CN115130232A - 零件的寿命预测方法、装置、设备、存储介质及程序产品 - Google Patents

零件的寿命预测方法、装置、设备、存储介质及程序产品 Download PDF

Info

Publication number
CN115130232A
CN115130232A CN202210393155.0A CN202210393155A CN115130232A CN 115130232 A CN115130232 A CN 115130232A CN 202210393155 A CN202210393155 A CN 202210393155A CN 115130232 A CN115130232 A CN 115130232A
Authority
CN
China
Prior art keywords
domain
target
time
sliding window
frequency domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210393155.0A
Other languages
English (en)
Inventor
汪虹
钟辉强
周厚谦
刘亮
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202210393155.0A priority Critical patent/CN115130232A/zh
Publication of CN115130232A publication Critical patent/CN115130232A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种零件的寿命预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品；本申请实施例可以应用于车载场景，方法包括：获取零件在目标域中对应目标时间段的目标采样数据；当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征；对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征；将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征；基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命。通过本申请，能够提升零件的剩余寿命预测的准确度。

Description

零件的寿命预测方法、装置、设备、存储介质及程序产品
技术领域
本申请涉及人工智能技术，尤其涉及一种零件的寿命预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
人工智能(AI，Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。
机器零件作为现代工业设备的重要组成部分，其运行状态是否正常直接影响着整个工业设备的性能，例如，轴承零件的运行状态检测和剩余使用寿命预测对工业设备维护及保障现代工业的人员安全具有重要意义。
相关技术中针对零件的剩余寿命预测方式通常是基于统计可靠性的方式，虽然基于统计可靠性的方式建模简单，但通常只考虑寿命数据，没有充分利用工作过程的数据，从而导致剩余寿命预测的精度低。
发明内容
本申请实施例提供一种零件的寿命预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提升零件的剩余寿命预测的准确度。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种零件的寿命预测方法，包括：
获取所述零件在目标域中对应目标时间段的目标采样数据；
当所述目标时间段完全处于所述零件的退化阶段时，从所述目标采样数据中提取多个时域特征以及多个频域特征；
对所述多个时域特征以及所述多个频域特征进行第一注意力处理，得到所述目标域的时频域相关特征；
将所述目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到所述目标域的寿命特征；
基于所述目标域的寿命特征，确定所述零件在所述目标域中从所述目标时间段开始的剩余寿命。
本申请实施例提供一种零件的寿命预测装置，包括：
采样模块，用于获取所述零件在目标域中对应目标时间段的目标采样数据；
提取模块，用于当所述目标时间段完全处于所述零件的退化阶段时，从所述目标采样数据中提取多个时域特征以及多个频域特征；
注意力模块，用于对所述多个时域特征以及所述多个频域特征进行第一注意力处理，得到所述目标域的时频域相关特征；
所述注意力模块，还用于将所述目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到所述目标域的寿命特征；
寿命模块，用于基于所述目标域的寿命特征，确定所述零件在所述目标域中从所述目标时间段开始的剩余寿命。
在上述方案中，当所述目标时间段完全处于所述零件的退化阶段时，从所述目标采样数据中提取多个时域特征以及多个频域特征之前，所述采样模块，还用于：获取所述零件从工作开始的多个采样数据，其中，每个所述采样数据包括多个采样点；对基于采样时刻升序排序的所述多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点；针对每个所述第一滑窗结果，确定所述第一滑窗结果内的采样点的均方根；对多个所述均方根进行基于第二滑动窗口尺寸的多次第二滑窗处理，得到每个第二滑窗结果内的均方根；针对每个所述第二滑窗结果，基于所述第二滑窗结果内的均方根，确定对应所述第二滑窗结果的平滑均方根；对多个所述平滑均方根进行基于第三滑动窗口尺寸的多次第三滑窗处理，得到每个第三滑窗结果内的平滑均方根；针对每个所述第三滑窗结果，基于所述第三滑窗结果内的平滑均方根，确定对应所述第三滑窗结果的平滑均值；基于对应每个所述第三滑窗结果的平滑均值，获取多个所述第三滑窗结果中满足退化期条件的目标第三滑窗结果，并将所述目标第三滑窗结果对应的最早采样时刻确定为所述退化阶段的起点时刻；当所述目标时间段处于所述起点时刻之后，确定所述目标时间段处于所述退化阶段。
在上述方案中，所述对所述多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点之前，所述采样模块，还用于：对所述多个采样数据的采样频率进行取倒数处理，得到所述多个采样数据的多个采样点的采样间隔；将所述采样间隔与每个所述采样数据包括的多个采样点的数目进行相乘处理，得到所述第一滑动窗口尺寸。
在上述方案中，所述第二滑动窗口尺寸大于所述第一滑动窗口尺寸，所述采样模块，还用于：对所述第一滑动窗口尺寸进行基于第一整数的倍数处理，得到所述第二滑动窗口尺寸；对所述第二滑窗结果内的均方根进行第一求和处理，得到第一求和结果；将所述第一求和结果与所述第二滑动窗口尺寸的比值确定为对应所述第二滑窗结果的平滑均方根。
在上述方案中，所述采样模块，还用于：对所述第二滑动窗口尺寸进行基于第二整数的倍数处理，得到所述第三滑动窗口尺寸；对所述第三滑窗结果内的平滑均方根进行第二求和处理，得到第二求和结果；将所述第二求和结果与所述第三滑动窗口尺寸的比值确定为所述第三滑窗结果的平滑均方根的平滑均值。
在上述方案中，所述采样模块，还用于：针对每个所述第三滑窗结果执行以下处理：确定所述第三滑窗结果的平滑均值与稳定均值之间的绝对值；对稳定标准差进行基于第三整数的倍数处理，得到映射标准差；当所述绝对值大于所述映射标准差时，确定所述第三滑窗结果是满足所述退化期条件的目标第三滑动结果。
在上述方案中，所述采样模块，还用于：基于每个所述均方根对应的采样时刻，对多个对应的平滑均方根进行升序排序处理，其中，每个所述平滑均方根与对应的第二滑窗结果内最早采样时刻的均方根对应；将升序排序结果中排序靠前的多个平滑均方根作为目标平滑均方根；将多个所述目标平滑均方根的均值确定为所述稳定均值，并将多个所述目标平滑均方根的标准差确定为所述稳定标准差。
在上述方案中，所述提取模块，还用于：对所述目标采样数据中包括的多个采样点的时域工作信号进行特征处理，得到所述目标采样数据的时频域特征；其中，所述时频域特征包括多个时域特征以及多个频域特征，所述特征处理是短时傅里叶变换处理或小波变换处理。
在上述方案中，所述注意力模块，还用于：对所述多个时域特征进行时域自注意力处理，得到自注意力时域特征；对所述多个频域特征进行频域自注意力处理，得到自注意力频域特征；将所述自注意力时域特征与所述自注意力频域特征进行拼接处理，得到融合特征；将所述多个频域特征中对应所述目标时间段中目标时刻的目标频域特征与所述融合特征进行融合注意力处理，得到所述目标域的时频域相关特征。
在上述方案中，所述注意力模块，还用于：对所述多个时域特征进行时域嵌入处理，得到与所述多个时域特征一一对应的多个时域嵌入特征；对所述多个时域嵌入特征进行时域位置编码处理，得到与所述多个时域特征一一对应的多个时域位置编码；对所述多个时域位置编码进行时域自注意力编码处理，得到与所述多个时域特征一一对应的所述多个自注意力时域特征。
在上述方案中，所述注意力模块，还用于：对所述多个频域特征进行频域嵌入处理，得到与所述多个频域特征一一对应的多个频域嵌入特征；对所述多个频域嵌入特征进行频域位置编码处理，得到与所述多个频域特征一一对应的多个频域位置编码；对所述多个频域位置编码进行频域自注意力编码处理，得到与所述多个频域特征一一对应的所述多个自注意力频域特征。
在上述方案中，所述注意力模块，还用于：对所述目标频域特征进行频域嵌入处理，得到与所述目标频域特征对应的目标频域嵌入特征；对所述目标频域嵌入特征进行频域位置编码处理，得到与所述目标频域特征对应的目标频域位置编码；对所述目标频域位置编码以及所述融合特征进行注意力解码处理，得到所述目标域的时频域相关特征。
在上述方案中，所述注意力模块，还用于：将所述目标域的时频域相关特征与所述源域的多个时频域相关特征进行点乘处理，得到对应所述源域的每个时频域相关特征的点乘结果；对对应所述源域的每个时频域相关特征的点乘结果进行最大似然处理，得到与所述源域的每个时频域相关特征对应的注意力权重；基于所述注意力权重，对所述源域的每个时频域相关特征进行加权求和处理，得到源域匹配特征；将所述源域匹配特征与所述目标域的时频域相关特征进行融合处理，得到所述目标域的寿命特征。
在上述方案中，所述装置还包括训练模块，用于：获取对应所述源域的多个源域训练样本；将所述多个源域训练样本在源域寿命预测模型中进行正向传播，得到与所述多个源域训练样本一一对应的多个第一预测剩余寿命；基于所述多个第一预测剩余寿命以及多个第一预标记剩余寿命，确定第一损失，并基于所述第一损失更新所述源域寿命预测模型的参数；将所述源域寿命预测模型的参数作为目标域寿命预测模型的初始化参数；获取对应所述目标域的多个目标域训练样本；将所述多个目标域训练样本在目标域寿命预测模型中进行正向传播，得到与所述多个目标域训练样本一一对应的多个第二预测剩余寿命；基于所述多个第二预测剩余寿命以及多个第二预标记剩余寿命，确定第二损失，并基于所述第二损失，在所述初始化参数的基础上更新所述目标域寿命预测模型的参数。
