CN115392113A - 一种跨工况条件复杂机电系统剩余寿命预测系统及方法 - Google Patents

一种跨工况条件复杂机电系统剩余寿命预测系统及方法 Download PDF

Info

Publication number
CN115392113A
CN115392113A CN202210927723.0A CN202210927723A CN115392113A CN 115392113 A CN115392113 A CN 115392113A CN 202210927723 A CN202210927723 A CN 202210927723A CN 115392113 A CN115392113 A CN 115392113A
Authority
CN
China
Prior art keywords
data
working
condition
module
electromechanical system
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
CN202210927723.0A
Other languages
English (en)
Inventor
李操
韩晓萱
张庆振
崔朗福
向刚
齐海涛
程林
邵灵星
王津申
张祥银
毕晔
李雪飞
张惠平
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.)
Beijing Jiutian Aoxiang Technology Co ltd
Original Assignee
Beijing Jiutian Aoxiang Technology 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 Beijing Jiutian Aoxiang Technology Co ltd filed Critical Beijing Jiutian Aoxiang Technology Co ltd
Priority to CN202210927723.0A priority Critical patent/CN115392113A/zh
Publication of CN115392113A publication Critical patent/CN115392113A/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]
    • G06F30/20—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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)

Abstract

本发明公开了一种跨工况条件复杂机电系统剩余寿命预测系统及方法，系统包括多工况数据管理模块、数据处理模块、预训练模块和迁移预测模块，通过多工况数据管理模块采集来自复杂机电系统的多工况监测数据，并将其保存；通过数据处理模块对多工况数据管理模块中所保存的数据进行数据标准化和数据降维，生成源域数据和目标域数据；通过预训练模块将源域数据进行预训练并生成离线模型；通过迁移预测模块，输入目标域数据，并结合预训练模块产生的离线模型，利用在线迁移学习算法生成在线迁移模型，最终实现剩余寿命的预测。本发明能实现跨工况条件下的模型收敛速度和预测准确性。

