CN115374711B - 一种旋转多组件系统的寿命预测方法及相关装置 - Google Patents

一种旋转多组件系统的寿命预测方法及相关装置 Download PDF

Info

Publication number
CN115374711B
CN115374711B CN202211299117.5A CN202211299117A CN115374711B CN 115374711 B CN115374711 B CN 115374711B CN 202211299117 A CN202211299117 A CN 202211299117A CN 115374711 B CN115374711 B CN 115374711B
Authority
CN
China
Prior art keywords
data
degradation
preset
time sequence
characteristic data
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
CN202211299117.5A
Other languages
English (en)
Other versions
CN115374711A (zh
Inventor
邓耀华
黄浩
张春凤
陈立尧
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 CN202211299117.5A priority Critical patent/CN115374711B/zh
Publication of CN115374711A publication Critical patent/CN115374711A/zh
Application granted granted Critical
Publication of CN115374711B publication Critical patent/CN115374711B/zh
Priority to US18/323,492 priority patent/US20240135204A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种旋转多组件系统的寿命预测方法及相关装置，方法包括：基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据；基于预置时序注意力网络根据初始退化特征数据提取时序退化特征数据，预置时序注意力网络包括预设时序权重；利用预设退化状态分类器对时序退化特征数据进行退化状态分类操作，得到退化状态数据集，退化状态数据集包括有标签状态数据和无标签状态数据；基于域对抗网络对退化状态数据集的特征分布进行差异调整，得到优化特征数据；采用预置LSTM预测模型根据优化特征数据进行组件寿命预测，得到寿命预测曲线。本申请能够解决现有技术忽略重要特征信息，导致寿命预测结果误差较严重的技术问题。

