CN109272114A - 机械装备剩余使用寿命快速有效预测的深度学习方法 - Google Patents
机械装备剩余使用寿命快速有效预测的深度学习方法 Download PDFInfo
- Publication number
- CN109272114A CN109272114A CN201810896883.7A CN201810896883A CN109272114A CN 109272114 A CN109272114 A CN 109272114A CN 201810896883 A CN201810896883 A CN 201810896883A CN 109272114 A CN109272114 A CN 109272114A
- Authority
- CN
- China
- Prior art keywords
- remaining life
- life
- depth
- mechanized equipment
- 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.)
- Pending
Links
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
机械装备剩余使用寿命快速有效预测的深度学***均相对误差低于10%,否则重新设置上述参数进行网络模型训练,直至平均相对误差低于10%;再进行后处理。该预测方法利用多层自动编码器与深度门控递归神经网络组合工作,既克服了高维数据难建模、易过拟合的问题,又解决了对长时间序列难建模的问题,具有预测精度高、运行速度快等特点。
Description
技术领域
本发明涉及机械设备健康评估领域,具体为一种机械装备剩余使用寿命快速有效预测的深度学习方法。
背景技术
近十年来机械设备健康评估技术成为长寿命、高可靠机械设备运营管理的关键技术,健康评估具有可发现早期的***性能衰退,能给出设备的运行健康程度,可将现行的设备定期维护发展到视情维护,可大幅度降低运营管理费用等优点。对装备的剩余使用寿命进行预测是对设备运行健康程度的最直接评价,剩余使用寿命的预测精度与预测效率是该问题最大的难点。复杂装备由于其装备结构的复杂性,退化过程的非线性,退化路径的多样性,以及信号多源且含噪声等原因,其建模预测精度与模型运算效率难以保证。传统的维纳过程、伽马过程、卡尔曼滤波等方法善于解决以单变量的退化模型,无法胜任含有多源含噪数据的复杂装备剩余使用寿命预测。马尔科夫模型可以对时间序列进行建模,但是由于模型只能对退化过程离散化建模,并且模型复杂度随着状态空间的增大指数型增长,因此要得到高预测精度的马尔科夫模型就必须牺牲预测效率。
发明内容
针对现有技术中存在的问题,本发明提供一种机械装备剩余使用寿命快速有效预测的深度学习方法。该方法克服了对多维时间序列数据进行建模的难题,并且能够对退化过程连续化建模,具有预测精度高、运行速度快的特点,可实现复杂装备性能退化状态的有效评估。同时需要对原始数据进行退化隐含特征的提取,提高预测精度,减小数据的维度,有效防止了网络发生过拟合。
为达到以上目的,本发明采取如下技术方案予以实现:
一种机械装备剩余使用寿命快速有效预测的深度学习方法,包括以下步骤:
步骤1:首先,对机械装备的多维全寿命周期数据进行归一化处理与滤波降噪处理;
步骤2:构建多层自编码器网络,然后对经过步骤1处理后的数据进行非线性降维与性能非线性退化特征的提取,得到全寿命周期的性能非线性退化特征;
步骤3:对每个时刻的剩余使用寿命值进行缩放处理后,将步骤2得到的全寿命周期的性能非线性退化特征分解成固定长度为N的短序列数据,得到固定长度为N的短序列,每个短序列对应一个标签值,标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值;其中,N为整数;
步骤4:针对步骤3得到的长度为N的短序列数据对应地构建一个网络深度为N的递归神经网络,得到深度门控递归神经网络模型;
步骤5:根据步骤4构建的深度门控递归神经网络模型,设置网络深度N、学***均相对误差低于10%,否则返回步骤3重新设置网络深度N、学***均相对误差低于10%;
步骤6:对深度门控递归神经网络输出的剩余使用寿命结果进行后处理,得到剩余使用寿命预测值。
本发明进一步的改进在于,步骤1中具体过程为:对机械装备的每一维全寿命周期数据单独进行归一化处理与均值滤波处理,归一化处理采用0均值归一,按如下式子进行变换:
其中zi为归一化后的数据,xi为一维样本数据,μ为样本数据均值,σ为样本标准差。
均值滤波处理采用填充最近边界值法,具体过程按如下式子进行:
z'=z*h
其中z=[z1,z2,z3,…]为归一化后的数据,z'为滤波后的结果,*表示卷积运算,h为长度为k的一维卷积核,k为卷积核长度。
本发明进一步的改进在于,步骤2中,所述的多层自编码器网络由两层Encoder和两层Decoder组合而成。
本发明进一步的改进在于,步骤2中,第一层Encoder节点数为10,激活函数为Relu,第二层Encoder节点数为5,激活函数为sigmoid;第一层Decoder节点数为10,激活函数为Relu,第二层Decoder节点数为输入层节点数,激活函数为sigmoid。
本发明进一步的改进在于,步骤3中,对每个时刻的剩余使用寿命值进行缩放处理的具体过程为:将每个时刻的剩余使用寿命值除以全寿命周期数据的长度。
本发明进一步的改进在于,步骤4中,深度门控递归神经网络模型的输入门rt=σ(Wrht-1+Urxt),遗忘门zt=σ(Wzht-1+Uzxt),新记忆偏置项均设置为零,网络权值矩阵Wr,Wz,W,Ur,Uz,U参数采用-1到1的随机初始化;权值矩阵更新方法为小批量随机梯度下降。
本发明进一步的改进在于,步骤6中的后处理包括:均值滤波处理以及缩放处理。
本发明进一步的改进在于,缩放处理的具体过程为:将均值滤波处理后的数据乘以全寿命周期数据的长度。
本发明进一步的改进在于,机械装备为航空发动机。
本发明与现有技术相比,具有以下优点:
本发明由于采用了滤波降噪处理,减少了传感器随机测量误差带来的影响;由于采用多层自编码器,相比较于传统非线性降维方法,本方法同时能进行特征提与数据压缩;由于采用的深度门控递归神经网络,非常适合于对时间序列进行建模,同时由于存在三个门函数的原因,能够使网络具有长距离的记忆能力;由于采用了多对一的数据形式,一方面极大地增加了数据量,另一方面又巧妙地避开了变长序列的建模难题。该方法由多层自编码器作为特征提取层,深度门控递归神经网络作为预测实现层,既克服了高维数据难建模、易过拟合的问题,又解决了对长时间序列难建模的问题,具有有效的特征提取、预测精度高、运行速度快等特点,为研究机械设备健康评估中性能退化状态的获取提供一种可行的方法。该预测方法利用多层自动编码器与深度门控递归神经网络组合工作,既克服了高维数据难建模、易过拟合的问题,又解决了对长时间序列难建模的问题,具有有效的特征提取、预测精度高、运行速度快等特点。
附图说明
图1为机械装备剩余使用寿命快速有效预测的深度学习方法流程图;
图2为机械装备剩余使用寿命快速有效预测的深度学习方法网络结构图;
图3为基于本发明的航空发动机剩余使用寿命预测结果;其中,(a)为97#航空发动机,(b)为98#航空发动机,(c)为99#航空发动机,(d)为100#航空发动机。
图4为81#-100#航空发动机剩余使用寿命预测结果对比图。
具体实施方式
下面结合附图对本发明进行详细说明。
参见图1和图2,本发明的机械装备剩余使用寿命快速有效预测的深度学习方法,以机械装备的全寿命周期数据为样本集,剩余使用寿命预测方法由多层自编码器作为特征提取层,深度门控递归神经网络作为预测实现层;包括以下步骤:
步骤1:首先,对机械装备的多维全寿命周期数据(即多源含噪信号)进行归一化处理与滤波降噪处理;
步骤1中具体过程为:对机械装备的每一维全寿命周期数据单独进行归一化处理与均值滤波处理,归一化处理采用0均值归一,按如下式子进行变换:
其中zi为归一化后的数据,xi为一维样本数据,μ为样本数据均值,σ为样本标准差。
均值滤波处理采用填充最近边界值法,具体过程按如下式子进行:
z'=z*h
其中z=[z1,z2,z3,…]为归一化后的数据,z'为滤波后的结果,*表示卷积运算,h为长度为k的一维卷积核k为卷积核长度。
步骤2:构建多层自编码器网络,然后对经过步骤2处理后的数据进行非线性降维与性能非线性退化特征的提取,得到全寿命周期的性能非线性退化特征;其中,多层自编码器网络由两层Encoder和两层Decoder组合而成。
第一层Encoder节点数为10,激活函数为Relu,第二层Encoder节点数为5,激活函数为sigmoid;第一层Decoder节点数为10,激活函数为Relu,第二层Decoder节点数为输入层节点数,激活函数为sigmoid。
步骤3:对每个时刻的剩余使用寿命值进行缩放处理后,将步骤3得到的全寿命周期的性能非线性退化特征分解成固定长度为N的短序列数据,得到固定长度为N的短序列,每个短序列对应一个标签值,标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值。
对每个时刻的剩余使用寿命值进行缩放处理的具体过程为:将每个时刻的剩余使用寿命值除以全寿命周期数据的长度。其中,N为整数;
步骤4:针对步骤3得到的长度为N的短序列数据对应地构建一个网络深度为N的递归神经网络,即对剩余使用寿命进行建模,得到深度门控递归神经网络模型;深度门控递归神经网络模型的三个门函数,输入门rt=σ(Wrht-1+Urxt),遗忘门zt=σ(Wzht-1+Uzxt),新记忆偏置项均设置为零,网络权值矩阵Wr,Wz,W,Ur,Uz,U参数采用-1到1的随机初始化;网络权值矩阵是个统称;权值矩阵更新方法为小批量随机梯度下降。
步骤5:根据步骤4构建的深度门控递归神经网络模型,选择合适的网络深度N、学***均相对误差低于10%,否则返回步骤3重新选择网络深度N、学***均相对误差低于10%;
步骤6:对深度门控递归神经网络输出的剩余使用寿命结果进行后处理,后处理具体为:均值滤波处理以及缩放处理,其中,缩放处理的具体过程为:将均值滤波处理后的数据乘以全寿命周期数据的长度,最后得到剩余使用寿命预测值。
实施例
为了详细说明本发明,以24个数据源的航空发动机剩余使用寿命预测为例进行说明。如图1所示,按照上述步骤进行预测,对该航空发动机全寿命周期的数据的训练与测试中,参见图3,本发明与传统算法相比,不仅极大地提高了运算效率,而且也进一步提高了预测精度,参见图4。表1为航空发动机剩余使用寿命预测结果对比表。
表1航空发动机剩余使用寿命预测结果对比
模型 | 本发明 | 隐马尔科夫 |
平均误差 | 29.1 | 42.7 |
运算时间(h) | 0.34 | 46.5 |
从表1可以看出,本发明的预测准确,并且预测速度较快。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,包括以下步骤:
步骤1:首先,对机械装备的多维全寿命周期数据进行归一化处理与滤波降噪处理;
步骤2:构建多层自编码器网络,然后对经过步骤1处理后的数据进行非线性降维与性能非线性退化特征的提取,得到全寿命周期的性能非线性退化特征;
步骤3:对每个时刻的剩余使用寿命值进行缩放处理后,将步骤2得到的全寿命周期的性能非线性退化特征分解成固定长度为N的短序列数据,得到固定长度为N的短序列,每个短序列对应一个标签值,标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值;其中,N为整数;
步骤4:针对步骤3得到的长度为N的短序列数据对应地构建一个网络深度为N的递归神经网络,得到深度门控递归神经网络模型;
步骤5:根据步骤4构建的深度门控递归神经网络模型,设置网络深度N、学***均相对误差低于10%,否则返回步骤3重新设置网络深度N、学***均相对误差低于10%;
步骤6:对深度门控递归神经网络输出的剩余使用寿命结果进行后处理,得到剩余使用寿命预测值。
2.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,步骤1中具体过程为:对机械装备的每一维全寿命周期数据单独进行归一化处理与均值滤波处理,归一化处理采用0均值归一,按如下式子进行变换:
其中zi为归一化后的数据,xi为一维样本数据,μ为样本数据均值,σ为样本标准差;
均值滤波处理采用填充最近边界值法,具体过程按如下式子进行:
z'=z*h
其中z=[z1,z2,z3,…]为归一化后的数据,z'为滤波后的结果,*表示卷积运算,h为长度为k的一维卷积核,k为卷积核长度。
3.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,步骤2中,所述的多层自编码器网络由两层Encoder和两层Decoder组合而成。
4.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,步骤2中,第一层Encoder节点数为10,激活函数为Relu,第二层Encoder节点数为5,激活函数为sigmoid;第一层Decoder节点数为10,激活函数为Relu,第二层Decoder节点数为输入层节点数,激活函数为sigmoid。
5.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,步骤3中,对每个时刻的剩余使用寿命值进行缩放处理的具体过程为:将每个时刻的剩余使用寿命值除以全寿命周期数据的长度。
6.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,步骤4中,深度门控递归神经网络模型的输入门rt=σ(Wrht-1+Urxt),遗忘门zt=σ(Wzht-1+Uzxt),新记忆偏置项均设置为零,网络权值矩阵Wr,Wz,W,Ur,Uz,U参数采用-1到1的随机初始化;权值矩阵更新方法为小批量随机梯度下降。
7.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,步骤6中的后处理包括:均值滤波处理以及缩放处理。
8.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,缩放处理的具体过程为:将均值滤波处理后的数据乘以全寿命周期数据的长度。
9.根据权利要求1所述的一种机械装备剩余使用寿命快速有效预测的深度学习方法,其特征在于,机械装备为航空发动机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896883.7A CN109272114A (zh) | 2018-08-08 | 2018-08-08 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896883.7A CN109272114A (zh) | 2018-08-08 | 2018-08-08 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272114A true CN109272114A (zh) | 2019-01-25 |
Family
ID=65153244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810896883.7A Pending CN109272114A (zh) | 2018-08-08 | 2018-08-08 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272114A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控***剩余寿命预测方法 |
CN110245745A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 |
CN111257023A (zh) * | 2020-02-14 | 2020-06-09 | 莆田学院 | 基于维纳过程和伽马过程的性能加速退化方法 |
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN112149316A (zh) * | 2019-11-04 | 2020-12-29 | 中国人民解放军国防科技大学 | 基于改进的cnn模型的航空发动机剩余寿命预测方法 |
CN112149746A (zh) * | 2020-09-27 | 2020-12-29 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
CN112329337A (zh) * | 2020-10-23 | 2021-02-05 | 南京航空航天大学 | 基于深度强化学习的航空发动机剩余使用寿命估计方法 |
CN112433907A (zh) * | 2020-10-26 | 2021-03-02 | 深圳前海有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
CN112580263A (zh) * | 2020-12-24 | 2021-03-30 | 湖南工业大学 | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 |
-
2018
- 2018-08-08 CN CN201810896883.7A patent/CN109272114A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110804A (zh) * | 2019-05-15 | 2019-08-09 | 上海飞机客户服务有限公司 | 基于cnn和lstm的飞控***剩余寿命预测方法 |
CN110245745B (zh) * | 2019-05-30 | 2021-08-03 | 华中科技大学 | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 |
CN110245745A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 |