本申请实施例提供一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的零件的寿命预测方法。
本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现本申请实施例提供的零件的寿命预测方法。
本申请实施例提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现本申请实施例提供的零件的寿命预测方法。
本申请实施例具有以下有益效果：
获取零件在目标域中对应目标时间段的目标采样数据，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征，仅基于退化期的数据进行寿命预测，可以避免零件健康期数据导致的剩余寿命预测不准确的情况，对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征，因此考虑了零件时序信息与频域信息之间的相关性，将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征，从而将其他域学到的时频域相关特征迁移到目标域，从而得到目标域的寿命特征，基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命，可以有效提高剩余寿命预测的准确度。
附图说明
图1A是本申请实施例提供的零件的寿命预测系统的结构示意图；
图1B是本申请实施例提供的基于区块链网络的寿命预测系统的结构示意图；
图2是本申请实施例提供的电子设备的结构示意图；
图3A-图3C是本申请实施例提供的零件的寿命预测方法的流程示意图；
图4是本申请实施例提供的零件的寿命预测方法的整体流程图；
图5是本申请实施例提供的寿命预测模型的结构示意图；
图6是本申请实施例提供的时域编码网络的结构示意图；
图7是本申请实施例提供的解码网络的结构示意图；
图8是本申请实施例提供的元学习框架的结构示意图；
图9是本申请实施例提供的查询匹配处理示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
1)退化：零件的工程材料经长期使用后性能退化，例如，常见钢材的退化现象有中高温长期使用后碳化物的聚集(珠光体球化)，其结果使钢材的强度(或持久强度)下降，或塑性与韧性降低，导致零件所在的工业设备出现不安全因素。
2)工况，是指零件在和其动作有直接关系的条件下的工作状态，例如，零件紧密连接的的工作状态，零件超负荷工作的工作状态等等。
3)注意力机制，注意力机制(Attention Mechanism)源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。上述机制通常被称为注意力机制。注意力机制主要有两个方面：决定需要关注输入的哪部分；分配有限的信息处理资源给重要的部分。
轴承等零件作为现代工业设备的重要组成部分，其运行状态是否正常直接影响着整个设备的性能，故零件的健康状态检测和剩余寿命预测对工业设备维护及保障人员安全具有重要意义。零件的剩余寿命预测大致可分为三类，基于模型进行预测的方式、基于统计可靠性进行预测的方式以及基于数据驱动进行预测的方式。基于模型进行预测的方式是通过分析零件的失效机制如疲劳裂纹、磨损、腐蚀等建立失效模型，由于需要基于失效机制构建数学或物理模型，导致建模过程复杂，在实际工程应用中通常很难实现。基于统计可靠性进行预测的方式利用失效数据建立轴承的可靠性评估模型，是基于经验数据预测方法，通常只考虑寿命数据，没有充分利用过程数据，导致预测精度低。相关技术中基于数据驱动进行预测的方式用全部的数据进行模型训练，没有考虑健康阶段数据的影响，由于零件发生故障或失效一般发生在退化期，如果将健康阶段的数据用于寿命预测，会造成干扰。并且相关技术中采用固定阈值去判断是否进入退化期，由于零件的工作环境复杂，采用固定阈值并不适用于所有零件。同时，相关技术中基于数据驱动进行预测的方式大多基于零件的某个目标工况的工作数据进行建模，没有充分利用零件其他工况的工作数据，也没有考虑目标工况与其他工况之间的相似性与关联关系。
本申请实施例提供一种零件的寿命预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品，能够提升零件的剩余寿命预测的准确度，下面说明本申请实施例提供的电子设备的示例性应用。
本申请实施例提供的电子设备可以实施为笔记本电脑，平板电脑，台式计算机，机顶盒，移动设备(例如，移动电话，便携式音乐播放器，个人数字助理，专用消息设备，便携式游戏设备)等各种类型的用户终端，也可以实施为服务器。下面，将说明设备实施为服务器时示例性应用。
参见图1A，图1A是本申请实施例提供的零件的寿命预测系统的结构示意图，为实现支撑一个工业设备的维护APP，终端400通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。
在一些实施例中，本申请实施例提供的零件的寿命预测方法可以由终端与服务器协同实施，终端400接收工业设备的传感器500发送的目标时间段的目标采样数据，终端400向服务器200发送从目标时间段算起的剩余寿命预测请求，寿命预测请求中包括目标时间段的目标采样数据，检测目标时间段是否属于零件的退化阶段，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征；对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征；将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征；基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命，将剩余寿命返回至终端400进行呈现。
在一些实施例中，本申请实施例提供的零件的寿命预测方法还可以由终端或服务器单独实施，以终端单独实施为例进行说明，终端400接收工业设备的传感器发送的目标时间段的目标采样数据，终端400检测目标时间段是否属于零件的退化阶段，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征；对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征；将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征；基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命，并在终端400上呈现剩余寿命。
在一些实施例中，本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等，例如通过本申请实施例提供的零件的寿命预测方法可以实时预测汽车的零件的剩余寿命，从而提示用户及时更换零件，以确保车辆的安全行驶。
在一些实施例中，服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端400可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能语音交互设备、智能家电、车载终端、飞行器等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例实施例中不做限制。
在一些实施例中，终端或服务器可以通过运行计算机程序来实现本申请实施例提供的零件的寿命预测方法。举例来说，计算机程序可以是操作系统中的原生程序或软件模块；可以是本地(Native)应用程序(APP，Application)，即需要在操作系统中安装才能运行的程序，如工业设备的维护APP；也可以是小程序，即只需要下载到浏览器环境中就可以运行的程序；还可以是能够嵌入至任意APP中的小程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。
在一些实施例中，参见图1B，图1B是本申请实施例提供的基于区块链网络的寿命预测系统的结构示意图，下面说明本申请实施例基于区块链网络的示例性应用。参见图1B，包括区块链网络600(示例性示出了区块链网络600包括的节点610-1、节点610-2)、服务器200、以及终端400，下面分别进行说明。
服务器200(映射为节点610-2)以及终端400(映射为节点610-1)均可以加入区块链网络600而成为其中的节点，图1B中示例性地示出了将终端400映射为区块链网络600的节点610-1，每个节点(例如节点610-1、节点610-2)都具有共识功能和记账(即维护状态数据库库，例如键值数据库)的功能。
每个节点(例如节点610-1)的状态数据库中记录有终端400采集的目标采样数据、目标时间段以及对应的剩余寿命，以使终端400可以查询状态数据库中记录的目标采样数据、目标时间段以及对应的剩余寿命。
在一些实施例中，响应于接收到目标采样数据以及目标时间段，多个服务器200(每个服务器映射为区块链网络中的一个节点)确定出从目标时间段开始算起的剩余寿命，针对目标时间段的剩余寿命，共识通过的节点数目超过节点数目阈值时，确定共识通过，服务器200(映射为节点610-2)将共识通过的目标时间段的剩余寿命发送至终端400(映射为节点610-1)，并呈现在终端400的人机交互界面，并将目标采样数据、目标时间段以及对应的剩余寿命进行上链存储。由于剩余寿命是经过多个服务器进行共识后得到的，因此可以有效提升剩余寿命的可靠性，又因为区块链网络的不易篡改的特性，因此上链存储的目标采样数据、目标时间段以及对应的剩余寿命不会被恶意篡改。
参见图2，图2是本申请实施例提供的电子设备的结构示意图，图2所示的终端400包括：至少一个处理器410、存储器450、至少一个网络接口420和用户接口430。终端400中的各个组件通过总线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统440。
处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
用户接口430包括使得能够呈现媒体内容的一个或多个输出装置431，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置432，包括有助于用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器410的一个或多个存储设备。
存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Memory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memory)。本申请实施例描述的存储器450旨在包括任意适合类型的存储器。
在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。
操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；
网络通信模块452，用于经由一个或多个(有线或无线)网络接口420到达其他计算设备，示例性的网络接口420包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；
呈现模块453，用于经由一个或多个与用户接口430相关联的输出装置431(例如，显示屏、扬声器等)使得能够呈现信息(例如，用于操作外围设备和显示内容和信息的用户接口)；
输入处理模块454，用于对一个或多个来自一个或多个输入装置432之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器450中的零件的寿命预测装置455，其可以是程序和插件等形式的软件，包括以下软件模块：采样模块4551、提取模块4552、注意力模块4553、寿命模块4554以及训练模块4555，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中，本申请实施例提供的零件的寿命预测装置可以采用硬件方式实现，作为示例，本申请实施例提供的零件的寿命预测装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Program mable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。
将结合本申请实施例提供的终端的示例性应用和实施，说明本申请实施例提供的零件的寿命预测方法。
参见图3A，图3A是本申请实施例提供的零件的寿命预测方法的流程示意图，将结合图3A示出的步骤101至步骤105进行说明。
在步骤101中，获取零件在目标域中对应目标时间段的目标采样数据。
作为示例，从零件开始正常工作开始，对零件的工作数据进行采样，得到多个采样点，并将设定数目的采样点组合为某个采样数据，例如，每采样到5个采样点，则生成一个采样数据，且每个采样数据对应有时间段，即从采样到第1个采样点至采样到第5个采样点的时间段。目标时间段是以此为起点计算剩余寿命的时间段，例如，可以是当前时刻所处的时间段，根据用户的需求来确定，例如，对应第1个时间段的剩余寿命明显会大于对应第600个时间段的剩余寿命。
在一些实施例中，参见图3B，图3B是本申请实施例提供的零件的寿命预测方法的流程示意图，步骤101之后以及步骤102之前，执行以下步骤106至步骤114。
在步骤106中，获取零件从工作开始的多个采样数据，其中，每个采样数据包括多个采样点。
作为示例，通常指从正常工作开始的多个采样数据，正常工作开始的时间可以根据历史经验时间来确定，正常工作开始的时间可以根据实际工作状态进行判断，例如振动信号已经趋于稳定，例如振动信号的振幅稳定在设定区间内。
在步骤107中，对基于采样时刻升序排序的多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点。
在一些实施例中，步骤107中对多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点之前，对多个采样数据的采样频率进行取倒数处理，得到多个采样数据的多个采样点的采样间隔；将采样间隔与每个采样数据包括的多个采样点的数目进行相乘处理，得到第一滑动窗口尺寸。
作为示例，第一滑动窗口尺寸根据采样数据对应的时间段确定，第一滑动窗口尺寸可以通过公式(1)确定：
Figure BDA0003596339120000141
其中，采样频率为f，将n个采样点作为一个采样数据，第一滑动窗口尺寸可表示为w1。
在步骤108中，针对每个第一滑窗结果，确定第一滑窗结果内的采样点的均方根。
作为示例，若在每个采样点采样0.1秒的数据，则按步长0.1s计算第一滑动窗口w1内的均方根(RMS，Root Mean Square)，例如，从零件稳定运行开始进行采样，得到100个采样点，每个采样点采样0.1秒的数据，f是10，即每秒进行10次采样，将5个采样点作为一个训练样本，第一滑动窗口尺寸为0.5秒，以0.1秒作为第一滑动窗口的每次移动距离来计算每次移动得到的第一滑动窗口内的RMS，例如，基于100个采样点的前5个采样点(S1至S5)的数据值(例如振动信号值)计算均方根，作为第一个第一滑窗结果内的RMS，可以用r1表示，接着将第一个第一滑窗结果对应的时间段向后移动0.1秒，即基于基于100个采样点的第2个至第6个采样点(S2至S6)的数据值(例如振动信号值)计算均方根，作为第二个第一滑窗结果内的RMS，可以用r2表示，以此类推，重复上述计算过程直到100个采样点全部滑动到为止。
在步骤109中，对多个均方根进行基于第二滑动窗口尺寸的多次第二滑窗处理，得到每个第二滑窗结果内的均方根。
在步骤110中，针对每个第二滑窗结果，基于第二滑窗结果内的均方根，确定对应第二滑窗结果的平滑均方根。
在一些实施例中，第二滑动窗口尺寸大于第一滑动窗口尺寸，步骤110中基于第二滑窗结果内的均方根，确定对应第二滑窗结果的平滑均方根，可以通过以下技术方案实现：对第一滑动窗口尺寸进行基于第一整数的倍数处理，得到第二滑动窗口尺寸；对第二滑窗结果内的均方根进行第一求和处理，得到第一求和结果；将第一求和结果与第二滑动窗口尺寸的比值确定为第二滑窗结果内的平滑均方根。利用滑动平均的方式对计算得到多个第一滑窗结果内的RMS进行平滑处理，可以有效减少噪声干扰。
作为示例，由于数据采集器(例如传感器)得到的采样点的数据值(例如，振动信号)都会包含有噪声成分，为了减少噪声的干扰，用滑动平均的方式对计算得到多个第一滑窗结果内的RMS进行平滑处理，滑动平均的方式采取第二滑动窗口，第二滑动窗口尺寸用w2表示，w2可以是多倍的w1，例如20倍的w1，平滑处理后的RMS可表示为
Figure BDA0003596339120000157
可以利用公式(2)计算任意一个第一滑窗结果内的RMS的平滑均方根：
Figure BDA0003596339120000151
其中，ri表示计算得到的第i个第一滑窗结果内的RMS，
Figure BDA0003596339120000152
表示ri经平滑处理后的值，w2表示第二滑动窗口尺寸，
Figure BDA0003596339120000153
ri表征以ri作为某个第二滑窗结果的起点，对该第二滑窗结果内的所有均方根进行求和处理。
如果某个均方根所涉及到的所有采样点的时间戳在该第二滑窗结果内，则认为该均方根是该第二滑窗结果内的均方根，第二滑动窗口可以理解为在多个ri构成的序列上进行滑动，每次滑动步长为一个均方根，第二滑窗结果内的均方根数目是w2与w1的倍数。
例如，承接上述示例，若第二滑动窗口尺寸为1秒，相当于是2倍的第一滑动窗口的尺寸，第二滑窗结果内的均方根数目是2，例如，
Figure BDA0003596339120000154
是r1和r2的求和结果与w2的比值，
Figure BDA0003596339120000155
是r2和r3的求和结果与w2的比值，
Figure BDA0003596339120000156
是r3和r4的求和结果与w2的比值。
在步骤111中，对多个平滑均方根进行基于第三滑动窗口尺寸的多次第三滑窗处理，得到每个第三滑窗结果内的平滑均方根。
在步骤112中，针对每个第三滑窗结果，基于第三滑窗结果内的平滑均方根，确定对应第三滑窗结果的平滑均值。
在一些实施例中，步骤112中基于第三滑窗结果内的平滑均方根，确定对应第三滑窗结果的平滑均值，可以通过以下技术方案实现：对第二滑动窗口尺寸进行基于第二整数的倍数处理，得到第三滑动窗口尺寸；对第三滑窗结果内的平滑均方根进行第二求和处理，得到第二求和结果；将第二求和结果与第三滑动窗口尺寸的比值确定为第三滑窗结果的平滑均方根的平滑均值。
作为示例，利用第三滑动窗口判断工作数据的能量稳定性，第三滑动窗口的尺寸用w3表示，w3可以是多倍的w2，例如200倍的w2，计算某个第三滑动结果内多个平滑均方根的均值m2，通过公式(3)计算均值m2：
Figure BDA0003596339120000161
其中，m2是某个第三滑动结果内多个平滑均方根的均值，
Figure BDA0003596339120000162
表示ri经平滑处理后的值，w3表示第三滑动窗口尺寸，
Figure BDA0003596339120000163
表征以
Figure BDA0003596339120000164
作为某个第三滑动结果的起点，对该第三滑动结果内的所有经平滑处理后的均方根进行求和处理。
如果某个平滑后的均方根所涉及到的所有采样点的时间戳在该第三滑动结果内，则认为该平滑后的均方根是该第三滑动结果内的均方根，第三滑动窗口可以理解为在多个
Figure BDA0003596339120000165
构成的序列上进行滑动，每次滑动步长为一个平滑后的均方根，第三滑动结果内的平滑后的均方根数目是w3与w2之间的倍数。
例如，承接上述示例，若第三滑动窗口尺寸为2秒，相当于是2倍的第二滑动窗口的尺寸，第三滑动结果内的平滑后的均方根数目是2，例如，
Figure BDA0003596339120000166
是
Figure BDA0003596339120000167
和
Figure BDA0003596339120000168
的求和结果，
Figure BDA0003596339120000169
是
Figure BDA00035963391200001610
和
Figure BDA00035963391200001611
的求和结果，
Figure BDA00035963391200001612
是
Figure BDA00035963391200001613
和
Figure BDA00035963391200001614
的求和结果。
在步骤113中，基于对应每个第三滑窗结果的平滑均值，获取多个第三滑窗结果中满足退化期条件的目标第三滑窗结果，并将目标第三滑窗结果对应的最早采样时刻确定为退化阶段的起点时刻。
在一些实施例中，步骤113中基于对应每个第三滑窗结果的平滑均值，获取多个第三滑窗结果中满足退化期条件的目标第三滑窗结果，可以通过以下技术方案实现：针对每个第三滑窗结果执行以下处理：确定第三滑窗结果的平滑均值与稳定均值之间的绝对值；对稳定标准差进行基于第三整数的倍数处理，得到映射标准差；当绝对值大于映射标准差时，确定第三滑窗结果是满足退化期条件的目标第三滑动结果。目标第三滑窗结果的数量为至少一个，将至少一个目标第三滑窗结果对应的最早采样时刻确定为起点时刻，目标第三滑窗结果是基于多个平滑均方根得到的，每个平滑均方根是基于多个均方根得到的，每个均方根是基于多个采样点得到的，从而可以将与目标第三滑窗结果对应的多个采样点中的最早采样时刻确定为起点时刻，通过将第三滑窗结果的平滑均值与稳定均值进行比较，可以准确确定出符合退化期条件的目标第三滑动结果。
在一些实施例中，基于每个均方根对应的采样时刻，对多个对应的平滑均方根进行升序排序处理，其中，每个平滑均方根与对应的第二滑窗结果内最早采样时刻的均方根对应；将升序排序结果中排序靠前的多个平滑均方根作为目标平滑均方根；将多个目标平滑均方根的均值确定为稳定均值，并将多个目标平滑均方根的标准差确定为稳定标准差。通过确定出稳定均值以及稳定标准差，从而可以获取零件的健康期间的参考数据，从而准确确定出退化阶段。
作为示例，计算前m个连续的平滑处理后的RMS的均值和标准差，从零件开始稳定运行算起，计算
Figure BDA0003596339120000171
的均值m1和标准差σ，m的具体取值根据实际工况相关，将均值m1和标准差σ作为健康阶段的均值和标准差，即稳定均值以及稳定标准差。
若用m2减去m1的绝对值大于3倍的标准差σ，可认为零件在该第三滑动窗口的最后时刻进入退化期，其中，3倍的标准差σ是映射标准差，参见公式(4)：
|m2-m1|>3σ (4)；
在步骤114中，当目标时间段处于起点时刻之后，确定目标时间段处于退化阶段。
在步骤102中，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征。
在一些实施例中，步骤102中从目标采样数据中提取多个时域特征以及多个频域特征，可以通过以下技术方案实现：对目标采样数据中包括的多个采样点的时域工作信号进行特征处理，得到目标采样数据的时频域特征；其中，时频域特征包括多个时域特征以及多个频域特征，特征处理是短时傅里叶变换处理或小波变换处理，同时利用时域特征以及频域特征，可以有效提高建模效果。
作为示例，采样数据中包括多个采样点，每个采样点包括采样时间点以及时域工作信号(例如零件的振动信号)，由于振动信号通常受噪声干扰，因此直接利用时域工作信号建模效果不好，利用短时傅立叶变换或小波变换将时域工作信号转为时频域特征，时频域特征包括时域特征以及频域特征。由于采样数据中包括多个采样点，例如，采样数据中包括n个采样点，这n个采样点对应的时间跨度为T，则首先利用短时傅里叶变换或小波变换提取时域工作信号的时频域特征，经时频域转换后的采样数据由T维变为T*F维，其中T表示时间维度，F表示频率维度。
在步骤103中，对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征。
参见图3C，图3C是本申请实施例提供的零件的寿命预测方法的流程示意图，步骤103中对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征，可以通过图3C中步骤1031至步骤1034实现。
在步骤1031中，对多个时域特征进行时域自注意力处理，得到自注意力时域特征。
在一些实施例中，步骤1031中对多个时域特征进行时域自注意力处理，得到自注意力时域特征，可以通过以下技术方案实现：对多个时域特征进行时域嵌入处理，得到与多个时域特征一一对应的多个时域嵌入特征；对多个时域嵌入特征进行时域位置编码处理，得到与多个时域特征一一对应的多个时域位置编码；对多个时域位置编码进行时域自注意力编码处理，得到与多个时域特征一一对应的多个自注意力时域特征。
作为示例，将时频域特征作为寿命预测模型的输入数据，在时域方向上，通过时域嵌入网络对输入的某个训练样本的时域特征进行嵌入(embedding)处理，得到历史时刻的时域嵌入特征，这个过程相当于是把离散数据压缩为稠密向量，然后通过时域位置编码网络对历史时刻的时域嵌入特征进行位置编码，得到历史时刻的时域位置编码，再通过时域编码网络对历史时刻的时域位置编码进行编码处理，得到自注意力时域特征，编码处理即为通过多头自注意力机制提取时域维度的自相关性，因此可以提取到时域维度的自相关性，有效提高后续寿命特征的表征能力。
在步骤1032中，对多个频域特征进行频域自注意力处理，得到自注意力频域特征。
在一些实施例中，步骤1032中对多个频域特征进行频域自注意力处理，得到自注意力频域特征，可以通过以下技术方案实现：对多个频域特征进行频域嵌入处理，得到与多个频域特征一一对应的多个频域嵌入特征；对多个频域嵌入特征进行频域位置编码处理，得到与多个频域特征一一对应的多个频域位置编码；对多个频域位置编码进行频域自注意力编码处理，得到与多个频域特征一一对应的多个自注意力频域特征。
作为示例，在频域方向上，通过频域嵌入网络对输入的某个训练样本的频域特征进行嵌入(embedding)处理，得到历史时刻的频域嵌入特征，这个过程相当于是把离散数据压缩为稠密向量，然后通过频域位置编码网络对历史时刻的频域嵌入特征进行位置编码，得到历史时刻的频域位置编码，再通过频域编码网络对历史时刻的频域位置编码进行编码处理，得到自注意力频域特征，编码处理即为通过多头自注意力机制提取频域维度的自相关性，因此可以提取到频域维度的自相关性，有效提高后续寿命特征的表征能力。
在步骤1033中，将自注意力时域特征与自注意力频域特征进行拼接处理，得到融合特征。
在步骤1034中，将多个频域特征中对应目标时间段中目标时刻的目标频域特征与融合特征进行融合注意力处理，得到目标域的时频域相关特征。
在一些实施例中，步骤1034中将多个频域特征中对应目标时间段中目标时刻的目标频域特征与融合特征进行融合注意力处理，得到目标域的时频域相关特征，可以通过以下技术方案实现：对目标频域特征进行频域嵌入处理，得到与目标频域特征对应的目标频域嵌入特征；对目标频域嵌入特征进行频域位置编码处理，得到与目标频域特征对应的目标频域位置编码；对目标频域位置编码以及融合特征进行注意力解码处理，得到目标域的时频域相关特征。
作为示例，通过频域嵌入网络对目标时刻的频域特征进行嵌入(embeddin g)处理，得到目标时刻的频域嵌入特征，例如，目标时刻是当前时刻，当前时刻是目标采样数据中最后一个采样时间点，嵌入处理相当于是把离散数据压缩为稠密向量，然后通过频域位置编码网络对目标时刻的频域嵌入特征进行位置编码，得到目标时刻的频域位置编码，将目标时刻的频域位置编码和融合特征作为解码网络的输入，参见图7，图7是本申请实施例提供的解码网络的结构示意图，此处解码网络的结构采用Transformer模型中解码器的结构，解码包括掩码多头自注意力层、解码残差连接层、归一化层等网络层，通过解码网络利用多头自注意力网络模型提取目标时刻的频域特征与历史时刻的时频域特征的相关性，得到包含综合时频域相关性的解码特征，即目标域的时频域相关特征。
在步骤104中，将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征。
在一些实施例中，步骤104中将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征，可以通过以下技术方案实现：将目标域的时频域相关特征与源域的多个时频域相关特征进行点乘处理，得到对应源域的每个时频域相关特征的点乘结果；对对应源域的每个时频域相关特征的点乘结果进行最大似然处理，得到与源域的每个时频域相关特征对应的注意力权重；基于注意力权重，对源域的每个时频域相关特征进行加权求和处理，得到源域匹配特征；将源域匹配特征与目标域的时频域相关特征进行融合处理，得到目标域的寿命特征。通过本申请实施例将其他域学到的时频域相关特征迁移到目标域，从而可以提高学习准确度以及寿命特征的泛化程度，因此提高了后续利用寿命特征预测剩余寿命的准确度。
作为示例，参见图9，图9是本申请实施例提供的查询匹配处理示意图，将目标域工况的工作数据经寿命预测模型的解码网络输出的解码特征(向量)作为查询向量，将外部存储结构保存的源域的多个原始时频域相关特征进行聚类处理，得到聚类处理结果(源域的多个时频域相关特征，即聚类处理的簇向量)作为键向量，其中，源域的多个原始时频域相关特征也是通过与步骤101至步骤102类似的处理方式得到的，区别仅在于源域的训练数据与目标域的训练数据不同导致处理过程中的参数不同，采用注意力机制计算查询向量h1(目标域的时频域相关特征)与键向量的相关性特征表示h2(源域匹配特征)，具体是通过点乘的方式，确定出每个源域时频域相关特征的注意力权重，再基于注意力权重对多个源域时频域相关特征进行加权求和，得到源域匹配特征，然后将h1和h2串连后作为最终的寿命预测特征，最后将该特征作为寿命预测模型中全连接层的输入。
在步骤105中，基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命。
作为示例，从目标时间段开始的剩余寿命可以是从目标时间段的起始时刻开始的剩余寿命，也可以是从目标时间段的结束点开始的剩余寿命，也可以是从目标时间段中任意时刻开始的剩余寿命，这取决于在步骤1034中的目标时刻的具体时刻，即从目标时间段开始的剩余寿命实质上是从目标时刻开始计算的剩余寿命。
在一些实施例中，在执行步骤102之前，获取对应源域的多个源域训练样本；将多个源域训练样本在源域寿命预测模型中进行正向传播，得到与多个源域训练样本一一对应的多个第一预测剩余寿命；基于多个第一预测剩余寿命以及多个第一预标记剩余寿命，确定第一损失，并基于第一损失更新源域寿命预测模型的参数；将源域寿命预测模型的参数作为目标域寿命预测模型的初始化参数；获取对应目标域的多个目标域训练样本；将多个目标域训练样本在目标域寿命预测模型中进行正向传播，得到与多个目标域训练样本一一对应的多个第二预测剩余寿命；基于多个第二预测剩余寿命以及多个第二预标记剩余寿命，确定第二损失，并基于第二损失，在初始化参数的基础上更新目标域寿命预测模型的参数。
作为示例，考虑到与零件的实际工况(零件工作环境)相同工况的数据量有限，而其他工况的数据较多，且各工况之间既具有相似性又具有特异性，因此在在训练过程中将其他工况的零件工作数据作为源域数据，待测工况的零件工作数据作为目标域数据，利用元学习的网络框架，对训练样本进行快速学习，将从源域学到的信息迁移到待测的数据量相对较少的目标工况，得到针对目标工况的零件寿命预测模型。具体的迁移过程是利用其他工况的数据训练得到其他工况的寿命预测模型(源域寿命预测模型)，将训练得到的其他工况的寿命预测模型的参数作为目标工况的零件寿命预测模型(目标域寿命预测模型)的初始化参数。
获取零件在目标域中对应目标时间段的目标采样数据，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征，仅基于退化期的数据进行寿命预测，可以避免零件健康期数据导致的剩余寿命预测不准确的情况，对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征，因此考虑了零件时序信息与频域信息之间的相关性，将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征，从而将其他域学到的时频域相关特征迁移到目标域，从而得到目标域的寿命特征，基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命，可以有效提高剩余寿命预测的准确度。
下面，将说明本申请实施例在一个实际的应用场景中的示例性应用。
在一些实施例中，终端接收工业设备的传感器发送的目标时间段的目标采样数据，终端向服务器发送从目标时间段算起的剩余寿命预测请求，寿命预测请求中包括目标时间段的目标采样数据，检测目标时间段是否属于零件的退化阶段，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征；对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征；将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征；基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命，将剩余寿命返回至终端进行呈现。