Description

一种跨工况条件复杂机电系统剩余寿命预测系统及方法
技术领域
本发明涉及复杂机电系统健康管理技术领域，尤其涉及一种跨工况条件复杂机电系统剩余寿命预测系统及方法。
背景技术
随着制造业不断发展，越来越多机电产品被投入到生产应用中，并日益复杂化、系统化。在许多关键行业，复杂机电系统扮演着举足轻重的角色，其可靠性是完成任务的重要保障。复杂机电系统具有零部件数量多、结构复杂、工作条件多变的特点，在长年运行过程中，部分零部件会由于环境等因素作用，从正常运转状态趋向疲劳失效，影响整个系统运行。
也就是说，由于疲劳失效现象存在，复杂机电系统往往存在生命周期，其性能总体呈衰退趋势。因此，事先预测其剩余寿命，可提前进行人为干预，采取更换零部件或报废等手段，防止因系统突然故障而导致的损失。
目前，机器学习技术发展迅速，应用机器学习算法进行寿命预测的研究有很多。这种方法不依赖专家知识和系统数学模型与机理，不需要建立显性的数学方程，而是通过监测数据，将预测过程看作一个黑箱问题。
传统的机器学习方法依赖大量同分布数据。然而，复杂机电系统工作环境复杂，多运行在多种工况条件下，不同工况产生的数据量不同，某些特定工况往往因数据不足而无法预测。而由于复杂机电系统本身结构机理不变，多种工况下的知识应有一定互通性。因此，采取一定方法，将样本量较多的工况知识，迁移至小样本工况中进行跨工况迁移预测十分重要。
发明内容
本发明目的是提供了一种跨工况条件复杂机电系统剩余寿命预测系统及方法，以解决上述问题。
本发明解决技术问题采用如下技术方案：
一种跨工况条件复杂机电系统剩余寿命预测系统，包括：多工况数据管理模块、数据处理模块、预训练模块和迁移预测模块，其中：
通过所述多工况数据管理模块采集来自复杂机电系统的多工况监测数据，并将其保存；
通过所述数据处理模块对多工况数据管理模块中所保存的数据进行数据标准化和数据降维，生成源域数据和目标域数据；
通过所述预训练模块将源域数据进行预训练并生成离线模型；
通过所述迁移预测模块，输入目标域数据，并结合预训练模块产生的离线模型，利用在线迁移学习算法生成在线迁移模型，最终实现剩余寿命的预测。
进一步的，多工况数据管理模块中保存的数据分别来自两种不同工况A和B，工况A与工况B不同，在其中工作的复杂机电系统所产生的监测数据分布不同；工况A数据量大，工况B数据量小。
进一步的，通过数据字段反应工况，包括工作环境、设置参数以及运行载荷。
进一步的，所述数据处理模块包含数据标准化算法和数据降维算法，对多工况数据管理模块中的数据进行预处理，为所述预训练模块和迁移预测模块提供输入数据。
进一步的，工况A数据处理后形成源域数据，工况B数据处理后形成目标域数据。
进一步的，所述预训练模块利用机器学习方式，基于源域数据进行训练，生成离线模型并保存。
进一步的，所述迁移预测模块结合离线模型和目标域数据训练产生在线迁移学习模型，并完成复杂机电系统剩余寿命预测。
进一步的，产生在线迁移学习模型的方法为：初始化一个在线模型，将目标域数据输入在线模型与离线模型，以同样权重将两个模型的预测结果加权形成本轮预测结果，根据结果好坏调整在线模型参数和两个模型的权重，不断迭代此步骤至收敛。
一种跨工况条件复杂机电系统剩余寿命预测方法，包括如下步骤：
S1，复杂机电系统长时间运行在工况A下，产生大量数据，保存至多工况数据管理模块中，经过数据处理模块形成源域数据；
S2，源域数据经过预训练模块，训练生成离线模型；
S3，复杂机电系统在工况B下运行短时间内产生少量数据，保存至多工况数据管理模块中，经过数据处理模块形成目标域数据；
S4，目标域数据采用离线模型和在线模型加权结合的方式训练并预测出剩余寿命。
本发明的有益效果：
(1)可完成跨工况条件下的复杂机电系统寿命预测；
(2)可保存不同工况条件下的数据，并处理为源域数据和目标域数据；
(3)可通过模型预训练的方式储存源域知识；
(4)可通过在线迁移学习方式完成迁移预测；
(5)对于小样本问题的预测准确率更高；
(6)对于小样本问题的预测收敛速度更快。
附图说明
图1为本发明一种跨工况复杂机电系统剩余寿命预测系统的结构框图；
图2为本发明迁移预测模块所使用的在线迁移学习算法框图；
图3为本发明仿真验证结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
参考附图1，本发明公开了一种跨工况条件复杂机电系统剩余寿命预测系统，包括：多工况数据管理模块、数据处理模块、预训练模块和迁移预测模块，其中：
通过所述多工况数据管理模块采集来自复杂机电系统的多工况监测数据，并将其保存；
通过所述数据处理模块对多工况数据管理模块中所保存的数据进行数据标准化和数据降维，生成源域数据和目标域数据；
通过所述预训练模块将源域数据进行预训练并生成离线模型；
通过所述迁移预测模块，输入目标域数据，并结合预训练模块产生的离线模型，利用在线迁移学习算法生成在线迁移模型，最终实现剩余寿命的预测。
本实施例中，多工况数据管理模块中保存的数据分别来自两种不同工况A和B，工况A与工况B不同，在其中工作的复杂机电系统所产生的监测数据分布不同，监测数据包括大量工况A数据与少量工况B数据；工况A数据量大，工况B数据量小。工况指工作状况，体现在反应工况的数据字段上，包括工作环境、设置参数、运行载荷等。
本实施例中，所述数据处理模块包含数据标准化算法和数据降维算法，对多工况数据管理模块中的数据进行预处理，为所述预训练模块和迁移预测模块提供输入数据。工况A数据处理后形成源域数据，工况B数据处理后形成目标域数据。
其中，数据标准化采用min-max归一化，表达式为：
Figure BDA0003780363290000041
其中，x和x*为标准化前后数据；max和min分别为数据最大值和最小值。
数据降维采用基于方差的参数筛选方式，计算各数据字段的方差，将变化不明显的参数删除。
本实施例中，所述预训练模块利用机器学习方式，基于源域数据进行训练，生成离线模型并保存。其中，离线模型采用SVR模型。
本实施例中，所述迁移预测模块结合离线模型和目标域数据训练产生在线迁移学习模型，并完成复杂机电系统剩余寿命预测。
其中，产生在线迁移学习模型的方法为：初始化一个在线模型，将目标域数据输入在线模型与离线模型，以同样权重将两个模型的预测结果加权形成本轮预测结果，根据结果好坏调整在线模型参数和两个模型的权重，不断迭代此步骤至收敛。其中，在线模型采用SVR模型。
其中，在线迁移学习方法框架如图2所示。
目标域数据以数据流的形式逐个输入初始化的在线模型内，每输入一个目标域数据，离线、在线模型预测一次，对模型和权重调整一次，整个过程称为一轮预测。第t轮的预测结果由该轮离线模型和在线模型的结果
Figure BDA0003780363290000051
和
Figure BDA0003780363290000052
加权得出，如下：
Figure BDA0003780363290000053
其中，α1,t与α2,t分别为离线模型和在线模型的权重，初始值均设为0.5。
根据预测结果，对两个权重进行动态更新，规则如下：
Figure BDA0003780363290000054
Figure BDA0003780363290000055
其中，
Figure BDA0003780363290000056
Figure BDA0003780363290000057
和yt分别为第t轮预测的预测值和真实值。
更新权值后，更新在线模型参数，规则为：
Figure BDA0003780363290000058
其中，C是一个正参数，
Figure BDA0003780363290000059
其中，ξ为SVR模型参数，wt代表第t轮中SVR模型的权重向量矩阵，xt为第t轮输入参数。
实验验证结果如图3所示，三条曲线分别是离线预测、在线预测和迁移预测结果。迁移学习结果最为精确，且收敛速度较快。
本发明还提供了一种跨工况条件复杂机电系统剩余寿命预测方法，包括如下步骤：
S1，复杂机电系统长时间运行在工况A下，产生大量数据，保存至多工况数据管理模块中，经过数据处理模块形成源域数据；
S2，源域数据经过预训练模块，训练生成离线模型；
S3，复杂机电系统在工况B下运行较短时间产生少量数据，保存至多工况数据管理模块中，经过数据处理模块形成目标域数据，由于与源域数据分布不同，无法直接用离线模型进行预测；
S4，目标域数据采用离线模型和在线模型加权结合的方式训练并预测出剩余寿命。
本发明针对复杂机电系统多工况条件工作、特定工况下数据量较少的小样本问题，实现复杂机电系统的跨工况寿命预测。基于在线迁移学习算法，利用源自不同工况下的不同分布数据，通过同时建立离线模型和在线模型并调整权重的方法进行剩余寿命预测。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (9)