CN112149316A (zh) * | 2019-11-04 | 2020-12-29 | 中国人民解放军国防科技大学 | 基于改进的cnn模型的航空发动机剩余寿命预测方法 |
CN112149316B (zh) * | 2019-11-04 | 2022-04-19 | 中国人民解放军国防科技大学 | 基于改进的cnn模型的航空发动机剩余寿命预测方法 |
CN111257023A (zh) * | 2020-02-14 | 2020-06-09 | 莆田学院 | 基于维纳过程和伽马过程的性能加速退化方法 |
CN111289250A (zh) * | 2020-02-24 | 2020-06-16 | 湖南大学 | 一种伺服电机滚动轴承剩余使用寿命预测方法 |
CN112149746A (zh) * | 2020-09-27 | 2020-12-29 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
CN112149746B (zh) * | 2020-09-27 | 2024-02-06 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
CN112329337A (zh) * | 2020-10-23 | 2021-02-05 | 南京航空航天大学 | 基于深度强化学习的航空发动机剩余使用寿命估计方法 |
CN112433907A (zh) * | 2020-10-26 | 2021-03-02 | 深圳前海有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
CN112433907B (zh) * | 2020-10-26 | 2022-09-16 | 深圳有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
CN112580263A (zh) * | 2020-12-24 | 2021-03-30 | 湖南工业大学 | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272114A (zh) | 机械装备剩余使用寿命快速有效预测的深度学习方法 | |
CN109447373A (zh) | 基于python平台的LSTM神经网络来预测雾霾方法 | |
CN111144542B (zh) | 油井产能预测方法、装置和设备 | |
CN111913156B (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN109376963B (zh) | 一种基于神经网络的刑事案件罪名法条联合预测方法 | |
CN113687433B (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及*** | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和*** | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN112182954B (zh) | 一种基于lstm的流体仿真数据预测模型 | |
CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN115293197A (zh) | 一种基于长短期记忆网络的钻孔应变数据异常检测方法 | |
Wang et al. | Time series prediction of e-nose sensor drift based on deep recurrent neural network | |
Kumar et al. | Regression model for sediment transport problems using multi-gene symbolic genetic programming | |
CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
CN113312809A (zh) | 一种基于相关团划分的航天器遥测数据多参数异常检测方法 | |
CN108764097A (zh) | 一种基于分段稀疏表示的高光谱遥感图像目标识别方法 | |
Liu et al. | Immovable cultural relics disease prediction based on relevance vector machine | |
CN104867166B (zh) | 一种基于稀疏字典学习的油井示功图压缩存储方法 | |
CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
Rajaee et al. | Groundwater level forecasting using wavelet and kriging | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
SS et al. | Weather forecasting using artificial neural networks and data mining techniques | |
CN114819260A (zh) | 一种水文时间序列预测模型动态生成方法 | |
CN113419278A (zh) | 一种基于状态空间模型与支持向量回归的井震联合多目标同时反演方法 | |
Ullah et al. | A review on flood prediction algorithms and a deep neural network model for estimation of flood occurrence |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |