CN115204463A - 一种基于多注意力机制的剩余使用寿命不确定性预测方法 - Google Patents
一种基于多注意力机制的剩余使用寿命不确定性预测方法 Download PDFInfo
- Publication number
- CN115204463A CN115204463A CN202210636893.3A CN202210636893A CN115204463A CN 115204463 A CN115204463 A CN 115204463A CN 202210636893 A CN202210636893 A CN 202210636893A CN 115204463 A CN115204463 A CN 115204463A
- Authority
- CN
- China
- Prior art keywords
- time
- sensor
- service life
- data
- attention
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于多注意力机制的剩余使用寿命不确定性预测方法,获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据,通过自注意力机制对传感器数据的特征维度进行加权;使用具有共享参数的时间卷积网络学习传感器数据的时间和空间相关性信息;通过自注意力机制对时间维度进行加权,使用全连接层,对传感器数据进行预测;使用零开始训练法,并将分位数损失设置为模型训练的损失,训练基于多注意力机制的TCN模型。本发明简化了剩余使用寿命不易估计并且增加了预测的置信区间,提高可信度的过程,为诸如剩余使用寿命预测的问题提供了新的解决方案。
Description
技术领域
本发明涉及剩余使用寿命预测领域,具体涉及一种基于多注意力机制的剩余使用寿命不确定性预测方法。
背景技术
预知资产的剩余使用寿命可以让工程师更合理的制定维修计划,能够减少停机时间,防止灾难性故障,并且降低成本提高效率。因此,准确预测剩余使用寿命具有重大意义。
随着深度学习的发展,在预测剩余使用寿命方面,传统的深度学习模型诸如RNN不具备并行处理的能力,对后续时间的预测必须等待上一步的完成,这就降低了模型的灵活性,并导致误差按步累积;CNN由于其卷积核的大小有限,不适合建模时间序列问题,无法有力地捕获长期依赖信息。为了获得能够自适应地提取特征并输出剩余使用寿命估计的预测方法,机器学习模型应该具有从训练数据中学习有用信息和端到端可训练参数的能力。TCN使用残差网络和扩张卷积的组合来增强网络内存,使其在长时间序列预测任务中更有效。然而,目前在预测中对TCNs的研究很少。因此,简化剩余使用寿命预测任意不确定性量化的过程,探索TCN网络在剩余使用寿命预测方面具有非常重要的应用价值。
发明内容
本发明的目的在于提出一种基于多注意力机制的剩余使用寿命不确定性预测方法,以解决燃气涡轮剩余使用寿命的预测问题。
实现本发明目的的技术解决方案为一种基于多注意力机制的剩余使用寿命不确定性预测方法,包括如下步骤:
步骤1,获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据构建训练集,并进行预处理,预处理后的数据为包含退化过程、时间滞后阶数、传感器个数的三维数据;
步骤2,构建基于多注意力机制的TCN网络,使用自注意力机制对预处理后的三维数据的特征维度进行加权,得到传感器带有加权特征信息的序列数据;使用具有共享参数的时间卷积网络对带有加权特征信息的序列数据进行学习,得到传感器带有时间和空间相关性信息的序列数据;使用自注意力机制对带有时间和空间相关性信息的序列数据在时间维度进行加权,得到传感器带有加权时间信息的序列数据;使用全连接层,对得到带有加权时间信息的序列数据进行预测,得到预测的剩余使用寿命;
步骤3,使用零开始训练法,并将分位数损失设置为模型训练的损失,训练基于多注意力机制的TCN网络,并运用网格搜索技术,得到网络的最优参数;
步骤4,对待预测剩余使用寿命的燃气涡轮引擎传感器数据进行预处理,,输入训练好的模型,完成剩余使用寿命预测。
进一步的,步骤1,获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据,并进行预处理,具体步骤为:
步骤1.1:绘制随着时间变化的所有引擎每一传感器的数据的趋势图,根据图像的趋势,舍弃掉对传感器的退化没有影响的引擎,最终得到影响传感器退化的引擎数据,这些数据从崭新状态开始记录直至传感器完全报废;
