CN114861739A - 一种特征通道可选择的多组件系统退化预测方法及系统 - Google Patents

一种特征通道可选择的多组件系统退化预测方法及系统 Download PDF

Info

Publication number
CN114861739A
CN114861739A CN202210786655.0A CN202210786655A CN114861739A CN 114861739 A CN114861739 A CN 114861739A CN 202210786655 A CN202210786655 A CN 202210786655A CN 114861739 A CN114861739 A CN 114861739A
Authority
CN
China
Prior art keywords
feature
data
module
channel
output
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.)
Granted
Application number
CN202210786655.0A
Other languages
English (en)
Other versions
CN114861739B (zh
Inventor
邓耀华
张春凤
黄浩
刘夏丽
卢绮雯
张燕飞
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.)
Yizhimi Co ltd
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Guangdong Yizumi Precision Machinery Co Ltd
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, Guangdong Yizumi Precision Machinery Co Ltd filed Critical Guangdong University of Technology
Priority to CN202210786655.0A priority Critical patent/CN114861739B/zh
Publication of CN114861739A publication Critical patent/CN114861739A/zh
Application granted granted Critical
Publication of CN114861739B publication Critical patent/CN114861739B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明公开的一种特征通道可选择的多组件系统退化预测方法及系统，包括：获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；将全局特征输入到特征通道可选择模块，选择相应的特征信号通道，输出对应通道的特征数据；并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件系统性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。本发明提高了多源数据样本分布的一致化，提高了预测精度。

