CN110245745B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110245745B
CN110245745B CN201910465467.6A CN201910465467A CN110245745B CN 110245745 B CN110245745 B CN 110245745B CN 201910465467 A CN201910465467 A CN 201910465467A CN 110245745 B CN110245745 B CN 110245745B
Authority
CN
China
Prior art keywords
bidirectional
neural network
service life
monitoring data
state monitoring
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
CN201910465467.6A
Other languages
English (en)
Other versions
CN110245745A (zh
Inventor
吴军
胡奎
陈作懿
严喆
邓超
邵新宇
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910465467.6A priority Critical patent/CN110245745B/zh
Publication of CN110245745A publication Critical patent/CN110245745A/zh
Application granted granted Critical
Publication of CN110245745B publication Critical patent/CN110245745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于机械设备剩余使用寿命预测相关技术领域，其公开了一种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，该方法包括以下步骤：(1)获取样本设备的状态监测数据；(2)构建样本设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络；(3)采用集成学习算法对选择的双向循环神经网络进行集成以得到剩余使用寿命预测模型；(4)所述剩余使用寿命预测模型基于待预测设备的实时状态监测数据实时预测该待预测设备的剩余使用寿命。本发明提高了预测精度，灵活性较好。

Description

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
技术领域
本发明属于机械设备剩余使用寿命预测相关技术领域，更具体地，涉及一种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。
背景技术
随着高新技术的飞速发展及其在装备制造业的广泛应用，机械设备的结构日益复杂，价值愈发昂贵，设备运行好坏极大地影响到企业的生产效率和经济效益。为了最大限度地节约成本，提高生产效益，开展机械设备的健康状况的实时监控、指定经济合理的维修策略就显得非常重要，而这些都需要对机械设备剩余使用寿命进行准确预测。
常用的寿命预测方法大致可以分为两类：一类是利用实验得到的大量数据来建立数学模型，通过模型对设备状态趋势和剩余使用寿命进行预测，这种方法需要人工进行大量的实验才能建立出较为完善的模型；二类是运用人工智能算法来挖掘出设备的各传感器参数之间的联系，推断出剩余使用寿命与各传感器数值的关系，并以此来构建模型，由于大量计算都靠计算机去处理，如何提高这类算法的精度成了本领域研究中不得不考虑的问题。相应地，本领域存在着发展一种精度较好的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的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种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，其基于现有设备寿命预测特点，研究及设计了一种精度较好的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。所述预测方法运用多种不同结构的双向循环神经网络对机械设备的信号进行分析，以得到多个可用于寿命预测的神经网络模型，然后采用集成学习算法中的stacking算法，将这些网络模型与机器学习的有关算法相结合，由此得到了精度较高的剩余使用寿命预测模型，实现了对设备的剩余使用寿命的在线预测，且提高了预测精度，适用性较强。
为实现上述目的，本发明提供了一种基于集成双向循环神经网路的设备剩余使用寿命预测方法，该预测方法主要包括以下步骤：