Description

一种旋转多组件系统的寿命预测方法及相关装置
技术领域
本申请涉及器件寿命预测技术领域，尤其涉及一种旋转多组件系统的寿命预测方法及相关装置。
背景技术
通过挖掘设备性能退化数据的特征对设备进行剩余寿命预测，能有效准确地实现设备的预测性维护。然而对于复杂工况环境下的精密电子制造装备的多组件系统(Multi-Component System)，由于电子加工极其复杂和高速精密，某个组件的退化不仅对电子材料本身变形产生影响，而且还会对其它组件甚至整个系统造成竞争风险。从而使得多组件系统的性能退化呈现多元多阶段的特点，造成性能退化数据分布不平衡等问题。
目前深度学习模型已经用于设备性能退化数据特征挖掘，但是现有大多数的智能模型在挖掘深层次特征信息时所考虑是数据的整体特征，而忽略或弱化了有效的局部目标特征信息，使得对设备尤其是旋转多组件系统的性能退化过程的模拟复现偏离实际情况，进而导致基于性能退化状态的旋转多组件系统的剩余寿命预测误差加大，误判次数增加。
发明内容
本申请提供了一种旋转多组件系统的寿命预测方法及相关装置，用于解决现有技术忽略重要特征信息，导致寿命预测结果误差较严重的技术问题。
有鉴于此，本申请第一方面提供了一种旋转多组件系统的寿命预测方法，包括：
基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，所述预置组件退化数据包括有寿命标签数据和无寿命标签数据；
基于预置时序注意力网络根据所述初始退化特征数据提取时序退化特征数据，所述预置时序注意力网络包括预设时序权重；
利用预设退化状态分类器对所述时序退化特征数据进行退化状态分类操作，得到退化状态数据集，所述退化状态数据集包括有标签状态数据和无标签状态数据；
基于域对抗网络对所述退化状态数据集的特征分布进行差异调整，得到优化特征数据；
采用预置LSTM预测模型根据所述优化特征数据进行组件寿命预测，得到寿命预测曲线。
优选地，所述基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，之前还包括：
获取目标旋转多组件系统的原始退化数据；
根据预置规则对所述原始退化数据中的预设比例数据进行标注，得到有寿命标签数据；
基于所述原始退化数据中未标注的数据和所述有寿命标签数据构建预置组件退化数据。
优选地，所述基于预置时序注意力网络根据所述初始退化特征数据提取时序退化特征数据，所述预置时序注意力网络包括预设时序权重，包括：
基于预置时序注意力网络中的空间卷积层对所述初始退化特征数据进行卷积计算，得到多段空间特征数据；
基于预设时序权重根据所述空间特征数据进行加权平均计算，得到多段通道退化特征数据；
将所述通道退化特征数据按照时序拼接，得到时序退化特征数据。
优选地，所述基于域对抗网络对所述退化状态数据集的特征分布进行差异调整，得到优化特征数据，包括：
通过域对抗网络中的高斯混合模型分类器将所述退化状态数据集中的无标签状态数据进行标注分类处理，得到拟定分类状态数据；
将所述拟定分类状态数据和所述退化状态数据集中的有标签状态数据输入所述域对抗网络中的域对抗器中进行数据对齐操作，得到优化特征数据。
本申请第二方面提供了一种旋转多组件系统的寿命预测装置，包括：
通道特征提取模块，用于基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，所述预置组件退化数据包括有寿命标签数据和无寿命标签数据；
时序特征提取模块，用于基于预置时序注意力网络根据所述初始退化特征数据提取时序退化特征数据，所述预置时序注意力网络包括预设时序权重；
退化状态分类模块，用于利用预设退化状态分类器对所述时序退化特征数据进行退化状态分类操作，得到退化状态数据集，所述退化状态数据集包括有标签状态数据和无标签状态数据；
数据差异调整模块，用于基于域对抗网络对所述退化状态数据集的特征分布进行差异调整，得到优化特征数据；
组件寿命预测模块，用于采用预置LSTM预测模型根据所述优化特征数据进行组件寿命预测，得到寿命预测曲线。
优选地，还包括：
数据获取模块，用于获取目标旋转多组件系统的原始退化数据；
数据标注模块，用于根据预置规则对所述原始退化数据中的预设比例数据进行标注，得到有寿命标签数据；
数据构建模块，用于基于所述原始退化数据中未标注的数据和所述有寿命标签数据构建预置组件退化数据。
优选地，所述时序特征提取模块，具体用于：
基于预置时序注意力网络中的空间卷积层对所述初始退化特征数据进行卷积计算，得到多段空间特征数据；
基于预设时序权重根据所述空间特征数据进行加权平均计算，得到多段通道退化特征数据；
将所述通道退化特征数据按照时序拼接，得到时序退化特征数据。
优选地，所述数据差异调整模块，具体用于：
通过域对抗网络中的高斯混合模型分类器将所述退化状态数据集中的无标签状态数据进行标注分类处理，得到拟定分类状态数据；
将所述拟定分类状态数据和所述退化状态数据集中的有标签状态数据输入所述域对抗网络中的域对抗器中进行数据对齐操作，得到优化特征数据。
本申请第三方面提供了一种旋转多组件系统的寿命预测装设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的旋转多组件系统的寿命预测装方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的旋转多组件系统的寿命预测装方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，提供了一种旋转多组件系统的寿命预测方法，包括：基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，预置组件退化数据包括有寿命标签数据和无寿命标签数据；基于预置时序注意力网络根据初始退化特征数据提取时序退化特征数据，预置时序注意力网络包括预设时序权重；利用预设退化状态分类器对时序退化特征数据进行退化状态分类操作，得到退化状态数据集，退化状态数据集包括有标签状态数据和无标签状态数据；基于域对抗网络对退化状态数据集的特征分布进行差异调整，得到优化特征数据；采用预置LSTM预测模型根据优化特征数据进行组件寿命预测，得到寿命预测曲线。
本申请提供的旋转多组件系统的寿命预测方法，通过通道注意力网络和时序注意力网络提取退化特征数据的不同层面的特征数据，能够同时兼顾全局特征与局部特征的分析，而且，通过域对抗网络对退化状态数据集的特征分布进行差异调整，能够从数据源头确保预测效果的可靠性；而LSTM预测模型能够确保预测结果的准确性。因此，本申请能够解决现有技术忽略重要特征信息，导致寿命预测结果误差较严重的技术问题。
附图说明
图1为本申请实施例提供的一种旋转多组件系统的寿命预测方法的流程示意图；
图2为本申请实施例提供的一种旋转多组件系统的寿命预测装置的结构示意图；
图3为本申请实施例提供的预置通道注意力网络特征提取过程示意图；
图4为本申请实施例提供的预置时序注意力网络特征提取过程示意图一；
图5为本申请实施例提供的预置时序注意力网络特征提取过程示意图二；
图6为本申请实施例提供的预设退化状态分类器分类过程示意图；
图7为本申请实施例提供的域对抗网络的数据分布差异调整过程示意图；
图8为本申请实施例提供的域对抗网络对数据进行分类操作过程示意图；
图9为本申请实施例提供的域对抗网络进行数据调整对齐过程示意图一；
图10为本申请实施例提供的域对抗网络进行数据调整对齐过程示意图二。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种旋转多组件系统的寿命预测方法的实施例，包括：
步骤101、基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，预置组件退化数据包括有寿命标签数据和无寿命标签数据。
预置组件退化数据是在旋转组件系统中获取得到的，有一部分已经标注了寿命标签，一部分并未标注。预置组件退化数据中的两种数据集同时输入预置通道注意力网络中进行不同层面的退化状态特征提取，能够保留退化数据中关键的特征信息，为后续的寿命预测提供特征支持。
预置通道注意力网络提取退化特征数据的过程如图3所示，预置组件退化数据输入网络是一维单通道形式，利用通道注意力特征提取模块扩展预置组件退化数据特征提取通道，根据各通道卷积核的均值大小设置通道的权值值，卷积核均值越大，通道权重值越大，对于卷积核均值小于预设均值的通道将不被关注。具体的描述如下：
用
Figure 996779DEST_PATH_IMAGE001
表示原始输入的预置组件退化数据，
Figure 298447DEST_PATH_IMAGE002
表示特征提取通道。为了增加信息提取能力，将特征提取通道
Figure 596705DEST_PATH_IMAGE002
扩展到
Figure 187086DEST_PATH_IMAGE003
个，
Figure 556887DEST_PATH_IMAGE004
，用
Figure 116657DEST_PATH_IMAGE005
表示，对于特征提取通道
Figure 116974DEST_PATH_IMAGE005
，根据提取信息能力的不同，利用通道权重分配器赋予每一个通道不同的权重因子，用
Figure 725810DEST_PATH_IMAGE006
表示，
Figure 571406DEST_PATH_IMAGE006
的值根据第
Figure 582088DEST_PATH_IMAGE003
个通道的卷积核的均值进行设置。
每一个特征提取通道均采用参数不同的通道卷积运算模块来实现，预置组件退化数据
Figure 487727DEST_PATH_IMAGE001
经通道卷积运算后，输出经权重因子
Figure 787121DEST_PATH_IMAGE006
加权后的初始退化特征数据
Figure 498725DEST_PATH_IMAGE007
表达为：
Figure 36017DEST_PATH_IMAGE008
其中，
Figure 174874DEST_PATH_IMAGE009
表示第k个特征提取通道
Figure 695985DEST_PATH_IMAGE005
卷积计算后的输出结果，可以得到多个初始退化特征数据，在这些初始退化特征数据中可以观察到各通道擅长提取哪一类退化状态的特征。
进一步地，步骤101，之前还包括：
获取目标旋转多组件系统的原始退化数据；
根据预置规则对原始退化数据中的预设比例数据进行标注，得到有寿命标签数据；
基于原始退化数据中未标注的数据和有寿命标签数据构建预置组件退化数据。
预置组件退化数据中包括了标注和未标注的退化数据，是预先从目标旋转多组件系统中获取到，然后作部分标注得到的，具体的标注过程不作限定，所以预置规则可以根据实际情况配置，在此不作赘述，可以参照现有技术实现标注。
步骤102、基于预置时序注意力网络根据初始退化特征数据提取时序退化特征数据，预置时序注意力网络包括预设时序权重。
进一步地，步骤102，包括：
基于预置时序注意力网络中的空间卷积层对初始退化特征数据进行卷积计算，得到多段空间特征数据；
基于预设时序权重根据空间特征数据进行加权平均计算，得到多段通道退化特征数据；
将通道退化特征数据按照时序拼接，得到时序退化特征数据。
预置时序注意力网络实在初始退化特征数据的基础上进一步提取数据中的时序特征，请参阅图4，基于空间卷积层的卷积计算可以获取到多段空间特征数据，而预设时序权重是依据每一段时序特征数据包含的数据量设置的；对于包含数量较多的一端时序特征数据赋予较高的权重，对于包含数据量较少或者不包含数据量的则赋予较低或者零的权重，即不关注这段数据。具体过程如下：
预置时序注意力网络中的时序注意力特征提取模块的输入是初始退化特征数据；对于任一段特征数据
Figure 148963DEST_PATH_IMAGE007
，分别对应一个时序注意力特征提取网络，即空间卷积层，用
Figure 134237DEST_PATH_IMAGE010
表示。经过网络计算后，每个特征提取网络
Figure 119029DEST_PATH_IMAGE011
输出
Figure 393016DEST_PATH_IMAGE012
段特征数据，对于第
Figure 446422DEST_PATH_IMAGE013
段数据，记作
Figure 958306DEST_PATH_IMAGE014
，其中
Figure 376649DEST_PATH_IMAGE003
表示第
Figure 669090DEST_PATH_IMAGE003
个提取网络，
Figure 729450DEST_PATH_IMAGE013
表示第
Figure 95841DEST_PATH_IMAGE013
段特征数据。因此，总共输出
Figure 685085DEST_PATH_IMAGE015
段特征数据。
通过卷积计算得到
Figure 933664DEST_PATH_IMAGE012
段空间特征数据表达如下：
Figure 998047DEST_PATH_IMAGE016
其中，
Figure 750102DEST_PATH_IMAGE017
表示第k个时序注意力特征网络
Figure 510248DEST_PATH_IMAGE011
卷积计算能得到的输出结果。
预设时序权重采用
Figure 777281DEST_PATH_IMAGE018
表示，对于提取特征网络
Figure 913865DEST_PATH_IMAGE011
的第i段输出数据
Figure 317164DEST_PATH_IMAGE014
，根据每一段特征数据包含的数据量可以配置出具体的预设时序权重值，即
Figure 779369DEST_PATH_IMAGE018
，经过加权平均后得到第段整合了个通道信息的退化特征数据
Figure 533699DEST_PATH_IMAGE019
，得到的通道退化特征数据表达为：
Figure 942815DEST_PATH_IMAGE020
需要说明的是，l的取值取决于
Figure 403883DEST_PATH_IMAGE011
输出的数据量来确定。
最后将l段通道退化特征数据按照时序拼接起来就可以得到时序退化特征数据
Figure 833727DEST_PATH_IMAGE021
；从特征数据的处理流程分析，整个过程可以表达如图5所示。
步骤103、利用预设退化状态分类器对时序退化特征数据进行退化状态分类操作，得到退化状态数据集，退化状态数据集包括有标签状态数据和无标签状态数据。
请参阅图6，预设退化状态分类器主要将时序退化特征数据划分为三种不同的退化状态，即轴承外圈退化，内圈退化，滚动体退化三类，而且每一类退化状态都包括相应的有标签状态数据和无标签状态数据。预置退化状态分类器是数据分类器，可以根据实际情况进行选取设置，在此不作限定，可以完成具体分类任务即可。
步骤104、基于域对抗网络对退化状态数据集的特征分布进行差异调整，得到优化特征数据。
进一步地，步骤104，包括：
通过域对抗网络中的高斯混合模型分类器将退化状态数据集中的无标签状态数据进行标注分类处理，得到拟定分类状态数据；
将拟定分类状态数据和退化状态数据集中的有标签状态数据输入域对抗网络中的域对抗器中进行数据对齐操作，得到优化特征数据。
请参阅图7，域对抗网络由基于高斯混合模型分类器和域对抗器构成，其中高斯混合模型分类器即高斯分布混合模型降维分类器，基于此分类器可以对数据进行初步分类，基于域对抗器可以最小化数据的分布差异，实现数据对齐。具体过程如下：