步骤1.2:对影响传感器退化的引擎数据进行Z值标准化;
步骤1.3:对剩余使用寿命假设它是线性下降到零,对Z值标准化后的引擎数据选取一个时间节点,在这个时间之前,任何引擎的退化都是不明显的,从这里进行截断,即传感器剩余使用寿命大于该节点值的,均设置为该节点值,最终得到剩余使用寿命从该节点以后开始逐渐减少的数据;
步骤1.4:将传感器的时间滞后数据添加到截断后的数据中,并将缺失历史数据的条目舍弃,数据维度由二维(n,s)变为三维(n-p*(tn-1),tn,s),其中n为训练集所有传感器总记录数,tn为滞后阶数,s为记录引擎工作状态的传感器数量,p为引擎数量,最终得到包含退化过程、时间滞后阶数、传感器个数的三维数据。
进一步的,基于多注意力机制的TCN网络中,使用自注意力机制对预处理后的三维数据的特征维度进行加权,得到传感器带有加权特征信息的序列数据,具体步骤为:
步骤2.1:对第t时间步收集的传感器测量值xt={x1,t,x2,t,…,xS,t},计算重要性权重,其计算公式如式(1):
其中,t为时间步,αs,t是第s个传感器第t时间步的特征维度权重,tn为滞后阶数;
步骤2.3:根据特征维度重要性权重平均值和传感器测量值,计算特征维度加权后的传感器数据,其计算公式如式(3):
进一步的,基于多注意力机制的TCN网络中,使用具有共享参数的时间卷积网络对步骤2得到的序列数据进行学习,得到传感器带有时间和空间相关性信息的序列数据 是第s个传感器第t时间步的时间卷积网络的输出,其中:
时间卷积网络由两个残差块组成,其中每个残差块由两个稀疏的因果卷积层和一个卷积层组成,每个残差块中使用残差连接输入和卷积层后的输出;每个因果卷积层后连接门控激活层和批量归一化层,其中门控激活层被定义为:
进一步的,基于多注意力机制的TCN网络中,使用自注意力机制对步骤3 中得到的序列数据在时间维度进行加权,得到传感器带有加权时间信息的序列数据,具体步骤为:
其中,λt为第t时间步的时间维度重要性权重向量,t为时间步,tn为滞后阶数;
步骤4.3:根据时间维度重要性权重平均值和传感器测量值,计算加权后的传感器,其计算公式如式(7):
进一步的,步骤3,使用零开始训练法,并将分位数损失设置为模型训练的损失,训练,基于多注意力机制的TCN网络,并运用网格搜索技术,得到网络的最优参数,具体步骤为:
将模型的损失函数设置为0.1、0.5、0.9分位数损失,训练网络的batch为 512,时间滞后阶数设置为40,网格搜索中,使用变化的学习率进行训练,初始学习率为0.001,网络的训练轮次为40轮,得到最优参数。
进一步的,步骤4,对待预测剩余使用寿命的燃气涡轮引擎传感器数据进行预处理,输入训练好的模型,完成剩余使用寿命预测,具体步骤为:
对训练好的模型载入最优权重,在服务器上对预处理后的数据进行预测,前向推断过程不进行损失计算和回传损失,网络结构与训练时相同,返回的是预测的燃气涡轮引擎剩余使用寿命。
一种基于多注意力机制的剩余使用寿命不确定性预测系统,基于所述的一种基于深度学习的概率剩余使用寿命预测框架,实现剩余使用寿命预测。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于所述的一种基于多注意力机制的剩余使用寿命不确定性预测框架,实现剩余使用寿命预测。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的一种基于多注意力机制的剩余使用寿命不确定性预测框架,实现剩余使用寿命预测。
本发明与现有技术相比,其显著优点为:1)使用自注意力机制分别对特征维度和时间步长维度对数据进行加权,可以自适应地从不同的特征和时间步长中提取信息。2)使用具有共享参数的TCN应用于所有传感器的序列数据,提升预测效率。3)使用非参数概率剩余使用寿命预测框架,可以提供相关的剩余使用寿命估计置信区间,更好的展示不确定性量化的性能,非参数方法显示随着周期增加的不确定性降低。
附图说明
图1为本发明一种基于多注意力机制的剩余使用寿命不确定性预测框架图。
图2为本发明非参数多注意力时间卷积网络的框架图。
图3为本发明NPMSA-TCN在RMSE和Score值与其他方法的比较图。
图4为本发明FD003中四个引擎单元的剩余使用寿命预测结果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明一种基于多注意力机制的剩余使用寿命不确定性预测框架,首先获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据,随后通过自注意力机制对传感器数据的特征维度进行加权;然后使用具有共享参数的时间卷积网络学习传感器数据的时间和空间相关性信息;再通过自注意力机制对时间维度进行加权,使用全连接层,对传感器数据进行预测;之后使用零开始训练法,并将分位数损失设置为模型训练的损失,训练基于多注意力机制的TCN模型。最后该框架可以输出高精度的区间剩余使用寿命估计。如图1所示,本发明一种基于多注意力机制的剩余使用寿命不确定性预测方法,具体包括以下步骤:
步骤1,获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据构建训练集,并进行预处理,预处理后的数据为包含退化过程、时间滞后阶数、传感器个数的三维数据。具体步骤为:
步骤1.1:绘制训练集中随着时间变化的所有引擎每一传感器的数据的趋势图,根据图像的趋势,舍弃掉对传感器的退化没有影响的引擎,最终得到影响传感器退化的引擎数据,这些数据从崭新状态开始记录直至传感器完全报废。
步骤1.2:对舍弃后的传感器数据进行Z值标准化。
步骤1.3:对剩余使用寿命假设它是线性下降到零,将影响传感器退化的引擎数据选取一个合适的时间节点,在这个时间之前,任何引擎的退化都是不明显的,从这里进行截断,即传感器剩余使用寿命大于该节点值的,均设置为该节点值,最终得到剩余使用寿命从该节点以后开始逐渐减少的数据。
步骤1.4:将传感器的时间滞后数据添加到截断后的数据中,并将缺失历史数据的条目舍弃,数据维度由二维(n,s)变为三维(n-p*(tn-1),tn,s),其中n为训练集所有传感器总记录数,tn为滞后阶数,s为记录引擎工作状态的传感器数量,p为引擎数量。最终得到了预处理后的数据。
步骤2,使用自注意力机制对预处理后的三维数据的特征维度进行加权,得到传感器带有加权特征信息的序列数据。具体步骤为:
步骤2.1:对第t时间步收集的传感器测量值xt={x1,t,x2,t,…,xS,t},计算重要性权重,其计算公式如式(1):
其中,t为时间步,αs,t是第s个传感器第t时间步的特征维度的权重,tn为滞后阶数。
步骤2.3:根据特征维度重要性权重平均值和传感器测量值,计算特征维度加权后的传感器数据,其计算公式如式(3):
时间卷积网络由两个残差块组成,其中每个残差块由两个稀疏的因果卷积层和一个卷积层组成,每个残差块中使用残差连接输入和卷积层后的输出;每个因果卷积层后连接门控激活层和批量归一化层,其中门控激活层被定义为:
步骤4,使用自注意力机制对步骤3中得到的序列数据在时间维度进行加权,得到传感器带有加权时间信息的序列数据。具体步骤为:
其中,λt为第t时间步的时间维度重要性权重向量,t为时间步,tn为滞后阶数。
步骤4.3:根据时间维度重要性权重平均值和传感器测量值,计算加权后的传感器,其计算公式如式(7):
步骤5,使用全连接层,对传感器数据进行预测,得到预测的剩余使用寿命。
步骤6,使用零开始训练法,并将分位数损失设置为模型训练的损失,训练步骤2-5构建成的基于多注意力机制的TCN网络,并运用网格搜索技术,得到网络的最优参数。具体步骤为:
将模型的损失函数设置为0.1、0.5、0.9分位数损失。训练网络的batch为 512,时间滞后阶数设置为40,网格搜索中,使用变化的学习率进行训练,初始学习率为0.001,网络的训练轮次为40轮。得到最优参数。
步骤7,将预处理后的三维数据,输入训练好的模型,完成剩余使用寿命预测。具体步骤为:
对训练好的模型载入最优权重,在服务器上对预处理后的数据进行预测,前向推断过程不进行损失计算和回传损失,网络结构与训练时相同,返回的是预测的燃气涡轮引擎剩余使用寿命。
实施例
为了验证本发明方案的有效性,进行如下实验。
本实施例中,使用NASA提供的一个公共涡轮发动机退化数据集来评估本框架的性能。C-MAPSS是一种模拟大型商用涡轮发动机在不同运行条件和故障模式下的整个退化过程的工具。它包含许多可定制的输入参数来模拟不同的退化过程。C-MAPSS生成四个子数据集,分别记录为FD001、FD002、FD003和 FD004。每个子数据集包含26个特征,其中21个测量值是由套装传感器收集的时间序列数据。一种基于多步自注意力时间卷积神经网络的非参数剩余使用寿命预测方法,具体包括以下步骤:
在实施例中,使用NASA提供的一个公共涡轮发动机退化数据集来评估本框架的性能。
表1 本框架的参数
获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据,划分训练集和测试集,并进行预处理,得到包含退化过程、时间滞后阶数、传感器个数的三维数据,四个子数据集的详细信息列于表2。
表2 C-MAPSS数据集中四个子数据集的细节
数据特征选择:删除了7个值不变的测量值。剩下的一组包含14个传感器测量值Snew=(2,3,4,7,8,9,11,12,13,14,15,17,20,21),用于实验。
基于运行条件的归一化:对每个传感器测量值Snew进行归一化:
在这一部分中,应用了一种常用的滑动时间窗口技术来生成序列训练和测试样本。滑动时间窗口意味着网络的输入样本从第一个1~l、第二个2~(l+1)、第三个3~(l+2)时间戳等对队列的每个引擎进行测量。时间窗口的大小等于30。最后,每个训练样本的维度为x∈R1×30×14,分别表示输入通道、窗口大小和特征数。此外,训练样本的剩余使用寿命标签在早期由具有恒定剩余使用寿命的分段线性函数生成。在本实施例中,将常数剩余使用寿命设置为125。
本模型应用了均方根误差(RMSE)和得分函数,两个指标如下:
概率剩余使用寿命预测的性能由预定义分位数水平q的分位数损失评估,表示为QLq(例如,QL0.1)。将模型的损失函数设置为为0.1、0.5、0.9分位数损失的和。使用Adam优化器来训练预测模型。初始学习率设置为0.001,batch大小为256,epoch为60。此外,在训练过程中使用了学习率退火,每个实验的预测结果都是最近20个轮次的平均值。
1)不同时间窗口大小的影响:时间窗口的大小显着影响剩余使用寿命预测的结果。图3展示了FD003在不同时间窗口大小下的预测结果。以下实验中所示的本框架结果是基于这些时间窗口大小。
2)多步自注意力机制的影响:对时间步长和特征都使用了两种注意力机制。实现了四个实验:1)基本TCN;2)仅具有时间步自注意力的TCN;3)仅具有特征自注意力的TCN;4)多步自注意力的TCN;实验结果如表3所示。
表3 基本TCN、带有时间步长自注意力的TCN、带有特征自注意力的TCN和带有多步自注意力的 TCN之间的性能比较
3)与其他方法的性能比较:将所有实验进行了五次,并使用RMSE和 Score的均值和标准差(STD)值作为结果。
表4 预测性能比较
4)非参数不确定性预测:四个子数据集的概率预测结果如表5所示。
表5 参数方法和非参数方法之间的预测性能比较
基于分位数回归(分位数等级Q={0.05,0.5,0.95})的非参数方法和基于高斯假设的参数方法,本部分使用权衡参数λ=1。
在图4中展示了从FD003中随机选择的四个单元的90%置信区间剩余使用寿命预测。图4显示了本框架预测的剩余使用寿命估计与比较剩余使用寿命实际值。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于多注意力机制的剩余使用寿命不确定性预测方法,其特征在于,包括如下步骤:
步骤1,获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据构建训练集,并进行预处理,预处理后的数据为包含退化过程、时间滞后阶数、传感器个数的三维数据;
步骤2,构建基于多注意力机制的TCN网络,使用自注意力机制对预处理后的三维数据的特征维度进行加权,得到传感器带有加权特征信息的序列数据;使用具有共享参数的时间卷积网络对带有加权特征信息的序列数据进行学习,得到传感器带有时间和空间相关性信息的序列数据;使用自注意力机制对带有时间和空间相关性信息的序列数据在时间维度进行加权,得到传感器带有加权时间信息的序列数据;使用全连接层,对得到带有加权时间信息的序列数据进行预测,得到预测的剩余使用寿命;
步骤3,使用零开始训练法,并将分位数损失设置为模型训练的损失,训练基于多注意力机制的TCN网络,并运用网格搜索技术,得到网络的最优参数;
步骤4,对待预测剩余使用寿命的燃气涡轮引擎传感器数据进行预处理,输入训练好的模型,完成剩余使用寿命预测。
2.根据权利要求1所述的一种基于多注意力机制的剩余使用寿命不确定性预测方法,其特征在于,步骤1,获取燃气涡轮引擎随着时间推移从完好状态逐渐退化直至报废的二维数据,并进行预处理,具体步骤为:
步骤1.1:绘制随着时间变化的所有引擎每一传感器的数据的趋势图,根据图像的趋势,舍弃掉对传感器的退化没有影响的引擎,最终得到影响传感器退化的引擎数据,这些数据从崭新状态开始记录直至传感器完全报废;
步骤1.2:对影响传感器退化的引擎数据进行Z值标准化;
步骤1.3:对剩余使用寿命假设它是线性下降到零,对Z值标准化后的引擎数据选取一个时间节点,在这个时间之前,任何引擎的退化都是不明显的,从这里进行截断,即传感器剩余使用寿命大于该节点值的,均设置为该节点值,最终得到剩余使用寿命从该节点以后开始逐渐减少的数据;
步骤1.4:将传感器的时间滞后数据添加到截断后的数据中,并将缺失历史数据的条目舍弃,数据维度由二维(n,s)变为三维(n-p*(tn-1),tn,s),其中n为所有传感器总记录数,tn为滞后阶数,s为记录引擎工作状态的传感器数量,p为引擎数量,最终得到包含退化过程、时间滞后阶数、传感器个数的三维数据。
3.根据权利要求1所述的一种基于多注意力机制的剩余使用寿命不确定性预测方法,其特征在于,基于多注意力机制的TCN网络中,使用自注意力机制对预处理后的三维数据的特征维度进行加权,得到传感器带有加权特征信息的序列数据,具体步骤为:
步骤2.1:对第t时间步收集的传感器测量值xt={x1,t,x2,t,...,xS,t},计算重要性权重,其计算公式如式(1):
其中,t为时间步,αs,t是第s个传感器第t时间步的特征维度的权重,tn为滞后阶数;
步骤2.3:根据特征维度重要性权重平均值和传感器测量值,计算特征维度加权后的传感器数据,其计算公式如式(3):
4.根据权利要求3所述的一种基于多注意力机制的剩余使用寿命不确定性预测方法,其特征在于,基于多注意力机制的TCN网络中,使用具有共享参数的时间卷积网络对步骤2得到的序列数据进行学习,得到传感器带有时间和空间相关性信息的序列数据 是第s个传感器第t时间步的时间卷积网络的输出,其中:
时间卷积网络由两个残差块组成,其中每个残差块由两个稀疏的因果卷积层和一个卷积层组成,每个残差块中使用残差连接输入和卷积层后的输出;每个因果卷积层后连接门控激活层和批量归一化层,其中门控激活层被定义为:
5.根据权利要求4所述的一种基于多注意力机制的剩余使用寿命不确定性预测方法,其特征在于,基于多注意力机制的TCN网络中,使用自注意力机制对步骤3中得到的序列数据在时间维度进行加权,得到传感器带有加权时间信息的序列数据,具体步骤为:
其中,λt为第t时间步的时间维度重要性权重向量,t为时间步,tn为滞后阶数;
步骤4.3:根据时间维度重要性权重平均值和传感器测量值,计算加权后的传感器,其计算公式如式(7):
6.根据权利要求1所述的一种基于多注意力机制的剩余使用寿命不确定性预测方法,其特征在于,步骤3,使用零开始训练法,并将分位数损失设置为模型训练的损失,训练,基于多注意力机制的TCN网络,并运用网格搜索技术,得到网络的最优参数,具体步骤为:
将模型的损失函数设置为0.1、0.5、0.9分位数损失,训练网络的batch为512,时间滞后阶数设置为40,网格搜索中,使用变化的学习率进行训练,初始学习率为0.001,网络的训练轮次为40轮,得到最优参数。
7.根据权利要求1所述的一种基于多注意力机制的剩余使用寿命不确定性预测框架,其特征在于,步骤4,对待预测剩余使用寿命的燃气涡轮引擎传感器数据进行预处理,具体步骤为:
对训练好的模型载入最优权重,在服务器上对预处理后的数据进行预测,前向推断过程不进行损失计算和回传损失,网络结构与训练时相同,返回的是预测的燃气涡轮引擎剩余使用寿命。
8.一种基于多注意力机制的剩余使用寿命不确定性预测系统,其特征在于,基于权利要求1-7任一项所述的基于多注意力机制的剩余使用寿命不确定性预测方法实现剩余使用寿命的精准预测。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,基于权利要求1-7任一项所述的基于多注意力机制的剩余使用寿命不确定性预测方法实现剩余使用寿命的精准预测。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-7任一项所述的基于多注意力机制的剩余使用寿命不确定性预测方法实现剩余使用寿命的精准预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636893.3A CN115204463A (zh) | 2022-06-07 | 2022-06-07 | 一种基于多注意力机制的剩余使用寿命不确定性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636893.3A CN115204463A (zh) | 2022-06-07 | 2022-06-07 | 一种基于多注意力机制的剩余使用寿命不确定性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204463A true CN115204463A (zh) | 2022-10-18 |
Family
ID=83575928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636893.3A Pending CN115204463A (zh) | 2022-06-07 | 2022-06-07 | 一种基于多注意力机制的剩余使用寿命不确定性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204463A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089822A (zh) * | 2023-02-27 | 2023-05-09 | 安徽大学 | 一种基于时空注意力网络的设备rul预测方法及系统 |
-
2022
- 2022-06-07 CN CN202210636893.3A patent/CN115204463A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116089822A (zh) * | 2023-02-27 | 2023-05-09 | 安徽大学 | 一种基于时空注意力网络的设备rul预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN111080400B (zh) | 一种基于门控图卷积网络的商品推荐方法及系统、存储介质 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN115545300B (zh) | 一种基于图神经网络进行用户行为预测的方法及装置 | |
CN112131794A (zh) | 基于lstm网络的水工建筑物多效应量优化预测及可视化方法 | |
CN115204463A (zh) | 一种基于多注意力机制的剩余使用寿命不确定性预测方法 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
Wang et al. | Three‐stage feature selection approach for deep learning‐based RUL prediction methods | |
CN113139586B (zh) | 模型训练方法、设备异常诊断方法、电子设备及介质 | |
WO2022072593A1 (en) | Automated generation of a machine learning model from computational simulation data | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN117250914A (zh) | 制造过程捕获的测量数据训练机器学习模型的方法和系统 | |
CN112580798A (zh) | 基于多输入多输出ResNet的设备智能预警方法 | |
CN117172355A (zh) | 融合时空粒度上下文神经网络的海表温度预测方法 | |
CN116665798A (zh) | 一种空气污染趋势预警方法及相关装置 | |
CN116432856A (zh) | 基于cnn-glstm模型的管道动态预警方法及装置 | |
US20220343216A1 (en) | Information processing apparatus and information processing method | |
CN116048956A (zh) | 一种软件缺陷发生情况预测方法、装置、设备及存储介质 | |
Bhattacharya et al. | Modeling nonlinear heat exchanger dynamics with convolutional recurrent networks | |
EP3913547A1 (en) | Modelling input-output relation of computer-controlled entity | |
CN113987704A (zh) | 基于自动多微分学习深度网络的航空发动机寿命预测方法 | |
CN113010774A (zh) | 一种基于动态深度注意力模型的点击率预测方法 | |
LU504816B1 (en) | Interpretable deep learning model for extreme climate prediction |
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 |