(1)获取样本设备在多种操作模式下的全寿命周期内的状态监测数据，并对不同操作模式下的状态监测数据分别进行归一化处理；
(2)构建样本设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络，选择的双向循环神经网络包括多个类型的双向循环神经网络；
(3)采用集成学习算法对选择的双向循环神经网络进行集成以得到剩余使用寿命预测模型；
(4)将待预测设备的实时状态监测数据输入到所述剩余使用寿命预测模型，所述剩余使用寿命预测模型依据接收到的状态监测数据实时预测该待预测设备的剩余使用寿命。
进一步地，分别以双向经典循环神经网络、双向长短时记忆神经网络及双向门控循环单元神经网络的细胞单元为基础，选取不同的网络结构参数，以构建设备的多个在内部结构及细胞单元上互不相同的双向循环神经网络。
进一步地，采用所述状态监测数据中的一部分分别对多个双向循环神经网络进行训练，并采用所述状态监测数据中的剩余部分对训练好的多个双向循环神经网络进行校验，进而根据校验结果对多个双向循环神经网络进行筛选。
进一步地，选择的双向循环神经网络包括双向长短时记忆神经网络、双向经典循环神经网络及双向门控循环单元神经网络。
进一步地，根据校验结果，自多个双向循环神经网络中的双向长短时记忆神经网络中选择预测效果最好的双向长短时记忆神经网络；自多个双向循环神经网络中的双向经典循环神经网络中选择预测效果最好的双向经典循环神经网络；自多个双向循环神经网络中的双向门控循环单元神经网络中选择预测效果最好的双向门控循环单元神经网络。
进一步地，所述剩余使用寿命预测模型为双层结构。
进一步地，采用集成学习算法中的堆叠框架对选择的双向循环神经网络进行集成，并利用随机森林算法学习对双向循环神经网络进行再学习，以得到具有双层结构的所述剩余使用寿命预测模型。
进一步地，步骤(1)中，将得到的状态监测数据按照不同的操作模式进行归一化处理后，再进行去除奇异值及指数参数平滑处理；接着，按照得到的操作时序对得到的状态监测数据进行整合，并从整合得到的状态监测数据中获取能表征设备退化趋势的状态监测数据。
进一步地，步骤(4)中，采用传感器对运行中的待预测设备进行状态监测数据采集，对得到的状态监测数据进行预处理后输入到所述剩余使用寿命预测模型。
进一步地，归一化处理采用的公式为：
Figure BDA0002079290870000031
式中，c为设备的操作模式编号；f为传感器的编号；x为操作模式c下、传感器f所对应的传感器信号；
Figure BDA0002079290870000032
及
Figure BDA0002079290870000033
分别为为操作模式c下、传感器f所对应的传感器信号的最小值和最大值。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的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主要具有以下有益效果：
1.构建设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络，进而将选择的双向循环神经网络进行集成而得到剩余使用寿命预测模型，如此能够更好地弥补各个单独神经网络的训练误差，从而获得更好的剩余寿命预测性能，提高了预测精度。
2.利用了双向循环神经网络的信息传递及记忆功能，实现了对超前信息和滞后信息的提取和保存，能够更好地处理时间序列性数据，提高了精度。
3.获取设备在多种操作模式下的全寿命周期内的状态监测数据，并对不同操作模式下的状态监测数据分别进行归一化处理，如此在提高数据的普遍性、稳定性及代表性的同时，保证了数据的处理量不会过大，即保证了效率。
4.多个双向循环神经网络在在内部结构及细胞单元上互不相同，如此最大限度地保证了集成方法中各模型的差异性，防止过拟合的发生，且提高了双向循环神经网络的泛化性和鲁棒性。
附图说明
图1是本发明提供的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的流程示意图；
图2是图1中的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涉及的双向循环神经网络的结构示意图；
图3是采用图1中的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得到的预测剩余寿命与实际剩余寿命的对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1及图2，本发明提供的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，所述预测方法主要包括以下步骤：
步骤一，获取样本设备在多种操作模式下的全寿命周期内的状态监测数据，并对不同操作模式下的状态监测数据分别进行归一化处理。
具体地，获取待预测设备在多种操作模式下的全寿命周期的状态监测数据，并将得到的所述状态监测数据进行归一化处理，归一化采用的公式为：
Figure BDA0002079290870000051
式中，c为设备的操作模式编号；f为传感器的编号；x为操作模式c下、传感器f所对应的传感器信号；
Figure BDA0002079290870000052
及
Figure BDA0002079290870000053
分别为为操作模式c下、传感器f所对应的传感器信号的最小值和最大值。
将得到的状态监测数据按照不同的操作模式进行归一化处理后，还需要进行去除奇异值、指数参数平滑等处理；接着，再按照操作时序对得到的状态监测数据进行整合，并从整合完毕的状态监测数据中选择能够较为明显的表征样本设备退化趋势的状态监测数据，以备后用。
步骤二，构建样本设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络，选择的双向循环神经网络包括多个类型的双向循环神经网络。
具体地，分别以双向经典循环神经网络、双向长短时记忆神经网络及双向门控循环单元神经网络的细胞单元为基础，选取不同的网络结构参数，以构建设备的多个在内部结构及细胞单元上互不相同的双向循环神经网络。其中，步骤一及步骤二涉及的设备为样本设备，该样本设备与待预测设备的结构与运行环境均相同。
采用所述状态监测数据中的一部分分别对多个双向循环神经网络进行训练，并采用所述状态数据中的剩余部分对训练好的多个双向循环神经网络进行校验，进而根据校验结果对多个双向循环神经网络进行筛选。本实施方式中，根据校验结果，自多个双向循环神经网络中的双向长短时记忆神经网络中选择预测效果最好的双向长短时记忆神经网络；自多个双向循环神经网络中的双向经典循环神经网络中选择预测效果最好的双向经典循环神经网络；自多个双向循环神经网络中的双向门控循环单元神经网络中选择预测效果最好的双向门控循环单元神经网络；即选择的双向循环神经网络的数量为三个，分别为双向长短时记忆神经网络、双向经典循环神经网络及双向门控循环单元神经网络。
其中，选择的每个双向循环神经网络均由三层组成，分别为输入层、隐藏层及输出层，隐藏层的神经元细胞分别采用经典循环神经网络、LSTM和GRU的细胞结构，以提高双向循环神经网络的泛化性和鲁棒性。
本实施方式中，在双向循环神经网络中，每层的神经元细胞之间，以及层与层之间均可以传递信息，同时信息的传递是双向的，由于双向循环神经网络的这些独特的信息记忆和传递功能，可以实现对超前信息和滞后信息的提取和保存，因而对于处理时间序列性数据具有非常优秀的性能；同时将上述三个结构不同的双向神经网络网络集成为一个统一的剩余使用寿命预测模型后，能够更好的弥补各个单独双向神经网络的训练误差，从而获得更好的剩余使用寿命预测性能，提高了预测精度。
步骤三，采用集成学习算法对选择的双向循环神经网络进行集成以得到剩余使用寿命预测模型。
具体地，采用Ensemble Learning(集成学习算法)中的Stacking框架(堆叠框架)对选择的三个双向循环神经网络进行集成，并利用机器学习中的Random Forest(随机森林算法)作为元学习器，对双向循环神经网络进行再学习，最终得到一个具有双层结构的剩余使用寿命预测模型。其中，由于选择的三个双向神经网络的网络模型结构互不相同，因此可以最大限度地保证了集成学习算法中各模型的差异性，防止了过拟合的发生。可以理解，在其他实施方式中，所述集成学习算法还可以为Bagging框架或Boosting框架。
所述剩余使用寿命预测模型的第一层是由双向长短时记忆神经网络、双向门控循环单元神经网络以及双向经典循环神经网络组合而成，每种网络模型结构都分为前向学习和反向学习两个部分，最后的结果为两个方向的预测结果的结合，公式如下：
从前往后学习：
Figure BDA0002079290870000071
从后往前学习：
Figure BDA0002079290870000072
输出：
Figure BDA0002079290870000073
式中，
Figure BDA0002079290870000074
和
Figure BDA0002079290870000075
分别为前向和反向的神经网络细胞结构在t时刻的输出；Xt为t时刻神经网络的输入；U1和U2分别为前向和反向过程中输入的权值；W1和W2分别为前向和反向过程中t-1时刻的输出的权值；
Figure BDA0002079290870000076
表示将两个输出结果进行拼接；V表示拼接后的结果的权值矩阵；softmax为激活函数；ot为最终的输出结果；f(·)为神经网络的隐藏层函数。
第二层为随机森林算法层，随机森林算法的主要原理为：设原始数据样本含量为N，应用boostrap有放回地随机抽取b个自助样本集，并由此构建b棵回归树，每次boostrap抽样未被抽到的样本组成了b个袋外数据(out of bag，OOB)，作为随机森林的测试样本；其中，回归树遵循自顶向下的递归分枝原则，即从根节点开始依次对样本进行划分；在二叉树中，根节点包含全部样本，按照分枝优度准则***为左节点和右节点，它们分别包含父节点的一个样本子集，按照同样的规则节点继续分枝，直到满足分支终止规则而停止生长。回归树中常用的分枝优度准则是基于离均差平方和。
设原始数据的变量个数为p，则在每一棵回归树的每个节点处随机抽取m个变量(m≤p)作为备选分枝变量，然后在其中根据分枝优度准则选取最优分枝，方法同回归树模型的建立。在随机森林回归中，参数m＝p/3。
每棵回归树开始自顶向下的递归分枝，设定叶节点的最小尺寸nodesize＝5，以此作为回归树生长的终止条件；将生成的b棵回归树组成随机森林回归模型，回归的效果评价采用袋外数据(OOB)预测的残差均方MSEOOB，见公式：
Figure BDA0002079290870000081
Figure BDA0002079290870000082
式中,yi为袋外数据中因变量的实际值；
Figure BDA0002079290870000083
为随机森林对袋外数据的预测值；
Figure BDA0002079290870000084
为随机森林对外数据预测值的方差。
Figure BDA0002079290870000085
越接近1，表示回归的效果越好。
步骤四，将待预测设备的实时状态监测数据输入到所述剩余使用寿命预测模型，所述剩余使用寿命预测模型依据接收到的状态监测数据实时预测该待优化设备的剩余使用寿命。
具体地，正在运行的待预测设备上安装相应的传感器，以实时采集待预测设备的状态监测数据，同样对得到的状态监测数据进行处理，将处理后的状态监测数据输入到所述剩余使用寿命预测模型，所述剩余使用寿命预测模型进行自主运算，即可实时输出待预测设备的剩余使用寿命。
以下以一个实例对比来对本发明进行进一步详细说明。本实施例采用NASA的C-MAPSS航空发动机数据集，该数据集提供了21个不同的传感器信号，用于监控航空发动机在运行过程中的各部分的结构的运行情况；一共包含了4个数据集，其中数据集1和3都只有一种操作模式，而数据集2和4有两种操作模式，以包含多种操作模式的2号数据集为例进行实验，该数据集由3个文本文件组成：
(1)“train_FD002”包含260个训练单元，测量记录被认为是从健康状态开始并在达到失败时停止；
(2)“test_FD002”包含259个测试单元，数据只包含了从开始状态随机长度的数据，目标是预测剩余使用寿命；
(3)“RUL_FD002”包含实际的剩余使用寿命值。
使用过程中，train_FD002被用来训练模型，test_FD002被用来预测发动机的实际剩余寿命，以此来检验模型的精度，预测结果将RUL_FD002中的真实剩余寿命与进行比较。
具体地，首先，将发动机在6种操作模式下的全寿命周期的传感器监测信号进行归一化，然后去除信号中的奇异值，进行参数平滑等一系列操作，最终获得具有较明显退化趋势的传感器信号。接着，利用这些传感器信号对集成了多个双向循环神经网络的剩余使用寿命预测模型进行训练；然后，利用训练好的模型来预测得到test_FD002中的259台发动机的剩余使用寿命。
为了对本发明进行验证，将本发明得到的预测结果与其他方法得到的结果进行了对比，预测的结果通过得分和均方根误差两个指标来进行衡量。
得分(score)的表达式如下：
Figure BDA0002079290870000101
式中，n为测试集中发动机的数量；
Figure BDA0002079290870000102
为用使用模型预测的第i台发动机的剩余使用寿命；Ri为第i台发动机的真实剩余使用寿命，该得分越小表明预测值与真实寿命之间的偏差越小，预测的越精确。
均方根误差的表达式如下：
Figure BDA0002079290870000103
该指标同样表征了真实寿命和预测寿命之间的偏离程度，RMSE越小表示预测值与真实值越接近。利用本发明提供的方法预测的259台发动机的剩余使用寿命与实际值的对比，如图3所示，预测值和真实的剩余使用寿命之间的相似度达到了92％，表明本发明所提供的预测方法的性能良好，预测精度较高。
此外，还将本发明提供的预测方法与目前常用的深度神经网络、深度卷积神经网络、以及最新的多目标深度置信集成网络进行了比较，最终各指标的结果如表1所示，结果表明，本发明提供的方法获得了更低的得分和均方误差，说明该预测方法相比于其他方法具有明显的优势。
表1各种预测方法的结果对比
Figure BDA0002079290870000104
本发明提供的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，所述预测方法先获取设备在全寿命周围内的多种传感器信号，接着对获得的传感器信号进行数据预处理，以获得能够反应设备退化趋势的信号，然后从这些信号中提取退化性能较好的一部分以构建多个双向循环神经网络并利用这些信号进行同步训练，得到多个可用于设备寿命预测的神经网络模型，并选择性能较好的模型，采用相关的集成学习算法进行集成以得到一个集成了多个双向循环神经网络的机械设备剩余使用寿命预测模型；最后将对应传感器的实时监测信号输入到该剩余使用寿命预测模型中以预测得到待预测设备的剩余使用寿命，从而实现对待预测设备的健康状态的实时在线监测和故障的提前感知，为操作人员制定适当的维修决策提供了依据和参照，且预测精度较高。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种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，其特征在于，该方法包括以下步骤：
(1)获取样本设备在多种操作模式下的全寿命周期内的状态监测数据，并对不同操作模式下的状态监测数据分别进行归一化处理；
(2)构建样本设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络，选择的双向循环神经网络包括多个类型的双向循环神经网络；
(3)采用集成学习算法对选择的双向循环神经网络进行集成以得到剩余使用寿命预测模型；
(4)将待预测设备的实时状态监测数据输入到所述剩余使用寿命预测模型，所述剩余使用寿命预测模型依据接收到的状态监测数据实时预测该待预测设备的剩余使用寿命；
分别以双向经典循环神经网络、双向长短时记忆神经网络及双向门控循环单元神经网络的细胞单元为基础，选取不同的网络结构参数，以构建样本设备的多个在内部结构及细胞单元上互不相同的双向循环神经网络。
2.如权利要求1所述的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，其特征在于：采用所述状态监测数据中的一部分分别对多个双向循环神经网络进行训练，并采用所述状态监测数据中的剩余部分对训练好的多个双向循环神经网络进行校验，进而根据校验结果对多个双向循环神经网络进行筛选。
3.如权利要求1所述的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，其特征在于：选择的双向循环神经网络包括双向长短时记忆神经网络、双向经典循环神经网络及双向门控循环单元神经网络。
4.如权利要求3所述的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，其特征在于：根据校验结果，自多个双向循环神经网络中的双向长短时记忆神经网络中选择预测效果最好的双向长短时记忆神经网络；自多个双向循环神经网络中的双向经典循环神经网络中选择预测效果最好的双向经典循环神经网络；自多个双向循环神经网络中的双向门控循环单元神经网络中选择预测效果最好的双向门控循环单元神经网络。
5.如权利要求1-4任一项所述的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，其特征在于：所述剩余使用寿命预测模型为双层结构。
6.如权利要求1-4任一项所述的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，其特征在于：采用集成学习算法中的堆叠框架对选择的双向循环神经网络进行集成，并利用随机森林算法学习对双向循环神经网络进行再学习，以得到具有双层结构的所述剩余使用寿命预测模型。
7.如权利要求1-4任一项所述的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，其特征在于：步骤(1)中，将得到的状态监测数据按照不同的操作模式进行归一化处理后，再进行去除奇异值及指数参数平滑处理；接着，按照得到的操作时序对得到的状态监测数据进行整合，并从整合得到的状态监测数据中获取能表征样本设备退化趋势的状态监测数据。
8.如权利要求1-4任一项所述的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，其特征在于：步骤(4)中，采用传感器对运行中的待预测设备进行状态监测数据采集，对得到的状态监测数据进行预处理后输入到所述剩余使用寿命预测模型。
9.如权利要求1-4任一项所述的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，其特征在于：归一化处理采用的公式为：
Figure FDA0002959671650000031
式中，c为设备的操作模式编号；f为传感器的编号；x为操作模式c下、传感器f所对应的传感器信号；
Figure FDA0002959671650000032
及
Figure FDA0002959671650000033
分别为为操作模式c下、传感器f所对应的传感器信号的最小值和最大值。
CN201910465467.6A 2019-05-30 2019-05-30 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 Active CN110245745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465467.6A CN110245745B (zh) 2019-05-30 2019-05-30 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465467.6A CN110245745B (zh) 2019-05-30 2019-05-30 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

Publications (2)

Publication Number Publication Date
CN110245745A CN110245745A (zh) 2019-09-17
CN110245745B true CN110245745B (zh) 2021-08-03

Family

ID=67885519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465467.6A Active CN110245745B (zh) 2019-05-30 2019-05-30 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

Country Status (1)

Country Link
CN (1) CN110245745B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738360B (zh) * 2019-09-27 2022-08-16 华中科技大学 一种设备剩余寿命预测方法及***
CN110866314B (zh) * 2019-10-22 2022-11-15 东南大学 多层双向门控循环单元网络的旋转机械剩余寿命预测方法
CN111726351B (zh) * 2020-06-16 2022-07-05 桂林电子科技大学 基于Bagging改进的GRU并行网络流量异常检测方法
CN111814976B (zh) * 2020-07-14 2024-04-09 西安建筑科技大学 一种空调***传感器故障误差再学习方法及***
CN112100767A (zh) * 2020-09-02 2020-12-18 西北工业大学 一种基于奇异值分解和gru的航空发动机寿命预测方法
CN112231980B (zh) * 2020-10-19 2024-06-07 西安建筑科技大学 一种发动机寿命预测方法、存储介质及计算设备
CN112231931B (zh) * 2020-11-04 2024-02-02 中国人民解放军陆军装甲兵学院 一种通过建立pfr模型的发动机寿命预测方法
CN113722985B (zh) * 2021-08-12 2024-04-09 武汉科技大学 航空发动机健康状态评估和剩余寿命预测方法及***
CN113971489A (zh) * 2021-10-25 2022-01-25 哈尔滨工业大学 一种基于混合神经网络的剩余使用寿命预测方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272114A (zh) * 2018-08-08 2019-01-25 西安交通大学 机械装备剩余使用寿命快速有效预测的深度学习方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272114A (zh) * 2018-08-08 2019-01-25 西安交通大学 机械装备剩余使用寿命快速有效预测的深度学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Degradation Modeling and Remaining Useful Life Prediction of Aircraft Engines Using Ensemble Learning;Zhixiong Li等;《Transactions of the ASME》;20190430;第1-10页 *
Reliability Engineering and System Safety;André Listou Ellefsen等;《Elsevier》;20181126;第240-251页 *
选择性集成学习算法综述;张春霞等;《计算机学报》;20110831;第34卷(第8期);第1399-1410页 *
集成学习中的 stacking 以及python实现;小舔哥;《博客园，网址链接https://www.cnblogs.com/jiaxin359/p/8559029.html》;20180312;第1-4页 *

Also Published As

Publication number Publication date
CN110245745A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110245745B (zh) 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
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN109000930B (zh) 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN109141847B (zh) 一种基于mscnn深度学习的飞机***故障诊断方法
CN109460618A (zh) 一种滚动轴承剩余寿命在线预测方法及***
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
Liu et al. Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees
CN113962259B (zh) 一种燃料电池***多模式双层故障诊断方法
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
US11137322B2 (en) Diagnosing method of engine condition and diagnostic modeling method thereof
CN106656357B (zh) 一种工频通信信道状态评估***和方法
CN111680788A (zh) 基于深度学习的设备故障诊断方法
CN113255591A (zh) 一种基于随机森林和融合特征的轴承故障诊断方法
CN113486926B (zh) 一种自动化码头设备异常检测***
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及***
CN112163474B (zh) 一种基于模型融合的齿轮箱智能诊断方法
CN111079809B (zh) 电连接器智能统型方法
CN111695631B (zh) 基于sae的检定故障特征提取方法、装置、设备以及介质
CN113204857A (zh) 基于极端梯度提升树算法的电子器件剩余寿命预测方法
CN114826764B (zh) 一种基于集成学习的边缘计算网络攻击识别方法及***
CN112598186B (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
CN113705695A (zh) 一种基于卷积神经网络的配电网故障数据辨识方法
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
Fu et al. A novel label correction method for remaining useful life prediction of turbofan engines

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