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 PDF

Info

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
Application number
CN202210619272.4A
Other languages
English (en)
Other versions
CN114707431A (zh
Inventor
邓耀华
郭承旺
刘夏丽
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210619272.4A priority Critical patent/CN114707431B/zh
Publication of CN114707431A publication Critical patent/CN114707431A/zh
Application granted granted Critical
Publication of CN114707431B publication Critical patent/CN114707431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

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

一种旋转多组件剩余使用寿命预测方法、系统及存储介质
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：
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
Figure 147955DEST_PATH_IMAGE001
个样本表 示为
Figure 417262DEST_PATH_IMAGE002
，
Figure 530712DEST_PATH_IMAGE003
，其中
Figure 377314DEST_PATH_IMAGE004
为第
Figure 804884DEST_PATH_IMAGE001
个健康指标向量，
Figure 131960DEST_PATH_IMAGE005
为样本数据的总数，
Figure 714513DEST_PATH_IMAGE006
，
Figure 127040DEST_PATH_IMAGE007
为健康指标向量的长度，
Figure 155039DEST_PATH_IMAGE008
为样本对应故障类别标签，
Figure 398939DEST_PATH_IMAGE009
，
Figure 916508DEST_PATH_IMAGE010
为故障类别总数；
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；
在第
Figure 550751DEST_PATH_IMAGE011
次迭代中，获取各样本点到聚类中心点的欧式距离，将样本指派至与其距离 最近的聚类中心所属类别中构成聚类结果；
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；
当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类， 选取最后一次运算结果为最终聚类结果，否则令
Figure 179179DEST_PATH_IMAGE012
，继续迭代聚类；
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，得到更 新后的样本合集
Figure 480847DEST_PATH_IMAGE013
，其中
Figure 659063DEST_PATH_IMAGE014
分别对应健康、退化开始、退化加剧3 个健康状态区间。
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：
将当前输入特征
Figure 780603DEST_PATH_IMAGE015
作为查询向量
Figure 212722DEST_PATH_IMAGE016
，将k组前序状态
Figure 368896DEST_PATH_IMAGE017
当作值向量
Figure 165951DEST_PATH_IMAGE018
，并用
Figure 837104DEST_PATH_IMAGE018
本身作为计算相似性的键向量
Figure 745017DEST_PATH_IMAGE019
；
计算
Figure 818015DEST_PATH_IMAGE020
和
Figure 785971DEST_PATH_IMAGE021
的点积获得权重系数，采用
Figure 445885DEST_PATH_IMAGE022
方法对权重系数进 行归一化处理，根据调整后的权重系数对
Figure 157489DEST_PATH_IMAGE023
进行加权求和，生成加权和。
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：
引入注意力因子
Figure 84994DEST_PATH_IMAGE024
对GRU模块中候选状态
Figure 223851DEST_PATH_IMAGE025
进行更新，其计算公式为：
Figure 869596DEST_PATH_IMAGE026
其中，
Figure 384891DEST_PATH_IMAGE015
为当前输入特征，
Figure 104585DEST_PATH_IMAGE027
为前一个时序的状态输出，
Figure 476661DEST_PATH_IMAGE028
为双曲正切函数，
Figure 547385DEST_PATH_IMAGE029
、
Figure 164573DEST_PATH_IMAGE030
、
Figure 4353DEST_PATH_IMAGE031
为权重及偏置，
Figure 485013DEST_PATH_IMAGE024
为注意力因子，
Figure 105351DEST_PATH_IMAGE032
为重置门，
Figure 696869DEST_PATH_IMAGE033
为矩阵转置；
所述注意力因子