Description

一种特征通道可选择的多组件系统退化预测方法及系统
技术领域
本发明涉及设备健康管理技术领域，更具体的，涉及一种特征通道可选择的多组件系统退化预测方法及系统。
背景技术
运行在复杂恶劣运行工况下机械装备系统(例如大型压铸机、蚀刻设备、机器人喷涂设备)受内外因素耦合影响，其退化失效呈现多元、多阶段演变。对于以大型压铸机、蚀刻设备、机器人喷涂系统等多组件系统为代表的整机级、系统级复杂装备，具有退化预测数据多源、分布极不平衡、信息不确定等特点，现有的数据迁移学习方法只考虑整体特征分布跨域对齐(其中包含一些特征明显不同的信号)，而不关注不同信号片段的特征分布，使得退化演变过程的模拟大大偏离实际情况，从而导致传统深度学习模型的性能下降、预测精度降低，甚至模型不可用。因此为了更好地关注可迁移性更好的信号或信号片段，减少“负迁移”，提高多源数据样本分布平衡化、数据特征概率分布一致化的准确度，应增强多组件系统退化预测模型域自适应力，提出一种特征通道可选择的多组件系统退化预测方法以致于增强退化预测的精度。
发明内容
为了解决上述技术问题，本发明提出了一种特征通道可选择的多组件系统退化预测方法及系统。
本发明第一方面提供了一种特征通道可选择的多组件系统退化预测方法，包括：
获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；
将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据；
并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；
将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。
本方案中，所述的获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征，具体为：
获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；
基于多源响应信号数据构建
Figure 956677DEST_PATH_IMAGE001
的输入数据矩阵，
Figure 585104DEST_PATH_IMAGE002
表示输入数据所含信号模态 的个数，
Figure 621194DEST_PATH_IMAGE003
表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态 数据；
将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据
Figure 60396DEST_PATH_IMAGE004
。
本方案中，所述的将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据，具体为：
特征通道可选择模块由
Figure DEST_PATH_IMAGE005
个特征选取器及一个通道选择器组成，每个特征选取器
Figure 244253DEST_PATH_IMAGE006
由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出
Figure 614054DEST_PATH_IMAGE004
中对应通道的特征数据
Figure 583279DEST_PATH_IMAGE007
；
每个通道的特征数据
Figure 380333DEST_PATH_IMAGE007
与预先存储在通道选择器的专家鉴定数据进行比对，获取 各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到 全连接层后得到输出数据
Figure 51486DEST_PATH_IMAGE008
。
本方案中，所述的通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，具体为：
将特征通道可选择模块的输出数据
Figure 959399DEST_PATH_IMAGE008
作为输入进入局部特征鉴定模块，通过迭代 计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；
判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；
若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。
本方案中，通过退化演变预测模块进行多组件系统性能退化演变预测，具体为：
通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训 练，将局部特征鉴定模块的输出数据
Figure 783130DEST_PATH_IMAGE009
，基于提取的特征进行多组件系统的性能退化演变 预测；
获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数；
通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。
本发明第二方面还提供了一种特征通道可选择的多组件系统退化预测系统，其特征在于，包括如下模块，全局特征提取模块、特征通道可选择模块、局部特征鉴别模块和退化演变预测模块；
所述全局特征提取模块将多组件系统的多源响应信号数据进行卷积计算并提取全局特征；
所述特征通道可选择模块根据所关注内容的不同而重点选择相应的特征信号通道，其输入是全局特征提取模块的输出，其输出连接局部特征鉴别模块的输入；
所述局部特征鉴别模块用于对跨域数据进行特征对齐，其输入为特征通道可选择模块的输出，其输出为最大均值差异损失值，最大均值差异损失值反馈回特征通道可选择模块用于调整特征通道的选择；
