态进行动态预测;所述Attention模块用于并行获取多个序列特征,计算输入特征与其他序列特征的相关性权重;所述Dense模块用于汇总各模块的输出,获取最终剩余使用寿命预测值。
图4示出了本发明中Attention-GRU网络模型的结构图;
Attention-GRU网络模型中,GRU模块主要用于预测运算,Attention模块用于相似
权重计算,所述GRU模块包括重置门和更新门两个门控结构。GRU模块的最终输出状态是前
序状态以及候选状态的按权重相加所得,两者的权重由更新门控制,候选状态则由重置门
控制;所述Attention模块结构,具体为:将当前输入特征作为查询向量 ,将k组前序
状态当作值向量,并用本身作为计算相似性的键向
量;
计算公式具体为:
传统的GRU模块在计算候选状态时只考虑了单个前序状态以及当前输入特
征。单个参数的约束并不稳定,若前序数据出现异常,当前预测状态也会随之出现较大的
偏移。因此为了提高预测的稳定性,提出将Attention机制应用于GRU单元,通过多个前序状
态与当前输入特征的相似关系调整候选状态的估计值。所述Attention-GRU网络模型将
Attention机制应用于GRU模块,通过多个前序状态与当前输入特征的相似关系调整候选状
态的估计值,具体为:
图5示出了本发明一种旋转多组件剩余使用寿命预测系统的框图。
本发明第二方面还提供了一种旋转多组件剩余使用寿命预测系统5,该系统包括:存储器51、处理器52,所述存储器中包括一种旋转多组件剩余使用寿命预测方法程序,所述一种旋转多组件剩余使用寿命预测方法程序被所述处理器执行时实现如下步骤:
获取旋转多组件振动特征数据,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准;
依据所述健康状态评判标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;
根据SVM分类器确定旋转多组件健康状态区间的划分结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测。
需要说明的是,选取旋转多组件振动特征数据提取的健康指标同时包含了轴承的寿命及故障类型信息,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准,具体为:
选取旋转多组件振动特征数据构建相关数据集,所述相关数据集中第个样本表
示为,,其中为第个健康指标向量,为样本数据的总数,,为健康指标向量的长度,为样本对应故障类别标签,
,为故障类别总数,所述故障类别包括正常、内圈故障、外圈故障、滚珠故障等;
通过K-means方法对相关数据集进行聚类,将故障类别重新划分为健康、退化开
始、退化加剧三个渐进的健康状态等级,确定聚类簇数为3;为了提高聚类的准确度,加快收
敛速度,根据原有故障类型标签选取初始聚类中心点:令迭代次数,从故障类别为“正
常”的样本集中随机抽取一个样本作为聚类中心,从其余故障类别中随机抽取两个样本
分别作为聚类中心,初始聚类中心集合为;
将最终聚类结果中的3个类簇,建立类簇与健康状态等级之间的对应关系,根据分
析,故障类别中的“正常”类别与健康状态等级中的“健康”类别重合度高,故将三个类簇中
含“正常”类别样本最多的类簇标签更新为“健康”;又由于健康状态等级是依序变化,损坏
程度依次增大,故计算其余两个类簇与“健康”标签类簇的距离,距离最远的类簇标签更新
为“退化加剧”,相近的类簇更新标签为“退化开始”;得到更新后的样本合集,其中分别对应健康、退化开始、退化加剧3个健康状态区
间。健康状态区间标签的建立强化了数据与标签的对应关系,为健康状态评估及寿命预测
提供了可靠的依据。
需要说明的是,根据SVM分类器确定旋转多组件健康状态区间的划分结果,具体为:为提高评估的速度,降低计算开销,选择超级向量机SVM分类器用于健康状态评估,原始的SVM分类器只能应用与二分类任务,基于SVM分类器结合OvO(One VS One)策略构建三个分类器,获取健康指标向量的综合得分;根据综合得分判断健康指标向量对应的健康状态区间。
经过健康状态区间的分类,排除健康类别的样本并结合健康状态等级类别对剩余的样本执行剩余使用寿命预测,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测,具体为:将注意力机制引入GRU网络中,构建Attention-GRU网络模型,改善了原GRU网络容易受到前序异常状态干扰的问题,提高了预测模型的稳定性,主要包括GRU模块、Attention模块、Dense模块;所述GRU模块用于获取当前输入与前序输出相结合,拥有记忆功能,能够保存时序迭代的状态,并根据保存的状态进行动态预测;所述Attention模块用于并行获取多个序列特征,计算输入特征与其他序列特征的相关性权重;所述Dense模块用于汇总各模块的输出,获取最终剩余使用寿命预测值。
Attention-GRU网络模型中,GRU模块主要用于预测运算,Attention模块用于相似
权重计算,所述GRU模块包括重置门和更新门两个门控结构。GRU模块的最终输出状态是前
序状态以及候选状态的按权重相加所得,两者的权重由更新门控制,候选状态则由重置门
控制;所述Attention模块结构,具体为:将当前输入特征作为查询向量 ,将k组前序
状态当作值向量,并用本身作为计算相似性的键向
量;
计算公式具体为:
传统的GRU模块在计算候选状态时只考虑了单个前序状态以及当前输入特
征。单个参数的约束并不稳定,若前序数据出现异常,当前预测状态也会随之出现较大的
偏移。因此为了提高预测的稳定性,提出将Attention机制应用于GRU单元,通过多个前序状
态与当前输入特征的相似关系调整候选状态的估计值。所述Attention-GRU网络模型将
Attention机制应用于GRU模块,通过多个前序状态与当前输入特征的相似关系调整候选状
态的估计值,具体为:
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种旋转多组件剩余使用寿命预测方法程序,所述一种旋转多组件剩余使用寿命预测方法程序被处理器执行时,实现如上述任一项所述的一种旋转多组件剩余使用寿命预测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为为准。