Figure 453472DEST_PATH_IMAGE024
的计算公式为：
Figure 370613DEST_PATH_IMAGE034
其中，
Figure 100002_DEST_PATH_IMAGE035
为当前输入特征
Figure 212667DEST_PATH_IMAGE015
与上一个状态输出
Figure 607876DEST_PATH_IMAGE027
的关联系数，
Figure 986030DEST_PATH_IMAGE036
为k组前序 状态的关联系数；
当
Figure 808493DEST_PATH_IMAGE037
时，则当前输入特征与上一状态输出的相似性较高，处于正常的变化 趋势过程，无需调整；
当
Figure 137843DEST_PATH_IMAGE038
，则说明相较于上一输出状态，当前输入特征与之前一段时间状态的 相似性更高，上一输出状态为异常值，降低其在候选状态计算过程中的权重。
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：
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
Figure 336743DEST_PATH_IMAGE001
个样本表 示为
Figure 5622DEST_PATH_IMAGE002
，
Figure 61302DEST_PATH_IMAGE003
，其中
Figure 815632DEST_PATH_IMAGE004
为第
Figure 614960DEST_PATH_IMAGE001
个健康指标向量，
Figure 138346DEST_PATH_IMAGE005
为样本数据的总数，
Figure 568190DEST_PATH_IMAGE006
，
Figure 373597DEST_PATH_IMAGE007
为健康指标向量的长度，
Figure 648721DEST_PATH_IMAGE008
为样本对应故障类别标签，
Figure 354509DEST_PATH_IMAGE009
，
Figure 689675DEST_PATH_IMAGE010
为故障类别总数；
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；
在第
Figure 480913DEST_PATH_IMAGE011
次迭代中，获取各样本点到聚类中心点的欧式距离，将样本指派至与其距离 最近的聚类中心所属类别中构成聚类结果；
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；
当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类， 选取最后一次运算结果为最终聚类结果，否则令
Figure 559728DEST_PATH_IMAGE012
，继续迭代聚类；
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，得到更 新后的样本合集
Figure 120022DEST_PATH_IMAGE013
，其中
Figure 891669DEST_PATH_IMAGE014
分别对应健康、退化开始、退化加剧3 个健康状态区间。
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：
将当前输入特征
Figure 406089DEST_PATH_IMAGE015
作为查询向量
Figure 288595DEST_PATH_IMAGE016
，将k组前序状态
Figure 703396DEST_PATH_IMAGE017
当作值向量
Figure 645944DEST_PATH_IMAGE018
，并用
Figure 83878DEST_PATH_IMAGE018
本身作为计算相似性的键向量
Figure 566812DEST_PATH_IMAGE019
；
计算
Figure 39382DEST_PATH_IMAGE020
和
Figure 215148DEST_PATH_IMAGE021
的点积获得权重系数，采用
Figure 140379DEST_PATH_IMAGE022
方法对权重系数进 行归一化处理，根据调整后的权重系数对
Figure 928469DEST_PATH_IMAGE023
进行加权求和，生成加权和。
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：
引入注意力因子
Figure 989966DEST_PATH_IMAGE024
对GRU模块中候选状态
Figure 274316DEST_PATH_IMAGE025
进行更新，其计算公式为：
Figure 749160DEST_PATH_IMAGE039
其中，
Figure 777159DEST_PATH_IMAGE015
为当前输入特征，
Figure 21058DEST_PATH_IMAGE027
为前一个时序的状态输出，
Figure 210731DEST_PATH_IMAGE028
为双曲正切函数，
Figure 172871DEST_PATH_IMAGE029
、
Figure 738982DEST_PATH_IMAGE030
、
Figure 604432DEST_PATH_IMAGE031
为权重及偏置，
Figure 965006DEST_PATH_IMAGE024
为注意力因子，
Figure 352125DEST_PATH_IMAGE032
为重置门，
Figure 784243DEST_PATH_IMAGE033
为矩阵转置；
所述注意力因子
Figure 674839DEST_PATH_IMAGE024
的计算公式为：
Figure 534211DEST_PATH_IMAGE040
其中，
Figure 143046DEST_PATH_IMAGE035
为当前输入特征
Figure 316539DEST_PATH_IMAGE015
与上一个状态输出
Figure 389537DEST_PATH_IMAGE027
的关联系数，
Figure 357493DEST_PATH_IMAGE036
为k组前序 状态的关联系数；
当
Figure 29126DEST_PATH_IMAGE037
时，则当前输入特征与上一状态输出的相似性较高，处于正常的变化 趋势过程，无需调整；
当
Figure 740730DEST_PATH_IMAGE038
，则说明相较于上一输出状态，当前输入特征与之前一段时间状态的 相似性更高，上一输出状态为异常值，降低其在候选状态计算过程中的权重。
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
Figure 605917DEST_PATH_IMAGE001
个样本表 示为
Figure 807092DEST_PATH_IMAGE002
，
Figure 390520DEST_PATH_IMAGE003
，其中
Figure 702552DEST_PATH_IMAGE004
为第
Figure 687826DEST_PATH_IMAGE001
个健康指标向量，
Figure 59901DEST_PATH_IMAGE005
为样本数据的总数，
Figure 130626DEST_PATH_IMAGE006
，
Figure 184032DEST_PATH_IMAGE007
为健康指标向量的长度，
Figure 587594DEST_PATH_IMAGE008
为样本对应故障类别标签，
Figure 68254DEST_PATH_IMAGE041
，
Figure 423012DEST_PATH_IMAGE042
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
Figure 280109DEST_PATH_IMAGE043
，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
Figure 36713DEST_PATH_IMAGE044
，从其余故障类别中随机抽取两个样本 分别作为聚类中心
Figure 688274DEST_PATH_IMAGE045
，初始聚类中心集合为
Figure 795907DEST_PATH_IMAGE046
；
在第
Figure 191117DEST_PATH_IMAGE011
次迭代中，获取各样本点到聚类中心点的欧式距离
Figure 739910DEST_PATH_IMAGE047
，将样本指派至 与其距离最近的聚类中心所属类别中构成聚类结果
Figure 391733DEST_PATH_IMAGE048
；其中
Figure 658766DEST_PATH_IMAGE047
的计算公式为：
Figure 919983DEST_PATH_IMAGE049
当相关数据集中所有样本划分结束后，求取聚类结果
Figure 323283DEST_PATH_IMAGE048
中每个类簇的均值作为 新的聚类中心
Figure 644543DEST_PATH_IMAGE050
，设
Figure DEST_PATH_IMAGE051
为第
Figure 398872DEST_PATH_IMAGE052
个类簇的样本总数，
Figure 198201DEST_PATH_IMAGE053
为该类簇的第
Figure 721586DEST_PATH_IMAGE001
个样本，聚类中心点 求取方法具体为：
Figure 715212DEST_PATH_IMAGE054
选定标准测度函数
Figure 691258DEST_PATH_IMAGE055
及最大迭代次数
Figure 294278DEST_PATH_IMAGE056
，若
Figure DEST_PATH_IMAGE057
或迭代次数大于 等于
Figure 937749DEST_PATH_IMAGE056
，结束聚类流程，取最后一次运算结果为最终聚类结果，选取最后一次运算结果为 最终聚类结果，否则令
Figure 335232DEST_PATH_IMAGE012
，继续迭代聚类；
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
Figure 64154DEST_PATH_IMAGE013
，其中
Figure 205285DEST_PATH_IMAGE014
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
Figure 703263DEST_PATH_IMAGE015
作为查询向量
Figure 209330DEST_PATH_IMAGE016
，将k组前序 状态
Figure 989330DEST_PATH_IMAGE017
当作值向量
Figure 871835DEST_PATH_IMAGE018
，并用
Figure 286636DEST_PATH_IMAGE018
本身作为计算相似性的键向 量
Figure 229184DEST_PATH_IMAGE019
；
具体注意力计算过程分为3个部分，首先计算
Figure 729436DEST_PATH_IMAGE020
和
Figure 150053DEST_PATH_IMAGE021
的点积获得权重 系数，然后采用softmax函数方法对权重系数进行归一化处理，最后根据调整后的权重系数 对
Figure 622622DEST_PATH_IMAGE023
进行加权求和，生成加权和；
计算公式具体为：
Figure 532810DEST_PATH_IMAGE058
Figure 458040DEST_PATH_IMAGE059
Figure 246130DEST_PATH_IMAGE060
其中，
Figure 573206DEST_PATH_IMAGE061
为第
Figure 857557DEST_PATH_IMAGE001
个隐藏状态
Figure 332401DEST_PATH_IMAGE062
对当前输入
Figure 94820DEST_PATH_IMAGE015
的相似性权重，
Figure 338720DEST_PATH_IMAGE063
为归一化后的权重 系数，
Figure 793972DEST_PATH_IMAGE036
为加权和，
Figure 756112DEST_PATH_IMAGE033
为矩阵转置；
传统的GRU模块在计算候选状态
Figure 886004DEST_PATH_IMAGE064
时只考虑了单个前序状态