所述退化演变预测模块的输入是局部特征鉴别模块的输出，基于提取的特征进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。
本方案中，所述全局特征提取模块，具体为：
获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；
基于多源响应信号数据构建
Figure 751086DEST_PATH_IMAGE001
的输入数据矩阵，
Figure 909535DEST_PATH_IMAGE002
表示输入数据所含信号模态 的个数，
Figure 434188DEST_PATH_IMAGE003
表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态 数据；
将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据
Figure 564955DEST_PATH_IMAGE004
。
本方案中，所述特征通道可选择模块选择，具体为：
特征通道可选择模块由
Figure 766129DEST_PATH_IMAGE005
个特征选取器及一个通道选择器组成，每个特征选取器
Figure 897028DEST_PATH_IMAGE006
由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出
Figure 412323DEST_PATH_IMAGE004
中对应通道的特征数据
Figure 459913DEST_PATH_IMAGE007
；
每个通道的特征数据
Figure 582721DEST_PATH_IMAGE007
与预先存储在通道选择器的专家鉴定数据进行比对，获取 各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到 全连接层后得到输出数据
Figure 450183DEST_PATH_IMAGE008
。
本方案中，所述局部特征鉴别模块，具体为：
将特征通道可选择模块的输出数据
Figure 503589DEST_PATH_IMAGE008
作为输入进入局部特征鉴定模块，通过迭代 计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；
判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；
若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。
本方案中，所述退化演变预测模块，具体为：
通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训 练，将局部特征鉴定模块的输出数据
Figure 156419DEST_PATH_IMAGE009
，基于提取的特征进行多组件系统的性能退化演变 预测；
获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数；
通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。
本发明公开的一种特征通道可选择的多组件系统退化预测方法及系统，包括：获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据；并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。本发明提高了多源数据样本分布平衡化、一致化的准确度，提高了预测精度。
附图说明
图1示出了本发明一种特征通道可选择的多组件系统退化预测方法的流程图；
图2示出了本发明特征通道可选择模块选择相应的特征信号通道的方法流程图；
图3示出了本发明一种特征通道可选择的多组件系统退化预测系统的框图。
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示出了本发明一种特征通道可选择的多组件系统退化预测方法的流程图。
如图1所示，本发明第一方面提供了一种特征通道可选择的多组件系统退化预测方法，包括：
S102，获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；
S104，将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据；
S106，并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；
S108，将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。
需要说明的是，所述的获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征，具体为：
获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；
基于多源响应信号数据构建
Figure 699396DEST_PATH_IMAGE001
的输入数据矩阵，
Figure 257416DEST_PATH_IMAGE002
表示输入数据所含信号模态 的个数，
Figure 656124DEST_PATH_IMAGE003
表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态 数据；
全局特征提取模块由
Figure 678307DEST_PATH_IMAGE002
个
Figure 329868DEST_PATH_IMAGE010
的卷积核和
Figure 922654DEST_PATH_IMAGE002
个
Figure 380181DEST_PATH_IMAGE011
的池化核组成，将所述数据 矩阵通过卷积层和池化层运算后，输出全局特征数据