Claims (6)
1.一种旋转多组件剩余使用寿命预测方法,其特征在于,包括以下步骤:
获取旋转多组件振动特征数据,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准;
依据所述健康状态评判标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;
根据SVM分类器确定旋转多组件健康状态区间的划分结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测;
利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测,具体为:
将注意力机制引入GRU网络中,构建Attention-GRU网络模型,包括GRU模块、Attention模块、Dense模块;
所述GRU模块用于获取当前输入与前序输出相结合,拥有记忆功能,能够保存时序迭代的状态,并根据保存的状态进行动态预测;
所述Attention模块用于并行获取多个序列特征,计算输入特征与其他序列特征的相关性权重;
所述Dense模块用于汇总各模块的输出,获取最终剩余使用寿命预测值;
所述Attention模块结构,具体为:
所述Attention-GRU网络模型将Attention机制应用于GRU模块,通过多个前序状态与当前输入特征的相似关系调整候选状态的估计值,具体为:
2.根据权利要求1所述的一种旋转多组件剩余使用寿命预测方法,其特征在于,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准,具体为:
通过K-means方法对相关数据集进行聚类,将故障类别重新划分为健康、退化开始、退化加剧三个健康状态等级,确定聚类簇数为3,根据故障类别标签选取初始聚类中心点;
相关数据集中所有样本划分结束后,求取聚类结果中每个类簇的均值作为新的聚类中心;
3.根据权利要求1所述的一种旋转多组件剩余使用寿命预测方法,其特征在于,根据SVM分类器确定旋转多组件健康状态区间的划分结果,具体为:
基于SVM分类器结合OvO策略构建三个分类器,获取健康指标向量的综合得分;
根据综合得分判断健康指标向量对应的健康状态区间。
4.一种旋转多组件剩余使用寿命预测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种旋转多组件剩余使用寿命预测方法程序,所述一种旋转多组件剩余使用寿命预测方法程序被所述处理器执行时实现如下步骤:
获取旋转多组件振动特征数据,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准;
依据所述健康状态评判标准将旋转多组件系统健康状态划分成健康、退化开始、退化加剧3个健康状态区间;
根据SVM分类器确定旋转多组件健康状态区间的划分结果,筛选出退化数据,利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测;
利用GRU网络及注意力机制构建预测网络进行剩余使用寿命预测,具体为:
将注意力机制引入GRU网络中,构建Attention-GRU网络模型,包括GRU模块、Attention模块、Dense模块;
所述GRU模块用于获取当前输入与前序输出相结合,拥有记忆功能,能够保存时序迭代的状态,并根据保存的状态进行动态预测;
所述Attention模块用于并行获取多个序列特征,计算输入特征与其他序列特征的相关性权重;
所述Dense模块用于汇总各模块的输出,获取最终剩余使用寿命预测值;
所述Attention模块结构,具体为:
所述Attention-GRU网络模型将Attention机制应用于GRU模块,通过多个前序状态与当前输入特征的相似关系调整候选状态的估计值,具体为:
5.根据权利要求4所述的一种旋转多组件剩余使用寿命预测系统,其特征在于,对所述振动特征数据进行聚类分析,建立数据导向的健康状态评判标准,具体为:
通过K-means方法对相关数据集进行聚类,将故障类别重新划分为健康、退化开始、退化加剧三个健康状态等级,确定聚类簇数为3,根据故障类别标签选取初始聚类中心点;
相关数据集中所有样本划分结束后,求取聚类结果中每个类簇的均值作为新的聚类中心;
6.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种旋转多组件剩余使用寿命预测方法程序,所述一种旋转多组件剩余使用寿命预测方法程序被处理器执行时,实现如权利要求1至3中任一项所述的一种旋转多组件剩余使用寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210619272.4A CN114707431B (zh) | 2022-06-02 | 2022-06-02 | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210619272.4A CN114707431B (zh) | 2022-06-02 | 2022-06-02 | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707431A CN114707431A (zh) | 2022-07-05 |
CN114707431B true CN114707431B (zh) | 2022-09-02 |
Family
ID=82177751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210619272.4A Active CN114707431B (zh) | 2022-06-02 | 2022-06-02 | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707431B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861739B (zh) * | 2022-07-06 | 2022-09-23 | 广东工业大学 | 一种特征通道可选择的多组件系统退化预测方法及系统 |
CN115374711B (zh) * | 2022-10-24 | 2022-12-27 | 广东工业大学 | 一种旋转多组件系统的寿命预测方法及相关装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582397B (zh) * | 2020-05-14 | 2023-04-07 | 杭州电子科技大学 | 一种基于注意力机制的cnn-rnn图像情感分析方法 |
CN112747924A (zh) * | 2020-12-11 | 2021-05-04 | 南京航空航天大学 | 一种基于注意力机制和残差神经网络的轴承寿命预测方法 |
CN112766078B (zh) * | 2020-12-31 | 2024-04-16 | 辽宁工程技术大学 | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 |
CN112926273B (zh) * | 2021-04-13 | 2023-04-18 | 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 |
CN113505535B (zh) * | 2021-07-08 | 2023-11-10 | 重庆大学 | 基于门控自适应分层注意力单元网络的电机寿命预测方法 |
CN114186475B (zh) * | 2021-10-28 | 2023-05-12 | 南京工业大学 | 一种基于Attention-MGRU的回转支承寿命预测方法 |
CN114266278B (zh) * | 2021-12-29 | 2024-02-20 | 合肥工业大学 | 一种基于双重注意力网络的设备剩余使用寿命预测方法 |
-
2022
- 2022-06-02 CN CN202210619272.4A patent/CN114707431B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114707431A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707431B (zh) | 一种旋转多组件剩余使用寿命预测方法、系统及存储介质 | |
CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
Chen et al. | Efficient ant colony optimization for image feature selection | |
CN111639497B (zh) | 一种基于大数据机器学习的异常行为发现方法 | |
CN111917785B (zh) | 一种基于de-gwo-svr的工业互联网安全态势预测方法 | |
WO2017039010A1 (en) | Distributed model-building | |
CN111091247A (zh) | 基于深度神经网络模型融合的电力负荷预测方法、装置 | |
CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN116959725A (zh) | 一种多模态数据融合的疾病风险预测方法 | |
CN114448657B (zh) | 一种配电通信网络安全态势感知与异常入侵检测方法 | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
Han et al. | An efficient genetic algorithm for optimization problems with time-consuming fitness evaluation | |
CN117076993A (zh) | 基于云原生的多智能体博弈决策系统及方法 | |
CN115865716B (zh) | 一种网络状态分析方法、系统及计算机可读介质 | |
CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
Zhu et al. | State of Health Estimation of Lithium‐Ion Battery Using Time Convolution Memory Neural Network | |
Folino et al. | Combining Markov models and association analysis for disease prediction | |
Du et al. | Unstructured log oriented fault diagnosis for operation and maintenance management | |
Shimada et al. | A method of association rule analysis for incomplete database using genetic network programming | |
CN112488146A (zh) | 基于深度学习的飞机危险识别与趋势预测方法 | |
Barnali et al. | Usage of ensemble model and genetic algorithm in pipeline for feature selection from cancer microarray data | |
CN117151934B (zh) | 一种配电网不停电作业项目多维聚类分析方法及装置 | |
CN115456073B (zh) | 基于长短期记忆的生成式对抗网络模型建模分析方法 | |
CN118069380B (zh) | 一种算力资源处理方法 |
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 |