请参阅图8，本实施例中以标签s1至s8为例，可以按照标签进行分类操作，也就是将对应类别附近的无标签数据归为同一类并标注对应的寿命标签，得到的数据即为拟定分类状态数据；通过高斯混合模型分类器可以实现。
请参阅图9，将带有标签的数据全部输入到域对抗器中进行数据对齐，最小化同一标签数据之间的差距，从而把类别圆外没有标注的数据通过对抗网络训练完成标注。根据数据的分布特性，可以不断将图8中的类别圆范围增加，可以慢慢如图9和图10所示圈中更多数据。
步骤105、采用预置LSTM预测模型根据优化特征数据进行组件寿命预测，得到寿命预测曲线。
预置LSTM预测模型能够关注到数据之间时序关联，使得预测的寿命预测曲线更加符合实际数据的变化特点，更加准确可靠。请参阅图7，本实施例中的预置LSTM预测模型可以分别对划分了类别的优化特征数据进行分类操作，得到对应的寿命预测曲线。
本申请实施例提供的旋转多组件系统的寿命预测方法，通过通道注意力网络和时序注意力网络提取退化特征数据的不同层面的特征数据，能够同时兼顾全局特征与局部特征的分析，而且，通过域对抗网络对退化状态数据集的特征分布进行差异调整，能够从数据源头确保预测效果的可靠性；而LSTM预测模型能够确保预测结果的准确性。因此，本申请实施例能够解决现有技术忽略重要特征信息，导致寿命预测结果误差较严重的技术问题。
为了便于理解，请参阅图2，本申请提供了一种旋转多组件系统的寿命预测装置的实施例，包括：
通道特征提取模块201，用于基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，预置组件退化数据包括有寿命标签数据和无寿命标签数据；
时序特征提取模块202，用于基于预置时序注意力网络根据初始退化特征数据提取时序退化特征数据，预置时序注意力网络包括预设时序权重；
退化状态分类模块203，用于利用预设退化状态分类器对时序退化特征数据进行退化状态分类操作，得到退化状态数据集，退化状态数据集包括有标签状态数据和无标签状态数据；
数据差异调整模块204，用于基于域对抗网络对退化状态数据集的特征分布进行差异调整，得到优化特征数据；
组件寿命预测模块205，用于采用预置LSTM预测模型根据优化特征数据进行组件寿命预测，得到寿命预测曲线。
进一步地，还包括：
数据获取模块206，用于获取目标旋转多组件系统的原始退化数据；
数据标注模块207，用于根据预置规则对原始退化数据中的预设比例数据进行标注，得到有寿命标签数据；
数据构建模块208，用于基于原始退化数据中未标注的数据和有寿命标签数据构建预置组件退化数据。
进一步地，时序特征提取模块202，具体用于：
基于预置时序注意力网络中的空间卷积层对初始退化特征数据进行卷积计算，得到多段空间特征数据；
基于预设时序权重根据空间特征数据进行加权平均计算，得到多段通道退化特征数据；
将通道退化特征数据按照时序拼接，得到时序退化特征数据。
进一步地，数据差异调整模块204，具体用于：
通过域对抗网络中的高斯混合模型分类器将退化状态数据集中的无标签状态数据进行标注分类处理，得到拟定分类状态数据；
将拟定分类状态数据和退化状态数据集中的有标签状态数据输入域对抗网络中的域对抗器中进行数据对齐操作，得到优化特征数据。
本申请还提供了一种旋转多组件系统的寿命预测装设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行上述方法实施例中的旋转多组件系统的寿命预测装方法。
本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述方法实施例中的旋转多组件系统的寿命预测装方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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，包括若干指令用以通过一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文全称：Read-OnlyMemory，英文缩写：ROM）、随机存取存储器（英文全称：Random Access Memory，英文缩写：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，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种旋转多组件系统的寿命预测方法，其特征在于，包括：
基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，所述预置组件退化数据包括有寿命标签数据和无寿命标签数据；
基于预置时序注意力网络根据所述初始退化特征数据提取时序退化特征数据，所述预置时序注意力网络包括预设时序权重；
利用预设退化状态分类器对所述时序退化特征数据进行退化状态分类操作，得到退化状态数据集，所述退化状态数据集包括有标签状态数据和无标签状态数据；
基于域对抗网络对所述退化状态数据集的特征分布进行差异调整，得到优化特征数据；