本申请实施例提出了一种基于滑动窗口计算工作数据(例如振动信号)的均方根并结合3σ准则自适应的检测轴承进入退化期的时间，仅利用退化期的数据进行模型训练，由于时域工作数据往往受噪声干扰，本申请实施例先利用时频域转换的信号处理方法，将时域信号转为时频域特征，为了充分挖掘更深层次的时频域特征，充分利用时域相关性、频域相关性以及时频域相关性，本申请实施例提出了一种基于时频域双向自注意力机制的网络结构作为寿命预测模型。并且，由于能收集到的目标工况的工作数据有限，且不同工况之间既具有特异性又具有相似性，本申请实施例提出的寿命预测模型是基于元学习框架进行训练的，可以将其他工况的工作数据作为源域数据，目标工况的工作数据作为目标域数据，将从源域学到的信息迁移到工作数据的数据量相对较少的目标工况，得到针对目标工况的零件的寿命预测模型。
本申请实施例提供的零件的寿命预测方法适用于所有涉及传感器信号分析和故障预测的场景，所采集的采样数据可经信号处理方法从时域转为时频域，采样数据可以为飞行器零部件的状态检测数据、交通运输场景零部件的状态检测数据等。
在一些实施例中，本申请实施例提供的零件的寿命预测方法可以应用于特定工况的零件退化期检测或故障预警场景中，以及目标工况的数据量有限，且其他工况的数据量相对丰富的场景。本申请实施例提供的零件寿命预测方法基于滑动窗口计算均方根并结合3σ准则能实时且自适应检测零件进入退化期的时间，同时充分提取退化期数据的时频域特征的相关性，以基于相关性预测零件的剩余寿命，并且，本申请实施例提供的零件寿命预测方法基于元学习框架将基于多个工况的数据训练得到的模型参数作为目标工况下模型训练的初始化参数，从而将从源域(其他工况)学到的信息迁移到待测数据量相对较少的目标工况，提高了模型迁移的稳定性。
参见图4，图4是本申请实施例提供的零件的寿命预测方法的整体流程图，图4中示出了目标域寿命预测模型的训练过程以及目标域寿命预测模型的预测过程。在目标域寿命预测模型的训练过程中，训练数据是经过退化期检测算法判断零件数据进入退化期后的零件工作数据，对进入退化期的零件工作数据进行特征处理，得到时频域特征，利用时频域特征对目标域寿命预测模型进行训练，得到经过训练的目标域寿命预测模型M，在目标域寿命预测模型的预测过程中对零件进行实时的退化期检测，一旦零件进入退化期，就可以对进入零件处于退化期的工作数据进行特征处理，并将特征处理后的得到的时频域特征输入已经训练好的目标域寿命预测模型M，得到预测剩余寿命。
本申请实施例提供的零件的寿命预测方法的训练过程中首先需要检测零件是否处于退化期，基于滑动窗口计算工作数据(例如，振动信号)的均方根(R MS，Root MeanSquare)，并结合3σ准则实时且自适应检测零件进入退化期的时间，避免零件处于健康状态下的工作数据对目标域寿命预测模型的训练产生干扰，在预测过程中也需要检测零件是否处于退化期，基于滑动窗口计算工作数据(例如，振动信号)的均方根(RMS，Root MeanSquare)，并结合3σ准则实时且自适应检测零件进入退化期的时间，可以有效获取用于进行寿命预测的工作数据，避免使用零件处于健康状态下的工作数据，导致无法准确实现寿命预测。
基于滑动窗口的RMS以及3σ准则进行自适应退化期检测的处理流程如下：
在训练过程中，需要通过自适应退化期检测来收集训练数据，第一滑动窗口的尺寸根据训练数据中训练样本的大小确定，第一滑动窗口的尺寸可以通过公式(5)确定：
Figure BDA0003596339120000241
其中，采样频率为f，将n个采样点作为一个训练样本，第一滑动窗口的尺寸可表示为w1。
若在每个采样点采样0.1秒的数据，则按步长0.1s计算第一滑动窗口w1内的RMS，例如，从零件稳定运行开始进行采样，得到100个采样点，每个采样点采样0.1秒的数据，f是10，即每秒进行10次采样，将5个采样点作为一个训练样本，第一滑动窗口尺寸为0.5秒，以0.1秒作为第一滑动窗口的每次移动距离来计算每次移动得到的第一滑动窗口内的RMS，以第一个采样点的时间戳作为第一个第一滑动窗口的起点，确定出第一滑动窗口的时间段对应的每个采样点的数据值，即基于100个采样点的前5个采样点(S1至S5)的数据值计算均方根，作为第一个第一滑动窗口内的RMS，可以用r1表示，接着将第一个第一滑动窗口对应的时间段向后移动0.1秒，即基于基于100个采样点的第2个至第6个采样点(S2至S6)的数据值计算均方根，作为第二个第一滑动窗口内的RMS，可以用r2表示，以此类推，上述计算过程直到100个采样点全部滑动到为止。
由于数据采集器(例如传感器)得到的振动信号都会包含有噪声成分，为了减少噪声的干扰，用滑动平均的方式对计算得到多个第一滑动窗口内的RMS进行平滑处理，滑动平均的方式采取第二滑动窗口，第二滑动窗口的尺寸用w2表示，w2可以是多倍的w1，例如20倍的w1，平滑处理后的RMS可表示为
Figure BDA0003596339120000251
可以利用公式(6)计算任意一个第一滑动窗口内的RMS的平滑均方根：
Figure BDA0003596339120000252
其中，ri表示计算得到的第i个第一滑动窗口内的RMS，
Figure BDA0003596339120000253
表示ri经平滑处理后的值，w2表示第二滑动窗口的时间尺寸，
Figure BDA0003596339120000254
ri表征以ri作为某个第二滑动窗口的起点，对该第二滑动窗口内的所有均方根进行求和处理。
如果某个均方根所涉及到的所有采样点的时间戳在该第二滑动窗口内，则认为该均方根是该第二滑动窗口内的均方根，第二滑动窗口可以理解为在多个ri构成的序列上进行滑动，每次滑动步长为一个均方根，第二滑动窗口内的均方根数目是w2与w1的倍数。
例如，承接上述示例，若第二滑动窗口尺寸为1秒，相当于是2倍的第一滑动窗口的尺寸，第二滑动窗口内的均方根数目是2，例如，
Figure BDA0003596339120000255
是r1和r2的求和结果与w2的比值，
Figure BDA0003596339120000256
是r2和r3的求和结果与w2的比值，
Figure BDA0003596339120000257
是r3和r4的求和结果与w2的比值。
计算前多个连续的平滑处理后的RMS的均值和标准差，从零件开始稳定运行算起，计算
Figure BDA0003596339120000258
的均值m1和标准差σ，m的具体取值根据实际工况相关，将均值m1和标准差σ作为健康阶段的均值和标准差。
最后利用第三滑动窗口判断工作数据的能量稳定性，第三滑动窗口的尺寸用w3表示，w3可以是多倍的w2，例如200倍的w2，计算某个第三滑动窗口内多个平滑均方根的均值m2，通过公式(7)计算均值m2：
Figure BDA0003596339120000261
其中，m2是某个第三滑动窗口内多个平滑均方根的均值，
Figure BDA0003596339120000262
表示ri经平滑处理后的值，w3表示第三滑动窗口的时间尺寸，
Figure BDA0003596339120000263
表征以
Figure BDA0003596339120000264
作为某个第三滑动窗口的起点，对该第三滑动窗口内的所有经平滑处理后的均方根进行求和处理。
如果某个平滑后的均方根所涉及到的所有采样点的时间戳在该第三滑动窗口内，则认为该平滑后的均方根是该第三滑动窗口内的均方根，第三滑动窗口可以理解为在多个
Figure BDA0003596339120000265
构成的序列上进行滑动，每次滑动步长为一个平滑后的均方根，第三滑动窗口内的平滑后的均方根数目是w3与w2的倍数。
例如，承接上述示例，若第三滑动窗口尺寸为2秒，相当于是2倍的第二滑动窗口的尺寸，第三滑动窗口内的平滑后的均方根数目是2，例如，
Figure BDA0003596339120000266
是
Figure BDA0003596339120000267
和
Figure BDA0003596339120000268
的求和结果，
Figure BDA0003596339120000269
是
Figure BDA00035963391200002610
和
Figure BDA00035963391200002611
的求和结果，
Figure BDA00035963391200002612
是
Figure BDA00035963391200002613
和
Figure BDA00035963391200002614
的求和结果。
若用m2减去m1的绝对值大于3倍的标准差σ，可认为零件在该第三滑动窗口的最后时刻进入退化期，参见公式(8)：
|m2-m1|>3σ (8)；
上述退化期检测过程，可理解为通过判断短期内零件振动信号能量的稳定性与健康阶段的零件振动信号能量的稳定性进行对比来判断零件运行趋势的变化情况。检测到零件的退化阶段起点时间戳后，利用起点时间戳后的训练样本进行模型训练。
在预测过程中也是使用相同的方式检测零件进入退化期的时间，从而可以判断是当前时刻是否处于零件的退化期，当判断出当前时刻的训练样本处于零件的退化期时，利用当前时刻的训练样本作为目标域寿命预测模型的输入。
在一些实施例中，本申请实施例提供的目标域寿命预测模型是时频域双向自注意力深度学习模型，是基于元学习框架训练得到的。
参见图5，图5是本申请实施例提供的目标域寿命预测模型的结构示意图，由于作为工作数据的振动信号通常受噪声干扰，因此直接利用时域信号建模效果不好，首先利用短时傅立叶变换或小波变换将时域信号转为时频域特征(作为目标域寿命预测模型的输入)，通过目标域寿命预测模型对零件的时频域特征进行处理，目标域寿命预测模型包括编码器encoder(时域编码网络)和解码器decoder(解码网络)，在编码器中，分别在时域方向和频域方向采用多头自注意力的方式进行编码操作，然后通过解码器再次利用注意力机制提取当前时刻的采样数据和历史的采样数据的相关性。
将检测进入退化期到运行失败的训练样本作为训练模型的数据，仍然将每n个采样点作为一个训练样本，且这n个采样点对应的时间跨度为T，则首先利用短时傅里叶变换或小波变换提取时域振动信号(工作数据)的时频域特征，经时频域转换后的单个训练样本由T维变为T*F，其中T表示时间维度，F表示频率维度。
寿命预测模型的训练过程如下：
考虑到与零件的实际工况(零件工作环境)相同工况的数据量有限，而其他工况的数据较多，且各工况之间既具有相似性又具有特异性，因此在在训练过程中将其他工况的零件工作数据作为源域数据，待测工况的零件工作数据作为目标数据，利用元学习的网络框架，对训练样本进行快速学习，将从源域学到的信息迁移到待测的数据量相对较少的目标工况，得到针对目标工况的零件寿命预测模型。具体的迁移过程是利用其他工况的数据训练得到其他工况的源域寿命预测模型，将训练得到的其他工况的源域寿命预测模型的参数作为目标工况的零件的目标域寿命预测模型的初始化参数。
将时频域特征作为寿命预测模型的输入数据，在时域方向上，通过时域嵌入网络对输入的某个训练样本的时域特征进行嵌入(embedding)处理，得到历史时刻的时域嵌入特征，这个过程相当于是把离散数据压缩为稠密向量，然后通过时域位置编码网络对历史时刻的时域嵌入特征进行位置编码，得到历史时刻的时域位置编码，再通过时域编码网络对历史时刻的时域位置编码进行编码处理，编码处理即为通过多头自注意力机制提取时域维度的自相关性；同理，在频域方向上，通过频域嵌入网络对输入的某个训练样本的频域特征进行嵌入(embedding)处理，得到历史时刻的频域嵌入特征，这个过程相当于是把离散数据压缩为稠密向量，然后通过频域位置编码网络对历史时刻的频域嵌入特征进行位置编码，得到历史时刻的频域位置编码，再通过频域编码网络对历史时刻的频域位置编码进行编码处理，编码处理即为通过多头自注意力机制提取频域维度的自相关性。
参见图6，图6是本申请实施例提供的时域编码网络的结构示意图，此处频域编码网络以及时域编码网络的结构采用Transformer模型中编码器的结构，时域编码网络包括时域多头自注意力层、时域残差连接层、归一化层等网络层，频域编码网络的结构示意图和时域编码网络的结构示意图类似，区别仅在于参数不同。
继续参见图5，通过具有时域相关性的时域特征的特征融合网络将时域编码网络输出的具有时域相关性的时域特征和频域编码网络输出的具有频域相关性的频域特征串联成融合特征。
在执行上述处理的同时，通过频域嵌入网络对当前时刻的频域特征进行嵌入(embedding)处理，得到当前时刻的频域嵌入特征，这个过程相当于是把离散数据压缩为稠密向量，然后通过频域位置编码网络对当前时刻的频域嵌入特征进行位置编码，得到当前时刻的频域位置编码，将当前时刻的频域位置编码和融合特征作为解码网络的输入。
参见图7，此处解码网络的结构采用Transformer模型中解码器的结构，解码包括掩码多头自注意力层、解码残差连接层、归一化层等网络层，通过解码网络利用多头自注意力网络模型提取当前时刻的频域特征与历史时刻的时频域特征的相关性，得到包含综合时频域相关性的解码特征(即目标域的时频域相关特征)。
本申请实施例利用结合注意力机制和外部存储的元学习框架使得寿命预测模型能够从多个其他工况学习信息，参见图8，图8是本申请实施例提供的元学习框架的结构示意图，由于元学习的本质是为了学习不同任务背后的相似性，则本申请实施例利用元学习框架去学习不同工况的零件工作数据的通用特征，并利用外部存储结构保存通用特征；并且由于目标工况的工作数据有限，且零件的时频域特征会随工况和时间的变化而变化，为了提高迁移稳定性，需要从多工况的工作数据中学习包含综合时频域相关性的通用特征。为了减少外部存储结构的内存压力，将得到的其他工况的工作数据的通用特征进行聚类处理，外部存储结构只存储经聚类处理后的簇向量，对目标工况的解码特征(即目标域的时频域相关特征)进行基于外部存储结构的查询匹配处理，得到寿命预测特征。
参见图9，将目标域工况的工作数据经寿命预测模型的解码网络输出的解码特征(即目标域的时频域相关特征的向量表示)作为查询向量，将外部存储结构的簇向量作为键向量，采用注意力机制计算查询向量与键向量的相关性特征表示h2，然后将h1和h2串连后作为最终的寿命预测特征，然后将该特征作为寿命预测模型中全连接层的输入。
本申请实施例实时且自适应检测零件进入退化期的时间，避免利用健康状态下产生的数据进行寿命预测的不准确性。由于时域零件数据包含的信息量有限，本申请实施例充分挖掘了零件时频域特征时域上的相关性、频域上的相关性、及当前时刻与历史时频域特征上的相关性。由于能采集到的相同工况的工作数据有限，本申请实施例充分利用多工况的工作数据，提高模型泛化性的同时又考虑了特定工况的特异性。
下面继续说明本申请实施例提供的零件的寿命预测装置455的实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器450的零件的寿命预测装置455中的软件模块可以包括：采样模块4551，用于获取零件在目标域中对应目标时间段的目标采样数据；提取模块4552，用于当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征；注意力模块4553，用于对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征；注意力模块4553，还用于将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征；寿命模块4554，用于基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命。
在一些实施例中，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征之前，采样模块4551，还用于：获取零件从工作开始的多个采样数据，其中，每个采样数据包括多个采样点；对基于采样时刻升序排序的多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点；针对每个第一滑窗结果，确定第一滑窗结果内的采样点的均方根；对多个均方根进行基于第二滑动窗口尺寸的多次第二滑窗处理，得到每个第二滑窗结果内的均方根；针对每个第二滑窗结果，基于第二滑窗结果内的均方根，确定对应第二滑窗结果的平滑均方根；对多个平滑均方根进行基于第三滑动窗口尺寸的多次第三滑窗处理，得到每个第三滑窗结果内的平滑均方根；针对每个第三滑窗结果，基于第三滑窗结果内的平滑均方根，确定对应第三滑窗结果的平滑均值；基于对应每个第三滑窗结果的平滑均值，获取多个第三滑窗结果中满足退化期条件的目标第三滑窗结果，并将目标第三滑窗结果对应的最早采样时刻确定为退化阶段的起点时刻；当目标时间段处于起点时刻之后，确定目标时间段处于退化阶段。
在一些实施例中，对多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点之前，采样模块4551，还用于：对多个采样数据的采样频率进行取倒数处理，得到多个采样数据的多个采样点的采样间隔；将采样间隔与每个采样数据包括的多个采样点的数目进行相乘处理，得到第一滑动窗口尺寸。
在一些实施例中，第二滑动窗口尺寸大于第一滑动窗口尺寸，采样模块4551，还用于：对第一滑动窗口尺寸进行基于第一整数的倍数处理，得到第二滑动窗口尺寸；对第二滑窗结果内的均方根进行第一求和处理，得到第一求和结果；将第一求和结果与第二滑动窗口尺寸的比值确定为第二滑窗结果内的平滑均方根。
在一些实施例中，采样模块4551，还用于：对第二滑动窗口尺寸进行基于第二整数的倍数处理，得到第三滑动窗口尺寸；对第三滑窗结果内的平滑均方根进行第二求和处理，得到第二求和结果；将第二求和结果与第三滑动窗口尺寸的比值确定为第三滑窗结果的平滑均方根的平滑均值。
在一些实施例中，采样模块4551，还用于：针对每个第三滑窗结果执行以下处理：确定第三滑窗结果的平滑均值与稳定均值之间的绝对值；对稳定标准差进行基于第三整数的倍数处理，得到映射标准差；当绝对值大于映射标准差时，确定第三滑窗结果是满足退化期条件的目标第三滑动结果。
在一些实施例中，采样模块4551，还用于：基于每个均方根对应的采样时刻，对多个对应的平滑均方根进行升序排序处理，其中，每个平滑均方根与对应的第二滑窗结果内最早采样时刻的均方根对应；将升序排序结果中排序靠前的多个平滑均方根作为目标平滑均方根；将多个目标平滑均方根的均值确定为稳定均值，并将多个目标平滑均方根的标准差确定为稳定标准差。
在一些实施例中，提取模块4552，还用于：对目标采样数据中包括的多个采样点的时域工作信号进行特征处理，得到目标采样数据的时频域特征；其中，时频域特征包括多个时域特征以及多个频域特征，特征处理是短时傅里叶变换处理或小波变换处理。
在一些实施例中，注意力模块4553，还用于：对多个时域特征进行时域自注意力处理，得到自注意力时域特征；对多个频域特征进行频域自注意力处理，得到自注意力频域特征；将自注意力时域特征与自注意力频域特征进行拼接处理，得到融合特征；将多个频域特征中对应目标时间段中目标时刻的目标频域特征与融合特征进行融合注意力处理，得到目标域的时频域相关特征。
在一些实施例中，注意力模块4553，还用于：对多个时域特征进行时域嵌入处理，得到与多个时域特征一一对应的多个时域嵌入特征；对多个时域嵌入特征进行时域位置编码处理，得到与多个时域特征一一对应的多个时域位置编码；对多个时域位置编码进行时域自注意力编码处理，得到与多个时域特征一一对应的多个自注意力时域特征。
在一些实施例中，注意力模块4553，还用于：对多个频域特征进行频域嵌入处理，得到与多个频域特征一一对应的多个频域嵌入特征；对多个频域嵌入特征进行频域位置编码处理，得到与多个频域特征一一对应的多个频域位置编码；对多个频域位置编码进行频域自注意力编码处理，得到与多个频域特征一一对应的多个自注意力频域特征。
在一些实施例中，注意力模块4553，还用于：对目标频域特征进行频域嵌入处理，得到与目标频域特征对应的目标频域嵌入特征；对目标频域嵌入特征进行频域位置编码处理，得到与目标频域特征对应的目标频域位置编码；对目标频域位置编码以及融合特征进行注意力解码处理，得到目标域的时频域相关特征。
在一些实施例中，注意力模块4553，还用于：将目标域的时频域相关特征与源域的多个时频域相关特征进行点乘处理，得到对应源域的每个时频域相关特征的点乘结果；对对应源域的每个时频域相关特征的点乘结果进行最大似然处理，得到与源域的每个时频域相关特征对应的注意力权重；基于注意力权重，对源域的每个时频域相关特征进行加权求和处理，得到源域匹配特征；将源域匹配特征与目标域的时频域相关特征进行融合处理，得到目标域的寿命特征。
在一些实施例中，装置还包括训练模块4555，用于：获取对应源域的多个源域训练样本；将多个源域训练样本在源域寿命预测模型中进行正向传播，得到与多个源域训练样本一一对应的多个第一预测剩余寿命；基于多个第一预测剩余寿命以及多个第一预标记剩余寿命，确定第一损失，并基于第一损失更新源域寿命预测模型的参数；将源域寿命预测模型的参数作为目标域寿命预测模型的初始化参数；获取对应目标域的多个目标域训练样本；将多个目标域训练样本在目标域寿命预测模型中进行正向传播，得到与多个目标域训练样本一一对应的多个第二预测剩余寿命；基于多个第二预测剩余寿命以及多个第二预标记剩余寿命，确定第二损失，并基于第二损失，在初始化参数的基础上更新目标域寿命预测模型的参数。
本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例上述的零件的寿命预测方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的零件的寿命预测方法，例如，如图3A-3C示出的零件的寿命预测方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述，通过本申请实施例获取零件在目标域中对应目标时间段的目标采样数据，当目标时间段完全处于零件的退化阶段时，从目标采样数据中提取多个时域特征以及多个频域特征，仅基于退化期的数据进行寿命预测，可以避免零件健康期数据导致的剩余寿命预测不准确的情况，对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关特征，因此考虑了零件时序信息与频域信息之间的相关性，将目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特征，从而将其他域学到的时频域相关特征迁移到目标域，从而得到目标域的寿命特征，基于目标域的寿命特征，确定零件在目标域中从目标时间段开始的剩余寿命，可以有效提高剩余寿命预测的准确度。
以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims (18)

1.一种零件的寿命预测方法，其特征在于，所述方法包括：
获取所述零件在目标域中对应目标时间段的目标采样数据；
当所述目标时间段完全处于所述零件的退化阶段时，从所述目标采样数据中提取多个时域特征以及多个频域特征；
对所述多个时域特征以及所述多个频域特征进行第一注意力处理，得到所述目标域的时频域相关特征；
将所述目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到所述目标域的寿命特征；
基于所述目标域的寿命特征，确定所述零件在所述目标域中从所述目标时间段开始的剩余寿命。
2.根据权利要求1所述的方法，其特征在于，当所述目标时间段完全处于所述零件的退化阶段时，从所述目标采样数据中提取多个时域特征以及多个频域特征之前，所述方法还包括：
获取所述零件从工作开始的多个采样数据，其中，每个所述采样数据包括多个采样点；
对基于采样时刻升序排序的所述多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点；
针对每个所述第一滑窗结果，确定所述第一滑窗结果内的采样点的均方根；
对多个所述均方根进行基于第二滑动窗口尺寸的多次第二滑窗处理，得到每个第二滑窗结果内的均方根；
针对每个所述第二滑窗结果，基于所述第二滑窗结果内的均方根，确定对应所述第二滑窗结果的平滑均方根；
对多个所述平滑均方根进行基于第三滑动窗口尺寸的多次第三滑窗处理，得到每个第三滑窗结果内的平滑均方根；
针对每个所述第三滑窗结果，基于所述第三滑窗结果内的平滑均方根，确定对应所述第三滑窗结果的平滑均值；
基于对应每个所述第三滑窗结果的平滑均值，获取多个所述第三滑窗结果中满足退化期条件的目标第三滑窗结果，并将所述目标第三滑窗结果对应的最早采样时刻确定为所述退化阶段的起点时刻；
当所述目标时间段处于所述起点时刻之后，确定所述目标时间段处于所述退化阶段。
3.根据权利要求2所述的方法，其特征在于，所述对基于采样时刻升序排序的所述多个采样数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样点之前，所述方法还包括：
对所述多个采样数据的采样频率进行取倒数处理，得到所述多个采样数据的多个采样点的采样间隔；
将所述采样间隔与每个所述采样数据包括的多个采样点的数目进行相乘处理，得到所述第一滑动窗口尺寸。
4.根据权利要求2所述的方法，其特征在于，所述第二滑动窗口尺寸大于所述第一滑动窗口尺寸，所述基于所述第二滑窗结果内的均方根，确定对应所述第二滑窗结果的平滑均方根，包括：
对所述第一滑动窗口尺寸进行基于第一整数的倍数处理，得到所述第二滑动窗口尺寸；
对所述第二滑窗结果内的均方根进行第一求和处理，得到第一求和结果；
将所述第一求和结果与所述第二滑动窗口尺寸的比值确定为对应所述第二滑窗结果的平滑均方根。
5.根据权利要求2所述的方法，其特征在于，所述第三滑动窗口尺寸大于所述第二滑动窗口尺寸，所述基于所述第三滑窗结果内的平滑均方根，确定对应所述第三滑窗结果的平滑均值，包括：
对所述第二滑动窗口尺寸进行基于第二整数的倍数处理，得到所述第三滑动窗口尺寸；
对所述第三滑窗结果内的平滑均方根进行第二求和处理，得到第二求和结果；
将所述第二求和结果与所述第三滑动窗口尺寸的比值确定为所述第三滑窗结果的平滑均方根的平滑均值。
6.根据权利要求2所述的方法，其特征在于，所述基于对应每个所述第三滑窗结果的平滑均值，获取多个所述第三滑窗结果中满足退化期条件的目标第三滑窗结果，包括：
对稳定标准差进行基于第三整数的倍数处理，得到映射标准差；
针对每个所述第三滑窗结果执行以下处理：
确定所述第三滑窗结果的平滑均值与稳定均值之间的绝对值；
当所述绝对值大于所述映射标准差时，确定所述第三滑窗结果是满足所述退化期条件的目标第三滑动结果。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
基于每个所述均方根对应的采样时刻，对多个对应的平滑均方根进行升序排序处理，其中，每个所述平滑均方根与对应的第二滑窗结果内最早采样时刻的均方根对应；
将升序排序结果中排序靠前的多个平滑均方根作为目标平滑均方根；
将多个所述目标平滑均方根的均值确定为所述稳定均值，并将多个所述目标平滑均方根的标准差确定为所述稳定标准差。
8.根据权利要求1所述的方法，其特征在于，所述从所述目标采样数据中提取多个时域特征以及多个频域特征，包括：
对所述目标采样数据中包括的多个采样点的时域工作信号进行特征处理，得到所述目标采样数据的时频域特征；
其中，所述时频域特征包括所述多个时域特征以及所述多个频域特征，所述特征处理是短时傅里叶变换处理或小波变换处理。
9.根据权利要求1所述的方法，其特征在于，所述对所述多个时域特征以及所述多个频域特征进行第一注意力处理，得到所述目标域的时频域相关特征，包括：
对所述多个时域特征进行时域自注意力处理，得到自注意力时域特征；
对所述多个频域特征进行频域自注意力处理，得到自注意力频域特征；
将所述自注意力时域特征与所述自注意力频域特征进行拼接处理，得到融合特征；
将所述多个频域特征中对应所述目标时间段中目标时刻的目标频域特征与所述融合特征进行融合注意力处理，得到所述目标域的时频域相关特征。
10.根据权利要求9所述的方法，其特征在于，所述对所述多个时域特征进行时域自注意力处理，得到自注意力时域特征，包括：
对所述多个时域特征进行时域嵌入处理，得到与所述多个时域特征一一对应的多个时域嵌入特征；
对所述多个时域嵌入特征进行时域位置编码处理，得到与所述多个时域特征一一对应的多个时域位置编码；
对所述多个时域位置编码进行时域自注意力编码处理，得到与所述多个时域特征一一对应的所述多个自注意力时域特征。
11.根据权利要求9所述的方法，其特征在于，所述对所述多个频域特征进行频域自注意力处理，得到自注意力频域特征，包括：
对所述多个频域特征进行频域嵌入处理，得到与所述多个频域特征一一对应的多个频域嵌入特征；
对所述多个频域嵌入特征进行频域位置编码处理，得到与所述多个频域特征一一对应的多个频域位置编码；
对所述多个频域位置编码进行频域自注意力编码处理，得到与所述多个频域特征一一对应的所述多个自注意力频域特征。
12.根据权利要求9所述的方法，其特征在于，所述将所述多个频域特征中对应所述目标时间段中目标时刻的目标频域特征与所述融合特征进行融合注意力处理，得到所述目标域的时频域相关特征，包括：
对所述目标频域特征进行频域嵌入处理，得到与所述目标频域特征对应的目标频域嵌入特征；
对所述目标频域嵌入特征进行频域位置编码处理，得到与所述目标频域特征对应的目标频域位置编码；
对所述目标频域位置编码以及所述融合特征进行注意力解码处理，得到所述目标域的时频域相关特征。
13.根据权利要求1所述的方法，其特征在于，所述将所述目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到所述目标域的寿命特征，包括：
将所述目标域的时频域相关特征与所述源域的多个时频域相关特征进行点乘处理，得到对应所述源域的每个时频域相关特征的点乘结果；
对对应所述源域的每个时频域相关特征的点乘结果进行最大似然处理，得到与所述源域的每个时频域相关特征对应的注意力权重；
基于所述注意力权重，对所述源域的每个时频域相关特征进行加权求和处理，得到源域匹配特征；
将所述源域匹配特征与所述目标域的时频域相关特征进行融合处理，得到所述目标域的寿命特征。
14.根据权利要求1所述的方法，其特征在于，所述第一注意力处理、所述第二注意力处理以及确定所述剩余寿命的处理是通过目标域寿命预测模型实现的，所述方法还包括：
获取对应所述源域的多个源域训练样本；
将所述多个源域训练样本在源域寿命预测模型中进行正向传播，得到与所述多个源域训练样本一一对应的多个第一预测剩余寿命；
基于所述多个第一预测剩余寿命以及多个第一预标记剩余寿命，确定第一损失，并基于所述第一损失更新所述源域寿命预测模型的参数；
将所述源域寿命预测模型的参数作为目标域寿命预测模型的初始化参数；
获取对应所述目标域的多个目标域训练样本；
将所述多个目标域训练样本在目标域寿命预测模型中进行正向传播，得到与所述多个目标域训练样本一一对应的多个第二预测剩余寿命；
基于所述多个第二预测剩余寿命以及多个第二预标记剩余寿命，确定第二损失，并基于所述第二损失，在所述初始化参数的基础上更新所述目标域寿命预测模型的参数。
15.一种零件的寿命预测装置，其特征在于，所述装置包括：
采样模块，用于获取所述零件在目标域中对应目标时间段的目标采样数据；
提取模块，用于当所述目标时间段完全处于所述零件的退化阶段时，从所述目标采样数据中提取多个时域特征以及多个频域特征；
注意力模块，用于对所述多个时域特征以及所述多个频域特征进行第一注意力处理，得到所述目标域的时频域相关特征；
所述注意力模块，还用于将所述目标域的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到所述目标域的寿命特征；
寿命模块，用于基于所述目标域的寿命特征，确定所述零件在所述目标域中从所述目标时间段开始的剩余寿命。
16.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至14任一项所述的零件的寿命预测方法。
17.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至14任一项所述的零件的寿命预测方法。
18.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现权利要求1至14任一项所述的零件的寿命预测方法。
CN202210393155.0A 2022-04-14 2022-04-14 零件的寿命预测方法、装置、设备、存储介质及程序产品 Pending CN115130232A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210393155.0A CN115130232A (zh) 2022-04-14 2022-04-14 零件的寿命预测方法、装置、设备、存储介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210393155.0A CN115130232A (zh) 2022-04-14 2022-04-14 零件的寿命预测方法、装置、设备、存储介质及程序产品