1.一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，包括：多工况数据管理模块、数据处理模块、预训练模块和迁移预测模块，其中：
通过所述多工况数据管理模块采集来自复杂机电系统的多工况监测数据，并将其保存；
通过所述数据处理模块对多工况数据管理模块中所保存的数据进行数据标准化和数据降维，生成源域数据和目标域数据；
通过所述预训练模块将源域数据进行预训练并生成离线模型；
通过所述迁移预测模块，输入目标域数据，并结合预训练模块产生的离线模型，利用在线迁移学习算法生成在线迁移模型，最终实现剩余寿命的预测。
2.根据权利要求1所述的一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，多工况数据管理模块中保存的数据分别来自两种不同工况A和B，在其中工作的复杂机电系统所产生的监测数据分布不同；工况A数据量大，工况B数据量小。
3.根据权利要求2所述的一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，通过数据字段反应工况，包括工作环境、设置参数以及运行载荷。
4.根据权利要求2所述的一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，所述数据处理模块包含数据标准化算法和数据降维算法，对多工况数据管理模块中的数据进行预处理，为所述预训练模块和迁移预测模块提供输入数据。
5.根据权利要求4所述的一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，工况A数据处理后形成源域数据，工况B数据处理后形成目标域数据。
6.根据权利要求5所述的一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，所述预训练模块利用机器学习方式，基于源域数据进行训练，生成离线模型并保存。
7.根据权利要求6所述一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，所述迁移预测模块结合离线模型和目标域数据训练产生在线迁移学习模型，并完成复杂机电系统剩余寿命预测。
8.根据权利要求7所述一种跨工况条件复杂机电系统剩余寿命预测系统，其特征在于，产生在线迁移学习模型的方法为：初始化一个在线模型，将目标域数据输入在线模型与离线模型，以同样权重将两个模型的预测结果加权形成本轮预测结果，根据结果好坏调整在线模型参数和两个模型的权重，不断迭代此步骤至收敛。
9.一种跨工况条件复杂机电系统剩余寿命预测方法，其特征在于，包括如下步骤：
S1，复杂机电系统长时间运行在工况A下，产生大量数据，保存至多工况数据管理模块中，经过数据处理模块形成源域数据；
S2，源域数据经过预训练模块，训练生成离线模型；
S3，复杂机电系统在工况B下运行短时间内产生少量数据，保存至多工况数据管理模块中，经过数据处理模块形成目标域数据；
S4，目标域数据采用离线模型和在线模型加权结合的方式训练并预测出剩余寿命。
CN202210927723.0A 2022-08-03 2022-08-03 一种跨工况条件复杂机电系统剩余寿命预测系统及方法 Pending CN115392113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210927723.0A CN115392113A (zh) 2022-08-03 2022-08-03 一种跨工况条件复杂机电系统剩余寿命预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210927723.0A CN115392113A (zh) 2022-08-03 2022-08-03 一种跨工况条件复杂机电系统剩余寿命预测系统及方法

Publications (1)

Publication Number Publication Date
CN115392113A true CN115392113A (zh) 2022-11-25

Family

ID=84119307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210927723.0A Pending CN115392113A (zh) 2022-08-03 2022-08-03 一种跨工况条件复杂机电系统剩余寿命预测系统及方法

Country Status (1)

Country Link
CN (1) CN115392113A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421596A (zh) * 2023-10-27 2024-01-19 上海采日能源科技有限公司 储能集装箱故障预警系统及储能系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117421596A (zh) * 2023-10-27 2024-01-19 上海采日能源科技有限公司 储能集装箱故障预警系统及储能系统

Similar Documents

Publication Publication Date Title
Karim et al. BHyPreC: a novel Bi-LSTM based hybrid recurrent neural network model to predict the CPU workload of cloud virtual machine
Pan et al. A comparison of neural network backpropagation algorithms for electricity load forecasting
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
Yao et al. Prediction and identification of discrete-time dynamic nonlinear systems based on adaptive echo state network
CN112270545A (zh) 基于迁移样本筛选的金融风险预测方法、装置和电子设备
Yu et al. An intelligent quick prediction algorithm with applications in industrial control and loading problems
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN112947300A (zh) 一种加工质量虚拟量测方法、系统、介质及设备
Han et al. An efficient optimization method for improving generalization performance of fuzzy neural networks
Li et al. Safety control modeling method based on Bayesian network transfer learning for the thickening process of gold hydrometallurgy
CN115392113A (zh) 一种跨工况条件复杂机电系统剩余寿命预测系统及方法
CN114962390A (zh) 液压系统故障诊断方法、系统及作业机械
CN112765894A (zh) 一种基于k-lstm的铝电解槽状态预测方法
US20230342626A1 (en) Model processing method and related apparatus
CN114124554B (zh) 一种虚拟网络服务链吞吐量预测方法
Wang et al. SignADAM++: Learning confidences for deep neural networks
CN114492007A (zh) 一种基于分层误差控制的因子效应在线识别方法和设备
Liu et al. Network traffic big data prediction model based on combinatorial learning
CN112114963A (zh) 服务器内存容量预测方法及装置
CN111950691A (zh) 一种基于潜在动作表示空间的强化学习策略学习方法
Shankar et al. Software Defect Prediction using ANN Algorithm
JP2021012600A (ja) 診断方法、学習方法、学習装置およびプログラム
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
Zou et al. Intelligent modeling using a novel feature extraction based multiple activation functions extreme learning machine

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