采用预置LSTM预测模型根据所述优化特征数据进行组件寿命预测，得到寿命预测曲线。
2.根据权利要求1所述的旋转多组件系统的寿命预测方法，其特征在于，所述基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，之前还包括：
获取目标旋转多组件系统的原始退化数据；
根据预置规则对所述原始退化数据中的预设比例数据进行标注，得到有寿命标签数据；
基于所述原始退化数据中未标注的数据和所述有寿命标签数据构建预置组件退化数据。
3.根据权利要求1所述的旋转多组件系统的寿命预测方法，其特征在于，所述基于预置时序注意力网络根据所述初始退化特征数据提取时序退化特征数据，所述预置时序注意力网络包括预设时序权重，包括：
基于预置时序注意力网络中的空间卷积层对所述初始退化特征数据进行卷积计算，得到多段空间特征数据；
基于预设时序权重根据所述空间特征数据进行加权平均计算，得到多段通道退化特征数据；
将所述通道退化特征数据按照时序拼接，得到时序退化特征数据。
4.根据权利要求1所述的旋转多组件系统的寿命预测方法，其特征在于，所述基于域对抗网络对所述退化状态数据集的特征分布进行差异调整，得到优化特征数据，包括：
通过域对抗网络中的高斯混合模型分类器将所述退化状态数据集中的无标签状态数据进行标注分类处理，得到拟定分类状态数据；
将所述拟定分类状态数据和所述退化状态数据集中的有标签状态数据输入所述域对抗网络中的域对抗器中进行数据对齐操作，得到优化特征数据。
5.一种旋转多组件系统的寿命预测装置，其特征在于，包括：
通道特征提取模块，用于基于预置通道注意力网络根据预置组件退化数据提取多个初始退化特征数据，所述预置组件退化数据包括有寿命标签数据和无寿命标签数据；
时序特征提取模块，用于基于预置时序注意力网络根据所述初始退化特征数据提取时序退化特征数据，所述预置时序注意力网络包括预设时序权重；
退化状态分类模块，用于利用预设退化状态分类器对所述时序退化特征数据进行退化状态分类操作，得到退化状态数据集，所述退化状态数据集包括有标签状态数据和无标签状态数据；
数据差异调整模块，用于基于域对抗网络对所述退化状态数据集的特征分布进行差异调整，得到优化特征数据；
组件寿命预测模块，用于采用预置LSTM预测模型根据所述优化特征数据进行组件寿命预测，得到寿命预测曲线。
6.根据权利要求5所述的旋转多组件系统的寿命预测装置，其特征在于，还包括：
数据获取模块，用于获取目标旋转多组件系统的原始退化数据；
数据标注模块，用于根据预置规则对所述原始退化数据中的预设比例数据进行标注，得到有寿命标签数据；
数据构建模块，用于基于所述原始退化数据中未标注的数据和所述有寿命标签数据构建预置组件退化数据。
7.根据权利要求5所述的旋转多组件系统的寿命预测装置，其特征在于，所述时序特征提取模块，具体用于：
基于预置时序注意力网络中的空间卷积层对所述初始退化特征数据进行卷积计算，得到多段空间特征数据；
基于预设时序权重根据所述空间特征数据进行加权平均计算，得到多段通道退化特征数据；
将所述通道退化特征数据按照时序拼接，得到时序退化特征数据。
8.根据权利要求5所述的旋转多组件系统的寿命预测装置，其特征在于，所述数据差异调整模块，具体用于：
通过域对抗网络中的高斯混合模型分类器将所述退化状态数据集中的无标签状态数据进行标注分类处理，得到拟定分类状态数据；
将所述拟定分类状态数据和所述退化状态数据集中的有标签状态数据输入所述域对抗网络中的域对抗器中进行数据对齐操作，得到优化特征数据。
9.一种旋转多组件系统的寿命预测装设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的旋转多组件系统的寿命预测方法。
10.一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用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的旋转多组件系统的寿命预测方法。
CN202211299117.5A 2022-10-23 2022-10-24 一种旋转多组件系统的寿命预测方法及相关装置 Active CN115374711B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211299117.5A CN115374711B (zh) 2022-10-24 2022-10-24 一种旋转多组件系统的寿命预测方法及相关装置
US18/323,492 US20240135204A1 (en) 2022-10-23 2023-05-24 Life prediction method of rotary multi-component system and related apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211299117.5A CN115374711B (zh) 2022-10-24 2022-10-24 一种旋转多组件系统的寿命预测方法及相关装置

Publications (2)

Publication Number Publication Date
CN115374711A CN115374711A (zh) 2022-11-22
CN115374711B true CN115374711B (zh) 2022-12-27

Family

ID=84073724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211299117.5A Active CN115374711B (zh) 2022-10-23 2022-10-24 一种旋转多组件系统的寿命预测方法及相关装置

Country Status (2)

Country Link
US (1) US20240135204A1 (zh)
CN (1) CN115374711B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577245B (zh) * 2022-12-05 2023-05-16 广东工业大学 一种旋转组件rul预测的数据分布平衡方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027719A (zh) * 2019-11-14 2020-04-17 东华大学 多组件系统状态机会维护优化方法
CN113987834A (zh) * 2021-11-15 2022-01-28 华东交通大学 一种基于can-lstm的铁路列车轴承剩余寿命预测方法
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
CN114861739A (zh) * 2022-07-06 2022-08-05 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
CN114880925A (zh) * 2022-04-16 2022-08-09 天津工业大学 基于时间卷积网络和多层自注意力的装备寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027719A (zh) * 2019-11-14 2020-04-17 东华大学 多组件系统状态机会维护优化方法
CN113987834A (zh) * 2021-11-15 2022-01-28 华东交通大学 一种基于can-lstm的铁路列车轴承剩余寿命预测方法
CN114880925A (zh) * 2022-04-16 2022-08-09 天津工业大学 基于时间卷积网络和多层自注意力的装备寿命预测方法
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
CN114861739A (zh) * 2022-07-06 2022-08-05 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Remaining useful life prediction of bearing based on autoencoder-LSTM";Chengwang Guo 等;《 International Conference on Mechanical Engineering, Measurement Control, and Instrumentation (MEMCI 2021)》;20211014;1-7 *
"基于深度置信网络的轴承剩余使用寿命预测";冯兆熙;《电子测量与仪器学报》;20211031;第35卷(第10期);124-129 *

Also Published As

Publication number Publication date
CN115374711A (zh) 2022-11-22
US20240135204A1 (en) 2024-04-25

Similar Documents

Publication Publication Date Title
CN108717408B (zh) 一种敏感词实时监控方法、电子设备、存储介质及系统
CN111881983B (zh) 基于分类模型的数据处理方法、装置、电子设备及介质
CN111475622A (zh) 一种文本分类方法、装置、终端及存储介质
CN115374711B (zh) 一种旋转多组件系统的寿命预测方法及相关装置
CN117041017B (zh) 数据中心的智能运维管理方法及系统
CN116071077B (zh) 一种违规账户的风险评估与识别方法及装置
CN113962160A (zh) 基于用户画像的互联网卡用户流失预测方法及系统
CN114638633A (zh) 异常流量检测的方法和装置、电子设备和存储介质
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN114399321A (zh) 一种业务系统稳定性分析方法、装置和设备
CN110310012B (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN112328469B (zh) 一种基于嵌入技术的函数级缺陷定位方法
KR102307132B1 (ko) 플랜트 엔지니어링 업무 단계별 의사결정 지원을 위한 머신러닝 자동화 플랫폼 장치
CN112685374A (zh) 日志分类方法、装置及电子设备
CN113688232B (zh) 招标文本分类方法、装置、存储介质及终端
CN113806538B (zh) 标签提取模型训练方法、装置、设备与存储介质
US20170330055A1 (en) Sequential data analysis apparatus and program
CN111400606B (zh) 一种基于全局和局部信息抽取的多标签分类方法
CN115017894A (zh) 一种舆情风险识别方法及装置
KR102405799B1 (ko) 사이버 공간에서 실시간 공격 탐지를 위한 시간에 따른 지속적인 적응형 학습을 제공하는 방법 및 시스템
CN113837836A (zh) 模型推荐方法、装置、设备及存储介质
CN112732874A (zh) 一种用户标识打通模型的训练方法及装置
CN113297378A (zh) 文本数据标注方法及系统、电子设备及存储介质
AU2021104505A4 (en) A water accessibility prediction modeling method based on machine learning
CN118093969B (zh) 基于数字孪生的高速公路资产数据可视化方法及系统

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: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060

Patentee after: GUANGDONG University OF TECHNOLOGY

Patentee after: Yizhimi Co.,Ltd.

Address before: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060

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