Publications (1)

Publication Number Publication Date
CN115130232A true CN115130232A (zh) 2022-09-30

Family

ID=83376161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210393155.0A Pending CN115130232A (zh) 2022-04-14 2022-04-14 零件的寿命预测方法、装置、设备、存储介质及程序产品

Country Status (1)

Country Link
CN (1) CN115130232A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330094A (zh) * 2022-10-14 2022-11-11 成都秦川物联网科技股份有限公司 智慧燃气管道寿命预测方法、物联网系统、装置及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330094A (zh) * 2022-10-14 2022-11-11 成都秦川物联网科技股份有限公司 智慧燃气管道寿命预测方法、物联网系统、装置及介质
US11898704B2 (en) 2022-10-14 2024-02-13 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and Internet of Things systems for smart gas pipeline life prediction based on safety

Similar Documents

Publication Publication Date Title
CN109818839B (zh) 应用于智能家居的个性化行为预测方法、装置和系统
CN109697207B (zh) 时序数据的异常监控方法及系统
CN115828112B (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
CN114494815B (zh) 神经网络训练方法、目标检测方法、装置、设备和介质
US20220414689A1 (en) Method and apparatus for training path representation model
CN115130232A (zh) 零件的寿命预测方法、装置、设备、存储介质及程序产品
CN113468035B (zh) 日志异常检测方法、装置、训练方法、装置及电子设备
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN117435999A (zh) 一种风险评估方法、装置、设备以及介质
CN116030115B (zh) 应用于ai的视觉设计图像分析方法及系统
CN116306704B (zh) 篇章级文本机器翻译方法、系统、设备及介质
CN110276183B (zh) 反向图灵验证方法及装置、存储介质、电子设备
CN115619138B (zh) 基于数字孪生的楼宇管控运营的方法、装置、设备及介质
CN111161884A (zh) 针对不平衡数据的疾病预测方法、装置、设备及介质
CN116523622A (zh) 对象风险预测方法和装置、电子设备及存储介质
CN116108276A (zh) 基于人工智能的信息推荐方法、装置及相关设备
CN116127066A (zh) 文本聚类方法、文本聚类装置、电子设备及存储介质
CN115017015A (zh) 一种边缘计算环境下程序异常行为检测方法及系统
CN113761943A (zh) 司法对话的生成方法和模型训练方法、装置以及存储介质
CN111949867A (zh) 跨app的用户行为分析模型训练方法、分析方法及相关设备
CN113596528B (zh) 视频推送模型的训练方法、装置、服务器及存储介质
CN115640896B (zh) 多用户场景下的家庭用户电力负荷预测方法及相关设备
CN116778264B (zh) 基于类增学习的对象分类方法、图像分类方法及相关设备
CN116307742B (zh) 一种细分客群的风险识别方法、装置、设备及存储介质
CN117152467B (zh) 图像识别方法、装置、介质及电子设备

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