CN117010442A - 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 - Google Patents
设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN117010442A CN117010442A CN202310998159.6A CN202310998159A CN117010442A CN 117010442 A CN117010442 A CN 117010442A CN 202310998159 A CN202310998159 A CN 202310998159A CN 117010442 A CN117010442 A CN 117010442A
- Authority
- CN
- China
- Prior art keywords
- equipment
- degradation
- characteristic values
- residual life
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000006731 degradation reaction Methods 0.000 claims abstract description 138
- 230000015556 catabolic process Effects 0.000 claims abstract description 128
- 230000006870 function Effects 0.000 claims abstract description 85
- 230000005653 Brownian motion process Effects 0.000 claims abstract description 72
- 230000036541 health Effects 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000009792 diffusion process Methods 0.000 claims abstract description 28
- 238000000513 principal component analysis Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 238000005537 brownian motion Methods 0.000 claims description 4
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
- G06N3/044—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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统,属于基于神经网络学习的设备寿命预测技术领域,基于设备原始退化数据集,进行特征值提取;计算Spearman相关系数作为特征值筛选的标准,选取相关性较大的若干特征值进行综合;基于主成分分析,对筛选出的若干特征值进行降维,构建设备健康指数;基于GRU神经网络,替换传统维纳过程中的退化函数,自适应学习设备的退化趋势;利用极大似然估计法,计算维纳过程中的扩散系数;构建设备剩余使用寿命的概率密度函数,该函数的数学期望值即为对设备剩余使用寿命的预测。对于复杂机电设备,能够根据退化数据实现对设备的剩余使用寿命预测,避免不必要的维修活动,提高设备的可靠性。
Description
技术领域
本发明涉及基于神经网络学习的设备寿命预测技术领域,具体涉及一种基于GRU维纳过程优化的设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统。
背景技术
复杂机械设备的支撑部件,尤其是易损零件,其健康状况直接关系到机组设备能否可靠稳定运行。任何关键部位一旦发生故障,都需要耗费大量的时间和成本进行检修,甚至产生严重的事故。近年来,状态修(Condition-based Maintenance,CBM)作为一种预测性维修,由于其节约成本、降低风险提高效率和提高维修资源利用率的特点发展十分迅速,而剩余使用寿命(Remaining Useful Life,RUL)预测作为状态修的一项关键技术,在最近几年受到越来越多的关注和研究,它可以避免不必要的维修活动,提高系统的可靠性。因此,对滚动轴承进行状态退化评估与剩余寿命预测对提高整个机械系统的运行可靠性和降低维护成本都具有十分重要的意义。
维纳过程作为一种使用随机过程来描述退化过程随机性的方法,更能准确描述设备退化过程中的不确定性。在所有随机方法中,维纳过程是一种常用且高效的方法。而GRU神经网络是一种简化但改进的LSTM结构网络,它将门的数量从LSTM的4个减少到了2个,且GRU的参数较少,可以提高网络计算效率。因此,将两者结合运用在复杂设备剩余使用寿命RUL预测方面具有非常重要的意义。
发明内容
本发明的目的在于提供一种基于GRU维纳过程优化的设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种设备剩余寿命预测模型训练方法,包括:
获取原始退化数据集,进行特征值提取、引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数。
将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
进一步的,基于设备的原始退化数据集和特征值的计算公式,计算得到设备的全部特征值;利用Spearman相关系数,比较所有特征值与时间之间的相关性,在全部特征值中筛选出相关性较大的多个特征值;利用主成分分析PCA对筛选出的特征值进行降维处理,得到主成分,并选取第一主成分作为设备的健康指数。
进一步的,基于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,概率密度函数的数学期望即为该时刻设备的剩余使用寿命:
式中,X(tk)表示tk时刻观察到的退化值;t表示X(t)的首次达故障阈值的时间;lk表示tk时刻的剩余使用寿命;表示剩余使用寿命在tk时刻的概率密度函数;σB表示扩散系数;w表示预定义的设备失效阈值。
进一步的,GRU神经网络输出的退化趋势预测图中横坐标为时间,纵坐标为该时刻的退化函数值,将其代入维纳过程中替换原退化函数:
X(t)=X(0)+f(t)+σBB(t);
式中,X(t)表示t时刻退化过程的值;X(0)表示X(t)的初始值;f(t)表示GRU神经网络,即优化后WP模型的退化函数;σB表示扩散系数,用于描述随机波动的程度;B(t)表示标准布朗运动,用于描述降解过程中的随机波动;
设备的寿命为:T=inf{t:X(t)≥w|X(0)<w};T表示设备的寿命;w表示设备失效阈值;
设备的剩余使用寿命为:Lk=inf{lk:X(lk+tk)≥w|X0:k}
利用极大似然估计法对维纳过程中的扩散系数进行计算:
其中,ΔXt表示样本增量集;ΔFt表示退化函数增量集;n表示样本数量。
第二方面,本发明提供一种设备剩余寿命预测模型训练系统,包括:
获取模块,用于获取原始退化数据集,进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
训练模块,用于将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
第三方面,本发明提供一种设备剩余寿命预测方法,包括:
获取原始退化数据集;进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型利用如上所述的训练方法训练得到。
第四方面,本发明提供一种设备剩余寿命预测系统,包括:
获取模块,用于获取原始退化数据集;进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
预测模块,用于将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型利用如上所述的训练方法训练得到。
第五方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的设备剩余寿命预测方法。
第六方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的设备剩余寿命预测方法。
第七方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的设备剩余寿命预测方法的指令。
本发明有益效果:基于GRU神经网络,替换传统维纳过程中的退化函数,自适应学习设备的退化趋势,利用极大似然估计法,计算维纳过程中的扩散系数,对维纳过程进行优化;能够根据退化数据实现对设备的剩余使用寿命的准确预测,避免不必要的维修活动,提高设备的可靠性。
本发明附加方面的优点,将在下述的描述部分中更加明显的给出,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于GRU维纳过程优化的设备剩余寿命预测方法流程图。
图2为本发明实施例所述的健康指数构建流程图。
图3为本发明实施例所述的主成分分析PCA流程图。
图4为本发明实施例所述的轴承时域特征图。
图5为本发明实施例所述的轴承频域特征图。
图6为本发明实施例所述的轴承第一主成分与失效阈值确定图。
图7为本发明实施例所述的轴承第一主成分与特征值对比图。
图8为本发明实施例所述的GRU预测的轴承退化趋势图。
图9为本发明实施例所述的轴承剩余使用寿命RUL的概率密度函数图。
图10为本发明实施例所述的轴承剩余使用寿命RUL图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1中,首先提供了一种设备剩余寿命预测模型训练系统,包括:获取模块,用于获取原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数;训练模块,用于将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
本实施例中,利用上述的系统实现了设备剩余寿命预测模型训练方法,得到一种设备剩余寿命预测模型,该训练方法包括:获取原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数;将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
其中,基于设备的原始退化数据集和特征值的计算公式,计算得到设备的全部特征值;利用Spearman相关系数,比较所有特征值与时间之间的相关性,在全部特征值中筛选出相关性较大的多个特征值;利用主成分分析PCA对筛选出的特征值进行降维处理,得到主成分,并选取第一主成分作为设备的健康指数。
基于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,概率密度函数的数学期望即为该时刻设备的剩余使用寿命:
式中,X(tk)表示tk时刻观察到的退化值;t表示X(t)的首次达故障阈值的时间;lk表示tk时刻的剩余使用寿命;表示剩余使用寿命在tk时刻的概率密度函数;σB表示扩散系数;w表示预定义的设备失效阈值。
GRU神经网络输出的退化趋势预测图中横坐标为时间,纵坐标为该时刻的退化函数值,将其代入维纳过程中替换原退化函数:
X(t)=X(0)+f(t)+σBB(t);
式中,X(t)表示t时刻退化过程的值;X(0)表示X(t)的初始值;f(t)表示GRU神经网络,即优化后WP模型的退化函数;σB表示扩散系数,用于描述随机波动的程度;B(t)表示标准布朗运动,用于描述降解过程中的随机波动;
设备的寿命为:T=inf{t:X(t)≥w|X0)<w};T表示设备的寿命;w表示设备失效阈值;
设备的剩余使用寿命为:Lk=inf{lk:X(lk+tk)≥w|X0:k}
利用极大似然估计法对维纳过程中的扩散系数进行计算:
其中,ΔXt表示样本增量集;ΔFt表示退化函数增量集;n表示样本数量。
实施例2
本实施例2中,提供一种设备剩余寿命预测系统,包括:获取模块,用于获取原始退化数据集;进行特征值提取、筛选和降维,构建设备健康指数;预测模块,用于将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命。
本实施例2中,利用上述的设备剩余寿命预测系统,实现了设备剩余寿命预测方法,包括:获取原始退化数据集;进行特征值提取、筛选和降维,构建设备健康指数;将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命。
本实施例2中,所述的设备剩余寿命预测模型利用一种基于GRU维纳过程优化的模型训练方法训练得到。该训练方法能够自适应学习不同的退化趋势,避免因退化函数选取错误而导致预测精度不足,该方法包括下述步骤:
步骤一、基于设备获取到的原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数。具体步骤包括:基于设备的原始退化数据集和特征值的计算公式,计算得到设备的全部特征值。利用Spearman相关系数,筛选出相关性最大的若干特征值。利用主成分分析PCA对筛选出的特征值进行降维处理,得到主成分,并选取第一主成分作为设备的健康指数。
步骤二、构建通用的GRU-PCA-WP剩余使用寿命预测模型,包括:将GRU神经网络预测的退化趋势作为维纳过程中的退化函数。利用极大似然估计法对维纳过程中的扩散系数进行计算。基于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,该函数的数学期望即为该时刻设备的剩余使用寿命。
其中,复杂机电设备的特征值一般包括时域和频域特征。基于原始退化数据集,结合时域、频域计算公式,计算得到设备的全部特征值。利用Spearman相关系数的计算,比较所有特征值与时间之间的相关性,筛选出相关性最大的若干特征值。利用主成分分析PCA对筛选出的特征值进行降维处理,通过计算主成分贡献率和累计贡献率得到主成分,并选取第一主成分作为设备的健康指数。
将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中进行学习和训练。GRU神经网络输出的退化趋势预测图中横坐标为时间,纵坐标为该时刻的退化函数值,将其代入维纳过程中替换原退化函数。利用极大似然估计法对维纳过程中的扩散系数进行计算。对于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,构建GRU-PCA-WP剩余使用寿命预测模型,概率密度函数的数学期望即为该时刻设备的剩余使用寿命。
实施例3
如图1、图2、图3所示,本实施例3提供了一种基于GRU维纳过程优化的机电设备剩余寿命预测方法,该方法考虑了设备特征值的多维性,基于Spearman相关系数和主成分分析PCA构建设备健康指数,图3描述了构建健康指数的流程,基于设备的数据统计,估计设备失效阈值,提出将GRU神经网络替换传统维纳过程中的退化函数,利用极大似然估计计算维纳过程中的扩散系数,最终构建了一种通用的GRU-PCA-WP剩余使用寿命RUL预测模型。
本实施例中,可通用的GRU-PCA-WP剩余使用寿命RUL预测模型的构建方法,包括以下步骤:
步骤一、基于设备获取到的原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数。
1.1、基于设备获取到的原始退化数据集,进行特征值提取。复杂机电设备的特征值一般包括时域和频域特征。基于原始退化数据集,结合时域、频域计算公式,计算得到设备的全部特征值。
1.2、利用Spearman相关系数的计算,比较所有特征值与时间之间的相关性,筛选出相关性最大的若干特征值。
式中:
ρi——特征指标第i个监测序列与时间序列{Tk}的相关系数;
{Tk}k=1:K——基于时间{tk}k=1:K的序列;
——第i个特征指标的序列
K——时间序列的长度;
——时间序列{Tk}的均值;
——特征指标的均值;
1.3、利用主成分分析PCA对筛选出的特征值进行降维处理,通过计算主成分贡献率和累计贡献率得到主成分,并选取第一主成分作为设备的健康指数。
步骤二、构建通用的GRU-PCA-WP剩余使用寿命预测模型。
2.1、将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中进行学习和训练。
2.2、GRU神经网络输出的退化趋势预测图中横坐标为时间,纵坐标为该时刻的退化函数值,将其代入维纳过程中替换原退化函数。
X(t)=X(0)+f(t)+σBB(t)
式中:
X(t)——t时刻退化过程的值;
X(0)——X(t)的初始值;
f(t)——GRU神经网络,优化后WP模型的退化函数;
σB——扩散系数,用于描述随机波动的程度;
B(t)——标准布朗运动,用于描述降解过程中的随机波动;
设备的寿命为:
T=inf{t:X(t)≥w|X(0)<w}
式中:
T——设备的寿命;
w——失效阈值;
设备的剩余使用寿命为:
Lk=inf{lk:X(lk+tk)≥w|X0:k}
式中:
tk——tk时刻;
lk——tk时刻设备的剩余使用寿命;
Lk——设备的剩余使用寿命;
2.3、利用极大似然估计法对维纳过程中的扩散系数进行计算。
式中:
σB——扩散系数;
ΔXt——样本增量集;
ΔFt——退化函数增量集;
n——样本数量;
2.4、基于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,构建通用的GRU-PCA-WP剩余使用寿命预测模型,概率密度函数的数学期望即为该时刻设备的剩余使用寿命。
式中:
tk——tk时刻;
X(tk)——tk时刻观察到的退化值;
t——X(t)的首次达故障阈值的时间;
lk——tk时刻的剩余使用寿命;
——剩余使用寿命在tk时刻的概率密度函数;
σB——扩散系数;
w——预定义的故障阈值。
本实施例3中,基于设备的数据统计,估计设备失效阈值,包括:统计多个设备的数据集数据,分别计算各数据集的时域、频域特征值,通过Spearman相关系数的筛选和主成分分析降维后得到各数据集的第一主成分值,并将其绘制为折线图,根据折线图变化趋势,找出变化最大的点设为设备失效点,画一条横线覆盖该失效点前所有第一主成分值,如图6中虚线所示,该横线对应的第一主成分值即为估计的失效阈值。
实施例4
如图4至图10所示,本实施例4中,以机电设备中的公开轴承数据集为典型案例,构建了轴承的GRU-PCA-WP剩余使用寿命预测模型。计算表明基于GRU神经网络优化维纳过程的剩余寿命预测方法可行、有效。
根据实施例3中所述的模型训练构建过程,以机电设备中的轴承为例,利用实际轴承退化数据对轴承的剩余寿命预测的具体实施方式进行介绍如下:
步骤1:构建轴承健康指数,利用bearing 3.3数据集计算轴承的时域、频域特征值,由一组退化数据计算得到的时域特征如图4所示,得到的频域特征如图5所示。
轴承时域特征值计算公式如表1所示:
表1轴承时域特征值计算公式
轴承频域特征值的计算为将时域信号经过傅里叶变换后得到的频域信号进行上述特征值的计算。傅立叶变化公式为:
式中,
sk——频域信号;
xn——时域信号;
N——时域信号的样本点数;
Nfft——频域信号的长度。
步骤2:利用Spearman相关系数计算得到轴承特征指标与时间的相关性如表2所示。其中,**表示在0.01级别(双尾),相关性显著。
表2 Spearman相关系数计算结果表
根据表2中的相关性计算,筛选出6个与时间相关性最强的特征指标,分别为方差、标准差、均方根、频率平均值、频率均方根和频率能量。
步骤3:基于主成分分析PCA对筛选出的6个特征值贡献率进行计算,得到第一主成分的计算公式,具体计算过程中得到的矩阵为:
样本相关系数矩阵为:
特征值为:
[5.90838416414 5.90838416414 0.09160923322 0.000006540200.00000005493 0.00000000751]
贡献率为:
[0.984730694 0.015268206 1.09E-06 9.15E-09 1.25E-09 -1.02E-18]
累计贡献率为:
[0.984730694023352 1 1 1 1 1]
与特征值对应的特征向量矩阵(保留4位小数)为:
最终的结果如下标3所示:
表3
得到第一主成分(健康指数)的计算公式为:
F1=0.4050X1+0.4098X2+0.4099X3+0.4099X4+0.4099X5+0.4050X6
式中:
F1——第一主成分(健康指数);
X——特征向量;
步骤4:统计多个轴承的原始退化数据集,计算第一主成分,如图7所示,对比第一主成分及其他特征值,发现第一主成分单调性较其他特征较好,故分析第一主成分的图像数据与趋势,估计失效阈值。
步骤5:将计算得到的健康指数作为轴承失效过程中的综合特征指标,输入到GRU神经网络中进行学习和训练,图8得到了GRU预测的轴承退化趋势图,将其作为维纳过程中的退化函数。
步骤6:根据构建的复杂机电设备剩余使用寿命RUL的概率密度函数,如图9所示绘制轴承RUL概率密度函数图,求出该函数的数学期望值,即为预测出的轴承的剩余使用寿命。
实施例5
本实施例5提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现基于GRU维纳过程优化的设备剩余寿命预测方法,该方法包括:
获取原始退化数据集;进行特征值提取、筛选和降维,构建设备健康指数;
将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型训练方法如下:
获取原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数;
将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
实施例6
本实施例6提供一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行时,用于实现如上所述的基于GRU维纳过程优化的设备剩余寿命预测方法,该方法包括:
获取原始退化数据集;进行特征值提取、筛选和降维,构建设备健康指数;
将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型训练方法如下:
获取原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数;
将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
实施例7
本实施例7提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的基于GRU维纳过程优化的设备剩余寿命预测方法的指令,该方法包括:
获取原始退化数据集;进行特征值提取、筛选和降维,构建设备健康指数;
将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型训练方法如下:
获取原始退化数据集,进行特征值提取、筛选和降维,构建设备健康指数;
将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
综上所述,本发明实施例所述的基于GRU维纳过程优化的设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统,用于设备状态修领域,解决在设备失效前进行不必要的维修问题,可以提高设备的可靠性,包括如下步骤:
(1)基于设备原始退化数据集,进行特征值提取;(2)计算Spearman相关系数作为特征值筛选的标准,选取相关性较大的若干特征值进行综合;(3)基于主成分分析(PCA),对筛选出的若干特征值进行降维,构建设备健康指数;(4)基于设备的数据统计,对设备失效阈值进行估计;(5)基于GRU神经网络,替换传统维纳过程中的退化函数,自适应学习设备的退化趋势;(6)利用极大似然估计法,计算维纳过程中的扩散系数;(7)构建设备剩余使用寿命(RUL)的概率密度函数,该函数的数学期望值即为对设备剩余使用寿命的预测。对于复杂设备,本发明所述的方法能够根据退化数据实现对设备的剩余使用寿命预测,避免不必要的维修活动,提高设备的可靠性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种设备剩余寿命预测模型训练方法,其特征在于,包括:
获取原始退化数据集,进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
2.根据权利要求1所述的设备剩余寿命预测模型训练方法,其特征在于,基于设备的原始退化数据集和特征值的计算公式,计算得到设备的全部特征值;利用Spearman相关系数,比较所有特征值与时间之间的相关性,在全部特征值中筛选出相关性较大的多个特征值;利用主成分分析PCA对筛选出的特征值进行降维处理,得到主成分,并选取第一主成分作为设备的健康指数。
3.根据权利要求1所述的设备剩余寿命预测模型训练方法,其特征在于,基于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,该函数的数学期望即为该时刻设备的剩余使用寿命。
4.根据权利要求1所述的设备剩余寿命预测模型训练方法,其特征在于,基于优化后的维纳过程,构建设备剩余使用寿命RUL的概率密度函数,概率密度函数的数学期望即为该时刻设备的剩余使用寿命:
式中,X(tk)表示tk时刻观察到的退化值;t表示X(t)的首次达故障阈值的时间;lk表示tk时刻的剩余使用寿命;表示剩余使用寿命在tk时刻的概率密度函数;σB表示扩散系数;w表示预定义的设备失效阈值。
5.根据权利要求4所述的设备剩余寿命预测模型训练方法,其特征在于,GRU神经网络输出的退化趋势预测图中横坐标为时间,纵坐标为该时刻的退化函数值,将其代入维纳过程中替换原退化函数:
X(t)=X(0)+f(t)+σBB(t);
式中,X(t)表示t时刻退化过程的值;X(0)表示X(t)的初始值;f(t)表示GRU神经网络,即优化后WP模型的退化函数;σB表示扩散系数,用于描述随机波动的程度;B(t)表示标准布朗运动,用于描述降解过程中的随机波动;
设备的寿命为:T=inf{t:X(t)≥w|X(0)<w};T表示设备的寿命;w表示设备失效阈值;
设备的剩余使用寿命为:Lk=inf{lk:X(lk+tk)≥w|X0:k}
利用极大似然估计法对维纳过程中的扩散系数进行计算:
其中,ΔXt表示样本增量集;ΔFt表示退化函数增量集;n表示样本数量。
6.一种设备剩余寿命预测模型训练系统,其特征在于,包括:
获取模块,用于获取原始退化数据集,进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
训练模块,用于将计算得到的健康指数作为设备失效的综合特征指标,输入到GRU神经网络中,以退化趋势预测图为输出,其中,退化趋势预测图中横坐标为时间,纵坐标为退化函数值,将所述时间和所述退化函数值代入维纳过程中替换原退化函数,利用极大似然估计法计算维纳过程中的扩散系数,优化维纳过程,对GRU神经网络进行训练,得到训练好的的设备剩余寿命预测模型。
7.一种设备剩余寿命预测方法,其特征在于,包括:
获取原始退化数据集;进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型利用如权利要求1-5任一项所述的训练方法训练得到。
8.一种设备剩余寿命预测系统,其特征在于,包括:
获取模块,用于获取原始退化数据集;进行特征值提取,引入Spearman相关系数和主成分分析对性能指标进行筛选和降维,将多维的性能指标融合成一个综合的特征指标,并把此单一的特征指标定义为健康指数;
预测模块,用于将计算得到的健康指数输入到训练好的的设备剩余寿命预测模型中,计算得到设备剩余寿命;其中,所述设备剩余寿命预测模型利用如权利要求1-5任一项所述的训练方法训练得到。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求7所述的设备剩余寿命预测方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求7所述的设备剩余寿命预测方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310998159.6A CN117010442A (zh) | 2023-08-09 | 2023-08-09 | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310998159.6A CN117010442A (zh) | 2023-08-09 | 2023-08-09 | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010442A true CN117010442A (zh) | 2023-11-07 |
Family
ID=88574161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310998159.6A Pending CN117010442A (zh) | 2023-08-09 | 2023-08-09 | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010442A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829002A (zh) * | 2024-03-05 | 2024-04-05 | 深圳市明谋科技有限公司 | 电力线缆的老化诊断监测方法及系统 |
-
2023
- 2023-08-09 CN CN202310998159.6A patent/CN117010442A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829002A (zh) * | 2024-03-05 | 2024-04-05 | 深圳市明谋科技有限公司 | 电力线缆的老化诊断监测方法及系统 |
CN117829002B (zh) * | 2024-03-05 | 2024-05-14 | 深圳市明谋科技有限公司 | 电力线缆的老化诊断监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017008451A1 (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN114861349B (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
CN111159846A (zh) | 基于分数levy稳定运动的滚动轴承剩余有效寿命预测方法 | |
CN111064617A (zh) | 基于经验模态分解聚类的网络流量预测方法及装置 | |
CN117235096A (zh) | Kpi数据的时序异常检测方法、装置、设备及介质 | |
US20230161653A1 (en) | Method of managing system health | |
CN116541778A (zh) | 一种基于物联网的设备数据处理和缓存方法 | |
Xu et al. | Motor fault diagnosis method based on deep learning | |
CN115898927A (zh) | 一种基于机器学习的聚变装置分子泵故障诊断与预测方法 | |
CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
CN111859773B (zh) | 基于正则化粒子滤波的电动闸阀故障确定方法及系统 | |
Huang et al. | An Accurate Prediction Algorithm of RUL for Bearings: Time‐Frequency Analysis Based on MRCNN | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
CN118423907B (zh) | 一种加热制冷循环器的智能化监控报警系统及方法 | |
CN113516299B (zh) | 一种船舶故障状态预测方法及系统 | |
CN116680554B (zh) | 一种基于概率化元学习模型的旋转机械寿命预测方法 |
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 |