Figure 984410DEST_PATH_IMAGE027
以及当前输入特 征
Figure 610563DEST_PATH_IMAGE015
。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：
引入注意力因子
Figure 59999DEST_PATH_IMAGE024
对GRU模块中候选状态
Figure 164222DEST_PATH_IMAGE025
进行更新，其计算公式为：
Figure 382713DEST_PATH_IMAGE039
其中，
Figure 179768DEST_PATH_IMAGE015
为当前输入特征，
Figure 352386DEST_PATH_IMAGE027
为前一个时序的状态输出，
Figure 525878DEST_PATH_IMAGE028
为双曲正切函数，
Figure 536559DEST_PATH_IMAGE029
、
Figure 566832DEST_PATH_IMAGE030
、
Figure 662964DEST_PATH_IMAGE031
为权重及偏置，
Figure 171306DEST_PATH_IMAGE024
为注意力因子，
Figure 364390DEST_PATH_IMAGE032
为重置门，
Figure 503247DEST_PATH_IMAGE033
为矩阵转置；
所述注意力因子
Figure 638738DEST_PATH_IMAGE024
的计算公式为：
Figure 950771DEST_PATH_IMAGE040
其中，
Figure 936044DEST_PATH_IMAGE035
为当前输入特征
Figure 308120DEST_PATH_IMAGE015
与上一个状态输出
Figure 378844DEST_PATH_IMAGE027
的关联系数，
Figure 494568DEST_PATH_IMAGE036
为k组前序 状态的关联系数；
当
Figure 898129DEST_PATH_IMAGE037
时，则当前输入特征与上一状态输出的相似性较高，处于正常的变化 趋势过程，无需调整；
当
Figure 378789DEST_PATH_IMAGE038
，则说明相较于上一输出状态，当前输入特征与之前一段时间状态的 相似性更高，上一输出状态为异常值，降低其在候选状态计算过程中的权重。
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
Figure 733547DEST_PATH_IMAGE001
个样本表 示为
Figure 652962DEST_PATH_IMAGE002
，
Figure 347248DEST_PATH_IMAGE003
，其中
Figure 61126DEST_PATH_IMAGE004
为第
Figure 106443DEST_PATH_IMAGE001
个健康指标向量，
Figure 65434DEST_PATH_IMAGE005
为样本数据的总数，
Figure 614227DEST_PATH_IMAGE006
，
Figure 764585DEST_PATH_IMAGE007
为健康指标向量的长度，
Figure 31619DEST_PATH_IMAGE008
为样本对应故障类别标签，
Figure 964940DEST_PATH_IMAGE041
，
Figure 696135DEST_PATH_IMAGE042
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
Figure 955078DEST_PATH_IMAGE043
，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
Figure 506145DEST_PATH_IMAGE044
，从其余故障类别中随机抽取两个样本 分别作为聚类中心
Figure 508736DEST_PATH_IMAGE045
，初始聚类中心集合为
Figure 595903DEST_PATH_IMAGE046
；
在第
Figure 760168DEST_PATH_IMAGE011
次迭代中，获取各样本点到聚类中心点的欧式距离
Figure 1794DEST_PATH_IMAGE047
，将样本指派至 与其距离最近的聚类中心所属类别中构成聚类结果
Figure 604814DEST_PATH_IMAGE048
；其中
Figure 982705DEST_PATH_IMAGE047
的计算公式为：
Figure 645768DEST_PATH_IMAGE065
当相关数据集中所有样本划分结束后，求取聚类结果
Figure 109110DEST_PATH_IMAGE048
中每个类簇的均值作为 新的聚类中心
Figure 515821DEST_PATH_IMAGE050
，设
Figure 13798DEST_PATH_IMAGE051
为第
Figure 83648DEST_PATH_IMAGE052
个类簇的样本总数，
Figure 299865DEST_PATH_IMAGE053
为该类簇的第
Figure 182371DEST_PATH_IMAGE001
个样本，聚类中心点 求取方法具体为：
Figure 597171DEST_PATH_IMAGE054
选定标准测度函数
Figure 274140DEST_PATH_IMAGE055
及最大迭代次数
Figure 774392DEST_PATH_IMAGE056
，若
Figure 460588DEST_PATH_IMAGE057
或迭代次数大于 等于
Figure 729896DEST_PATH_IMAGE056
，结束聚类流程，取最后一次运算结果为最终聚类结果，选取最后一次运算结果为 最终聚类结果，否则令
Figure 843345DEST_PATH_IMAGE012
，继续迭代聚类；
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
Figure 332357DEST_PATH_IMAGE013
，其中
Figure 556665DEST_PATH_IMAGE014
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
Figure 946058DEST_PATH_IMAGE015
作为查询向量
Figure 230409DEST_PATH_IMAGE016
，将k组前序 状态
Figure 439674DEST_PATH_IMAGE017
当作值向量
Figure 467673DEST_PATH_IMAGE018
，并用
Figure 649255DEST_PATH_IMAGE018
本身作为计算相似性的键向 量
Figure 166824DEST_PATH_IMAGE019
；
具体注意力计算过程分为3个部分，首先计算
Figure 630429DEST_PATH_IMAGE020
和
Figure 196539DEST_PATH_IMAGE021
的点积获得权重 系数，然后采用softmax函数方法对权重系数进行归一化处理，最后根据调整后的权重系数 对
Figure 294945DEST_PATH_IMAGE023
进行加权求和，生成加权和；
计算公式具体为：
Figure 983416DEST_PATH_IMAGE066
其中，
Figure 167272DEST_PATH_IMAGE061
为第
Figure 537074DEST_PATH_IMAGE001
个隐藏状态
Figure 257030DEST_PATH_IMAGE062
对当前输入
Figure 116402DEST_PATH_IMAGE015
的相似性权重，
Figure 725238DEST_PATH_IMAGE063
为归一化后的权重 系数，
Figure 695468DEST_PATH_IMAGE036
为加权和，
Figure 768466DEST_PATH_IMAGE033
为矩阵转置；
传统的GRU模块在计算候选状态
Figure 736422DEST_PATH_IMAGE064
时只考虑了单个前序状态
Figure 408055DEST_PATH_IMAGE027
以及当前输入特 征
Figure 181976DEST_PATH_IMAGE015
。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：
引入注意力因子
Figure 312743DEST_PATH_IMAGE024
对GRU模块中候选状态
Figure 513917DEST_PATH_IMAGE025
进行更新，其计算公式为：
Figure 831766DEST_PATH_IMAGE067
其中，
Figure 409378DEST_PATH_IMAGE015
为当前输入特征，
Figure 394651DEST_PATH_IMAGE027
为前一个时序的状态输出，
Figure 268191DEST_PATH_IMAGE028
为双曲正切函数，
Figure 73336DEST_PATH_IMAGE029
、
Figure 189060DEST_PATH_IMAGE030
、
Figure 28840DEST_PATH_IMAGE031
为权重及偏置，
Figure 571817DEST_PATH_IMAGE024
为注意力因子，
Figure 129837DEST_PATH_IMAGE032
为重置门，
Figure 783672DEST_PATH_IMAGE033
为矩阵转置；
所述注意力因子
Figure 743538DEST_PATH_IMAGE024
的计算公式为：
Figure 958881DEST_PATH_IMAGE034
其中，
Figure 738618DEST_PATH_IMAGE035
为当前输入特征
Figure 133827DEST_PATH_IMAGE015
与上一个状态输出
Figure 10517DEST_PATH_IMAGE027
的关联系数，
Figure 832979DEST_PATH_IMAGE036
为k组前序 状态的关联系数；
当
Figure 162329DEST_PATH_IMAGE037
时，则当前输入特征与上一状态输出的相似性较高，处于正常的变化 趋势过程，无需调整；
当
Figure 361229DEST_PATH_IMAGE038
，则说明相较于上一输出状态，当前输入特征与之前一段时间状态的 相似性更高，上一输出状态为异常值，降低其在候选状态计算过程中的权重。
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：
将当前输入特征
Figure DEST_PATH_IMAGE001
作为查询向量
Figure 550528DEST_PATH_IMAGE002
，将k组前序状态
Figure DEST_PATH_IMAGE003
当作 值向量
Figure 220544DEST_PATH_IMAGE004
，并用
Figure 633333DEST_PATH_IMAGE004
本身作为计算相似性的键向量
Figure DEST_PATH_IMAGE005
；
计算
Figure 679786DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
的点积获得权重系数，采用
Figure 320852DEST_PATH_IMAGE008
方法对权重系数进行归一 化处理，根据调整后的权重系数对
Figure DEST_PATH_IMAGE009
进行加权求和，生成加权和；
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：
引入注意力因子
Figure 928813DEST_PATH_IMAGE010
对GRU模块中候选状态
Figure DEST_PATH_IMAGE011
进行更新，其计算公式为：
Figure DEST_PATH_IMAGE013
其中，
Figure 124171DEST_PATH_IMAGE001
为当前输入特征，
Figure 505474DEST_PATH_IMAGE014
为前一个时序的状态输出，
Figure DEST_PATH_IMAGE015
为双曲正切函数，
Figure 631738DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
、
Figure 909135DEST_PATH_IMAGE018
为权重及偏置，
Figure 529472DEST_PATH_IMAGE010
为注意力因子，
Figure DEST_PATH_IMAGE019
为重置门，
Figure 543827DEST_PATH_IMAGE020
为矩阵转置；
所述注意力因子
Figure 706955DEST_PATH_IMAGE010
的计算公式为：
Figure 686412DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
为当前输入特征
Figure 262887DEST_PATH_IMAGE001
与上一个状态输出
Figure 251572DEST_PATH_IMAGE014
的关联系数，
Figure 629726DEST_PATH_IMAGE024
为k组前序状态的 关联系数；
当
Figure DEST_PATH_IMAGE025
时，则当前输入特征与上一状态输出的相似性较高，处于正常的变化趋势 过程，无需调整；
当
Figure 514505DEST_PATH_IMAGE026
，则说明相较于上一输出状态，当前输入特征与之前一段时间状态的相似 性更高，上一输出状态为异常值，降低其在候选状态计算过程中的权重。
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：
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
Figure DEST_PATH_IMAGE027
个样本表示为
Figure 578276DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，其中
Figure 934433DEST_PATH_IMAGE030
为第
Figure 806575DEST_PATH_IMAGE027
个健康指标向量，
Figure DEST_PATH_IMAGE031
为样本数据的总数，
Figure 721310DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
为健康指标向量的长度，
Figure 272377DEST_PATH_IMAGE034
为样本对应故障类别标签，
Figure DEST_PATH_IMAGE035
，
Figure 42012DEST_PATH_IMAGE036
为故障类别总 数；
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；
在第
Figure DEST_PATH_IMAGE037
次迭代中，获取各样本点到聚类中心点的欧式距离，将样本指派至与其距离最近 的聚类中心所属类别中构成聚类结果；
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；
当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类，选取 最后一次运算结果为最终聚类结果，否则令
Figure 486769DEST_PATH_IMAGE038
，继续迭代聚类；
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，得到更新后 的样本合集
Figure DEST_PATH_IMAGE039
，
Figure 447771DEST_PATH_IMAGE040
为健康指标向量集合，其中
Figure DEST_PATH_IMAGE041
分别对应健康、退 化开始、退化加剧3个健康状态区间。
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：
将当前输入特征
Figure 722020DEST_PATH_IMAGE001
作为查询向量
Figure 590619DEST_PATH_IMAGE002
，将k组前序状态
Figure 827565DEST_PATH_IMAGE003
当作 值向量
Figure 365994DEST_PATH_IMAGE004
，并用
Figure 422812DEST_PATH_IMAGE004
本身作为计算相似性的键向量
Figure 330987DEST_PATH_IMAGE005
；
计算
Figure 297806DEST_PATH_IMAGE006
和
Figure 131770DEST_PATH_IMAGE007
的点积获得权重系数，采用
Figure 941463DEST_PATH_IMAGE008
方法对权重系数进行归一 化处理，根据调整后的权重系数对
Figure 27231DEST_PATH_IMAGE009
进行加权求和，生成加权和；
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：
引入注意力因子
Figure 707611DEST_PATH_IMAGE010
对GRU模块中候选状态
Figure 479520DEST_PATH_IMAGE011
进行更新，其计算公式为：
Figure 386296DEST_PATH_IMAGE042
其中，
Figure 134809DEST_PATH_IMAGE001
为当前输入特征，
Figure 935275DEST_PATH_IMAGE014
为前一个时序的状态输出，
Figure 111041DEST_PATH_IMAGE015
为双曲正切函数，
Figure 505114DEST_PATH_IMAGE016
、
Figure 570501DEST_PATH_IMAGE017
、
Figure 225474DEST_PATH_IMAGE018
为权重及偏置，
Figure 713087DEST_PATH_IMAGE010
为注意力因子，
Figure 719089DEST_PATH_IMAGE019
为重置门，
Figure 809405DEST_PATH_IMAGE020
为矩阵转置；
所述注意力因子
Figure 194250DEST_PATH_IMAGE010
的计算公式为：
Figure DEST_PATH_IMAGE043
其中，
Figure 72338DEST_PATH_IMAGE023
为当前输入特征
Figure 34478DEST_PATH_IMAGE001
与上一个状态输出
Figure 69430DEST_PATH_IMAGE014
的关联系数，
Figure 433415DEST_PATH_IMAGE024
为k组前序状态的 关联系数；
当
Figure 888929DEST_PATH_IMAGE025
时，则当前输入特征与上一状态输出的相似性较高，处于正常的变化趋势 过程，无需调整；
当
Figure 744890DEST_PATH_IMAGE026
，则说明相较于上一输出状态，当前输入特征与之前一段时间状态的相似 性更高，上一输出状态为异常值，降低其在候选状态计算过程中的权重。
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：
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
Figure 911429DEST_PATH_IMAGE027
个样本表示为
Figure 395500DEST_PATH_IMAGE028
，
Figure 520451DEST_PATH_IMAGE029
，其中
Figure 598128DEST_PATH_IMAGE030
为第
Figure 600982DEST_PATH_IMAGE027
个健康指标向量，
Figure 80505DEST_PATH_IMAGE031
为样本数据的总数，
Figure 376357DEST_PATH_IMAGE032
，
Figure 800385DEST_PATH_IMAGE033
为健康指标向量的长度，
Figure 715251DEST_PATH_IMAGE034
为样本对应故障类别标签，
Figure 173914DEST_PATH_IMAGE035
，
Figure 142133DEST_PATH_IMAGE036
为故障类别总 数；
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；
在第
Figure 194402DEST_PATH_IMAGE037
次迭代中，获取各样本点到聚类中心点的欧式距离，将样本指派至与其距离最近 的聚类中心所属类别中构成聚类结果；
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；
当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类，选取 最后一次运算结果为最终聚类结果，否则令
Figure 772014DEST_PATH_IMAGE038
，继续迭代聚类；
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，得到更新后 的样本合集
Figure 85184DEST_PATH_IMAGE039
，
Figure 722839DEST_PATH_IMAGE040
为健康指标向量集合，其中
Figure 262404DEST_PATH_IMAGE041
分别对应健康、退 化开始、退化加剧3个健康状态区间。
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。
CN202210619272.4A 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 Active CN114707431B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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
Chen et al. Efficient ant colony optimization for image feature selection
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
CN111639497B (zh) 一种基于大数据机器学习的异常行为发现方法
CN108052528A (zh) 一种存储设备时序分类预警方法
CN111917785B (zh) 一种基于de-gwo-svr的工业互联网安全态势预测方法
CN105224872A (zh) 一种基于神经网络聚类的用户异常行为检测方法
WO2017039010A1 (en) Distributed model-building
CN111507470A (zh) 一种异常账户的识别方法及装置
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
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
CN113225346A (zh) 一种基于机器学习的网络运维态势评估方法
CN116340796A (zh) 时序数据分析方法、装置、设备及存储介质
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
CN104899507A (zh) 一种网络高维大数据异常入侵的检测方法
Han et al. An efficient genetic algorithm for optimization problems with time-consuming fitness evaluation
CN111221704B (zh) 一种确定办公管理应用系统运行状态的方法及系统
CN111814153A (zh) 一种基于大数据的商业网站安全维护方法
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
Al-Maqaleh Genetic algorithm approach to automated discovery of comprehensible production rules
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

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