Figure 194553DEST_PATH_IMAGE004
。
图2示出了本发明特征通道可选择模块选择相应的特征信号通道的方法流程图。
需要说明的是，在多组件系统退化演变的不同阶段，不同维度的响应信号数据特征的重要度会有所变化，因此构造能对特征通道进行选择的特征通道可选择模块，所述的将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据，具体为：
特征通道可选择模块由
Figure 830065DEST_PATH_IMAGE012
)个特征选取器及一个通道选择器组成，每个特征 选取器
Figure 159415DEST_PATH_IMAGE006
由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模 块的输出
Figure 358315DEST_PATH_IMAGE004
中对应通道的特征数据
Figure 840243DEST_PATH_IMAGE007
；
每个通道的特征数据
Figure 895924DEST_PATH_IMAGE007
与预先存储在通道选择器的专家鉴定数据进行比对，获取 各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到 全连接层后得到输出数据
Figure 650253DEST_PATH_IMAGE008
。实现根据所关注内容的不同而重点选择相应的特征信号通 道，也就是选择了能够反映当前退化阶段最优的模态信号特征数据用于退化状态的评估。
需要说明的是，由于工况、环境等变化，输入的多源响应信号数据会存在分布差异、异域等问题，所述的通过局部特征鉴别模块将跨域数据进行特征对齐，所述跨域数据为带标签的多源响应信号数据域及无标签的多源响应信号数据域，同时，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，具体为：
将特征通道可选择模块的输出数据
Figure 200314DEST_PATH_IMAGE008
作为输入进入局部特征鉴定模块，通过迭代 计算进行特征对齐，通过数据的最大均值差异损失值
Figure 51596DEST_PATH_IMAGE013
获取数据的分布差异，判断带标 签的多源响应信号数据域及无标签的多源响应信号数据域是否对齐；
判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；
若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择；
其中，最大均值差异通过均值统计评价样本分布差异，带标签的多源响应信号数据域及无标签的多源响应信号数据域的MMD距离表达式为：
Figure 215861DEST_PATH_IMAGE014
其中，
Figure 270536DEST_PATH_IMAGE015
分别表示带标签的多源响应信号数据域及无标签的多源响应信号数 据域样本，
Figure 873555DEST_PATH_IMAGE016
，
Figure 64496DEST_PATH_IMAGE017
分别表示带标签的多源响应信号数据域及无标签的多源响应信号数据 域的样本个数，
Figure 665242DEST_PATH_IMAGE018
表示可再生希尔伯特空间范数。
需要说明的是，通过退化演变预测模块进行多组件系统性能退化演变预测，具体 为：通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，将 局部特征鉴定模块的输出数据
Figure 925322DEST_PATH_IMAGE009
，基于提取的特征进行多组件系统的性能退化演变预测； 获取退化演变预测模块的预测损失
Figure 348344DEST_PATH_IMAGE019
，根据所述预测损失反馈调整退化演变趋势模型的 网络参数；通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。
所述门控循环神经网络（GRU网络）包括重置门和更新门两个门控结构。GRU网络的 最终输出状态是前序状态
Figure 580742DEST_PATH_IMAGE020
以及候选状态
Figure 414706DEST_PATH_IMAGE021
的按权重相加所得，两者的权重由更新门
Figure 195972DEST_PATH_IMAGE022
控制，候选状态则由重置门
Figure 78477DEST_PATH_IMAGE023
控制。重置门
Figure 493278DEST_PATH_IMAGE023
负责处理前序状态
Figure 248876DEST_PATH_IMAGE020
，同时接收当前输入特 征和前序状态，并将两项这两项输入进行线性运算，最后由
Figure 749127DEST_PATH_IMAGE024
函数做归一化。重置门 的取值范围为0-1之间，取值越大代表前序状态在候选状态中的占比越大，重置门的取值决 定了候选状态
Figure 435323DEST_PATH_IMAGE021
中前序列状态和当前输入特征的重要程度，重置门和候选状态的计算方法 为：
Figure 189784DEST_PATH_IMAGE025
Figure 365550DEST_PATH_IMAGE026
其中
Figure 290781DEST_PATH_IMAGE027
为
Figure 515089DEST_PATH_IMAGE024
函数，
Figure 655214DEST_PATH_IMAGE028
为当前输入特征，
Figure 673986DEST_PATH_IMAGE020
为前一个时序的状态输出，
Figure 148830DEST_PATH_IMAGE029
、
Figure 176829DEST_PATH_IMAGE030
、
Figure 171461DEST_PATH_IMAGE031
为重置门
Figure 689030DEST_PATH_IMAGE023
的网络权重及偏置，
Figure 323273DEST_PATH_IMAGE032
为双曲正切函数，
Figure 968012DEST_PATH_IMAGE033
、
Figure 269681DEST_PATH_IMAGE034
、
Figure 692572DEST_PATH_IMAGE035
为生成候选输出
Figure 627161DEST_PATH_IMAGE021
的网络权重及偏置，
Figure 996962DEST_PATH_IMAGE036
为矩阵转置；
更新门
Figure 215454DEST_PATH_IMAGE022
负责分配当前输入特征与前序状态之间的权值，从而更新状态输出
Figure 12509DEST_PATH_IMAGE037
， 更新门的计算方法与重置门相似，更新门决定了候选输出
Figure 434394DEST_PATH_IMAGE021
及前序输出对最终输出
Figure 342307DEST_PATH_IMAGE037
的影 响程度，更新门
Figure 680885DEST_PATH_IMAGE022
以及最终估计状态
Figure 648841DEST_PATH_IMAGE037
的计算方式为：
Figure 286583DEST_PATH_IMAGE038
Figure 998187DEST_PATH_IMAGE039
其中，
Figure 925692DEST_PATH_IMAGE029
、
Figure 64549DEST_PATH_IMAGE030
、
Figure 461027DEST_PATH_IMAGE031
为更新门
Figure 976322DEST_PATH_IMAGE022
的网络权重及偏置。
图3示出了本发明一种特征通道可选择的多组件系统退化预测系统的框图。
根据本发明实施例，根据多组件系统退化演变趋势曲线制定维护方案，并判断多组件系统的剩余使用寿命，具体为：
根据多组件系统退化演变趋势曲线判断预设时间后的退化状态，获取所述退化状态的特征值，根据所述特征值通过数据检索方法获取相似度符合预设范围的相似退化状态，并获取相似退化状态的维护方案；
将所述相似退化状态的维护方案生成备选维护方案，预设多组件系统维护方案的评价指标，根据评价指标的量化规则对所述备选维护方案的影响程度进行量化，生成判断矩阵；
将判断矩阵按列进行正则化处理，将正则化处理后进行按行相加，求平均值生成各评价指标的权重，根据各个评价指标的权重构造权重向量；
获取各评价指标对备选维护方案的影响程度获取隶属度，生成隶属度矩阵，通过所述权重向量及隶属度矩阵构造模糊决策向量，通过所述模糊决策向量生成各备选维护方案的的优选度；
根据所述优选度获取多组件系统的最优维护方案。
需要说明的是，构建多组件系统维护方案的相关数据库，通过大数据检索的方法进行历史维护方案及相关维护方案与当前退化状态的相似度，预设相似度阈值，将相似度大于预设相似度阈值的维护方案作为备选维护方案，所述相似度可通过欧氏距离或余弦值进行判断；预设多组件系统维护方案的评价指标为，维护效果、维护难度及维护成本，维护效果指多组件系统维护后的性能恢复程度，通过维护后设备的运行平稳度进行判断，维护难度指维护方案的操作难度、维护时间及对天气的依赖程度，维护成本指与维护相关的各种费用的总和，通过振动信号评估多组件系统备选维护方案的运行平稳性、维护难度及维护成本的计算值与期望值进行计算相对重要性实现量化，判断影响程度，构造判断矩阵获取各个评价指标的权重，根据备选维护方案在评价指标量化规则求得的各个评价指标的值获取获取评价指标对备选维护方案的隶属度，生成隶属度矩阵，隶属度矩阵描述了评价指标对备选维护方案的影响程度，将权重向量与隶属度矩阵联系起来，就得到退化状态与备选维护方案之间的映射关系，确定最优备选维护方案。
本发明第二方面还提供了一种特征通道可选择的多组件系统退化预测系统，其特征在于，包括如下模块，全局特征提取模块10、特征通道可选择模块20、局部特征鉴别模块30和退化演变预测模块40；
所述全局特征提取模10块将多组件系统的多源响应信号数据进行卷积计算并提取全局特征；
所述特征通道可选择模块20根据所关注内容的不同而重点选择相应的特征信号通道，其输入是全局特征提取模块10的输出，其输出连接局部特征鉴别模块30的输入；
所述局部特征鉴别模块30用于对跨域数据进行特征对齐，其输入为特征通道可选择模块20的输出，其输出为最大均值差异损失值，最大均值差异损失值反馈回特征通道可选择模块20用于调整特征通道的选择；
所述退化演变预测模块40的输入是局部特征鉴别模块30的输出，基于提取的特征进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块40网络参数，输出多组件系统退化演变趋势曲线。
需要说明的是，所述全局特征提取模块，具体为：
获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；
基于多源响应信号数据构建
Figure 758333DEST_PATH_IMAGE001
的输入数据矩阵，
Figure 68092DEST_PATH_IMAGE002
表示输入数据所含信号模态 的个数，
Figure 951865DEST_PATH_IMAGE003
表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态 数据；
将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据
Figure 5272DEST_PATH_IMAGE004
。
需要说明的是，所述特征通道可选择模块选择，具体为：
特征通道可选择模块由
Figure 907369DEST_PATH_IMAGE040
个特征选取器及一个通道选择器组成，每个特征选取器
Figure 388029DEST_PATH_IMAGE006
由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出
Figure 759098DEST_PATH_IMAGE004
中对应通道的特征数据
Figure 350616DEST_PATH_IMAGE007
；
每个通道的特征数据
Figure 107220DEST_PATH_IMAGE007
与预先存储在通道选择器的专家鉴定数据进行比对，获取 各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到 全连接层后得到输出数据
Figure 24360DEST_PATH_IMAGE008
。
需要说明的是，所述局部特征鉴别模块，具体为：
将特征通道可选择模块的输出数据
Figure 617147DEST_PATH_IMAGE008
作为输入进入局部特征鉴定模块，通过迭代 计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；
判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；
若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。
需要说明的是，所述退化演变预测模块，具体为：
通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训 练，将局部特征鉴定模块的输出数据
Figure 12356DEST_PATH_IMAGE009
，基于提取的特征进行多组件系统的性能退化演变 预测；
获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数；
通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。
所述门控循环神经网络（GRU网络）包括重置门和更新门两个门控结构。GRU网络的 最终输出状态是前序状态
Figure 889045DEST_PATH_IMAGE020
以及候选状态
Figure 711508DEST_PATH_IMAGE021
的按权重相加所得，两者的权重由更新门
Figure 791590DEST_PATH_IMAGE022
控制，候选状态则由重置门
Figure 990490DEST_PATH_IMAGE023
控制。重置门
Figure 721686DEST_PATH_IMAGE023
负责处理前序状态
Figure 715050DEST_PATH_IMAGE020
，同时接收当前输入特 征和前序状态，并将两项这两项输入进行线性运算，最后由
Figure 282429DEST_PATH_IMAGE024
函数做归一化。重置门 的取值范围为0-1之间，取值越大代表前序状态在候选状态中的占比越大，重置门的取值决 定了候选状态
Figure 19440DEST_PATH_IMAGE021
中前序列状态和当前输入特征的重要程度，重置门和候选状态的计算方法 为：
Figure 605143DEST_PATH_IMAGE025
Figure 34987DEST_PATH_IMAGE026
其中
Figure 89662DEST_PATH_IMAGE027
为
Figure 427102DEST_PATH_IMAGE024
函数，
Figure 70573DEST_PATH_IMAGE028
为当前输入特征，
Figure 212929DEST_PATH_IMAGE020
为前一个时序的状态输出，
Figure 941851DEST_PATH_IMAGE029
、
Figure 82982DEST_PATH_IMAGE030
、
Figure 580960DEST_PATH_IMAGE031
为重置门
Figure 165656DEST_PATH_IMAGE023
的网络权重及偏置，
Figure 116294DEST_PATH_IMAGE032
为双曲正切函数，
Figure 61117DEST_PATH_IMAGE033
、
Figure 413601DEST_PATH_IMAGE034
、
Figure 169198DEST_PATH_IMAGE035
为生成候选输出
Figure 607133DEST_PATH_IMAGE021
的网络权重及偏置，
Figure 90067DEST_PATH_IMAGE036
为矩阵转置；
更新门
Figure 562636DEST_PATH_IMAGE022
负责分配当前输入特征与前序状态之间的权值，从而更新状态输出
Figure 489135DEST_PATH_IMAGE037
， 更新门的计算方法与重置门相似，更新门决定了候选输出
Figure 476683DEST_PATH_IMAGE021
及前序输出对最终输出
Figure 514040DEST_PATH_IMAGE037
的影 响程度，更新门
Figure 575537DEST_PATH_IMAGE022
以及最终估计状态
Figure 922205DEST_PATH_IMAGE037
的计算方式为：
Figure 147781DEST_PATH_IMAGE038
Figure 175780DEST_PATH_IMAGE039
其中，
Figure 419679DEST_PATH_IMAGE029
、
Figure 422401DEST_PATH_IMAGE030
、
Figure 384541DEST_PATH_IMAGE031
为更新门
Figure 763701DEST_PATH_IMAGE022
的网络权重及偏置。
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准。

Claims (8)

1.一种特征通道可选择的多组件系统退化预测方法，其特征在于，包括以下步骤：
获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；
将全局特征输入到特征通道可选择模块，选择相应的特征信号通道，输出对应通道的特征数据；
并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；
将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件系统性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。
2.根据权利要求1所述的一种特征通道可选择的多组件系统退化预测方法，其特征在于，所述的获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征，具体为：
获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；
基于多源响应信号数据构建
Figure 372190DEST_PATH_IMAGE001
的输入数据矩阵，
Figure 666905DEST_PATH_IMAGE002
表示输入数据所含信号模态的个 数，
Figure 172973DEST_PATH_IMAGE003
表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态数 据；
将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据
Figure 202240DEST_PATH_IMAGE004
。
3.根据权利要求1所述的一种特征通道可选择的多组件系统退化预测方法，其特征在于，所述的将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据，具体为：
特征通道可选择模块由
Figure 84745DEST_PATH_IMAGE005
个特征选取器及一个通道选择器组成，每个特征选取器
Figure 499546DEST_PATH_IMAGE006
由多 个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出
Figure 176515DEST_PATH_IMAGE004
中 对应通道的特征数据
Figure 427499DEST_PATH_IMAGE007
；
每个通道的特征数据
Figure 113695DEST_PATH_IMAGE007
与预先存储在通道选择器的专家鉴定数据进行比对，获取各通 道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连 接层后得到输出数据
Figure 383002DEST_PATH_IMAGE008
。
4.根据权利要求1所述的一种特征通道可选择的多组件系统退化预测方法，其特征在于，所述的通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，具体为：
将特征通道可选择模块的输出数据
Figure 309501DEST_PATH_IMAGE008
作为输入进入局部特征鉴定模块，通过迭代计算 进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；
判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；
若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。
5.根据权利要求1所述的一种特征通道可选择的多组件系统退化预测方法，其特征在于，通过退化演变预测模块进行多组件系统性能退化演变预测，具体为：
通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，将 局部特征鉴定模块的输出数据
Figure 234732DEST_PATH_IMAGE009
，基于提取的特征进行多组件系统的性能退化演变预测；
获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数。
6.一种特征通道可选择的多组件系统退化预测系统，其特征在于，包括如下模块，全局特征提取模块、特征通道可选择模块、局部特征鉴别模块和退化演变预测模块；
所述全局特征提取模块将多组件系统的多源响应信号数据进行卷积计算并提取全局特征；
所述特征通道可选择模块根据所关注内容的不同而重点选择相应的特征信号通道，其输入是全局特征提取模块的输出，其输出连接局部特征鉴别模块的输入；
所述局部特征鉴别模块用于对跨域数据进行特征对齐，其输入为特征通道可选择模块的输出，其输出为最大均值差异损失值，最大均值差异损失值反馈回特征通道可选择模块用于调整特征通道的选择；
所述退化演变预测模块的输入是局部特征鉴别模块的输出，基于提取的特征进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。
7.根据权利要求6所述的一种特征通道可选择的多组件系统退化预测系统，其特征在于，所述特征通道可选择模块，具体为：
特征通道可选择模块由
Figure 459040DEST_PATH_IMAGE005
个特征选取器及一个通道选择器组成，每个特征选取器
Figure 848433DEST_PATH_IMAGE006
由多 个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出
Figure 132784DEST_PATH_IMAGE004
中 对应通道的特征数据
Figure 92780DEST_PATH_IMAGE007
；
每个通道的特征数据
Figure 120779DEST_PATH_IMAGE007
与预先存储在通道选择器的专家鉴定数据进行比对，获取各通 道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连 接层后得到输出数据
Figure 364679DEST_PATH_IMAGE008
。
8.根据权利要求6所述的一种特征通道可选择的多组件系统退化预测系统，其特征在于，所述局部特征鉴别模块，具体为：
将特征通道可选择模块的输出数据
Figure 819931DEST_PATH_IMAGE008
作为输入进入局部特征鉴定模块，通过迭代计算 进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；
判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；
若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。
CN202210786655.0A 2022-07-06 2022-07-06 一种特征通道可选择的多组件系统退化预测方法及系统 Active CN114861739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210786655.0A CN114861739B (zh) 2022-07-06 2022-07-06 一种特征通道可选择的多组件系统退化预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210786655.0A CN114861739B (zh) 2022-07-06 2022-07-06 一种特征通道可选择的多组件系统退化预测方法及系统

Publications (2)

Publication Number Publication Date
CN114861739A true CN114861739A (zh) 2022-08-05
CN114861739B CN114861739B (zh) 2022-09-23

Family

ID=82626590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210786655.0A Active CN114861739B (zh) 2022-07-06 2022-07-06 一种特征通道可选择的多组件系统退化预测方法及系统

Country Status (1)

Country Link
CN (1) CN114861739B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374711A (zh) * 2022-10-24 2022-11-22 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

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160210552A1 (en) * 2013-08-26 2016-07-21 Auckland University Of Technology Improved Method And System For Predicting Outcomes Based On Spatio/Spectro-Temporal Data
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN111680706A (zh) * 2020-06-17 2020-09-18 南开大学 一种基于编码和解码结构的双通道输出轮廓检测方法
CN112052886A (zh) * 2020-08-21 2020-12-08 暨南大学 基于卷积神经网络的人体动作姿态智能估计方法及装置
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN112906623A (zh) * 2021-03-11 2021-06-04 同济大学 一种基于多尺度深度监督的反向注意力模型
CN113469177A (zh) * 2021-06-30 2021-10-01 河海大学 基于深度学习的排水管道缺陷检测方法及系统
CN113837427A (zh) * 2020-06-08 2021-12-24 日立能源瑞士股份公司 用于对资产执行预测性健康分析的方法和计算系统
CN114048762A (zh) * 2021-09-26 2022-02-15 东南大学 双注意力引导的旋转机械健康评估方法
CN114372634A (zh) * 2022-01-11 2022-04-19 广东工业大学 基于神经网络不平衡优化的短期风电功率预测方法及系统
CN114492634A (zh) * 2022-01-25 2022-05-13 中国人民解放军国防科技大学 一种细粒度装备图片分类识别方法及系统
CN114707431A (zh) * 2022-06-02 2022-07-05 广东工业大学 一种旋转多组件剩余使用寿命预测方法、系统及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160210552A1 (en) * 2013-08-26 2016-07-21 Auckland University Of Technology Improved Method And System For Predicting Outcomes Based On Spatio/Spectro-Temporal Data
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN113837427A (zh) * 2020-06-08 2021-12-24 日立能源瑞士股份公司 用于对资产执行预测性健康分析的方法和计算系统
CN111680706A (zh) * 2020-06-17 2020-09-18 南开大学 一种基于编码和解码结构的双通道输出轮廓检测方法
CN112052886A (zh) * 2020-08-21 2020-12-08 暨南大学 基于卷积神经网络的人体动作姿态智能估计方法及装置
CN112906623A (zh) * 2021-03-11 2021-06-04 同济大学 一种基于多尺度深度监督的反向注意力模型
CN113469177A (zh) * 2021-06-30 2021-10-01 河海大学 基于深度学习的排水管道缺陷检测方法及系统
CN114048762A (zh) * 2021-09-26 2022-02-15 东南大学 双注意力引导的旋转机械健康评估方法
CN114372634A (zh) * 2022-01-11 2022-04-19 广东工业大学 基于神经网络不平衡优化的短期风电功率预测方法及系统
CN114492634A (zh) * 2022-01-25 2022-05-13 中国人民解放军国防科技大学 一种细粒度装备图片分类识别方法及系统
CN114707431A (zh) * 2022-06-02 2022-07-05 广东工业大学 一种旋转多组件剩余使用寿命预测方法、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡城豪等: "基于MSCNN-LSTM的滚动轴承剩余寿命预测方法", 《中国测试》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374711A (zh) * 2022-10-24 2022-11-22 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
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

Also Published As

Publication number Publication date
CN114861739B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN110659744B (zh) 训练事件预测模型、评估操作事件的方法及装置
CN110070145B (zh) 基于增量聚类的lstm轮毂单品能耗预测
CN112784881B (zh) 网络异常流量检测方法、模型及系统
CN111967343B (zh) 基于简单神经网络和极端梯度提升模型融合的检测方法
CN110263227A (zh) 基于图神经网络的团伙发现方法和系统
US7987144B1 (en) Methods and apparatus for generating a data classification model using an adaptive learning algorithm
CN111950643A (zh) 模型训练方法、图像分类方法及对应装置
US10956825B1 (en) Distributable event prediction and machine learning recognition system
CN113190670A (zh) 一种基于大数据平台的信息展示方法及系统
CN114861739B (zh) 一种特征通道可选择的多组件系统退化预测方法及系统
CN109787821B (zh) 一种大规模移动客户流量消费智能预测方法
CN113179276A (zh) 基于显式和隐含特征学习的智能入侵检测方法和系统
CN111639688B (zh) 一种基于线性核svm的物联网智能模型的局部解释方法
CN115879509A (zh) 基于代理辅助进化算法的卷积神经网络结构优化方法
CN112949524B (zh) 一种基于经验模态分解与多核学习的发动机故障检测方法
Sari et al. Parking Lots Detection in Static Image Using Support Vector Machine Based on Genetic Algorithm.
CN112884028A (zh) 一种系统资源调整方法、装置及设备
CN114764469A (zh) 一种内容推荐方法、装置、计算机设备和存储介质
CN113688229B (zh) 一种文本推荐方法、系统、存储介质和设备
CN117540791B (zh) 一种对抗训练的方法及装置
CN117009883B (zh) 对象分类模型构建方法、对象分类方法、装置和设备
CN116484099A (zh) 推荐方法、装置、设备及存储介质
CN117274616A (zh) 一种多特征融合深度学习服务QoS预测系统及预测方法
Skarbek Rough sets for enhancements of local subspace classifier
Ding et al. Voting Based Constructive Covering Algorithm

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
CP01 Change in the name or title of a patent holder

Address after: 510050 no.729 Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee after: GUANGDONG University OF TECHNOLOGY

Patentee after: Yizhimi Co.,Ltd.

Address before: 510050 no.729 Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGDONG University OF TECHNOLOGY

Patentee before: GUANGDONG YIZUMI PRECISION MACHINERY Co.,Ltd.

CP01 Change in the name or title of a patent holder