CN112069738B - 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及*** - Google Patents
基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及*** Download PDFInfo
- Publication number
- CN112069738B CN112069738B CN202010972888.0A CN202010972888A CN112069738B CN 112069738 B CN112069738 B CN 112069738B CN 202010972888 A CN202010972888 A CN 202010972888A CN 112069738 B CN112069738 B CN 112069738B
- Authority
- CN
- China
- Prior art keywords
- steering engine
- electric steering
- residual life
- lstm
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 230000015556 catabolic process Effects 0.000 claims abstract description 21
- 238000006731 degradation reaction Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法及***，包括：获取电动舵机实时监测数据；对获取的实时监测数据进行预处理；将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。本发明采用基于DBN和多层模糊LSTM的深度学习网络模型进行电动舵机剩余寿命预测，可以有效地提取多维电动舵机传感器监测数据中的特征规律和序列的时间特征，提高剩余寿命预测的精度；提高舵机在运行时的安全性和可靠性。
Description
技术领域
本发明涉及装备剩余寿命预测技术领域，尤其涉及一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电动舵机作为直升机、无人机等先进飞行器自驾***的核心设备，是飞行器中重要的控制部件。电动舵机如果发生故障，尤其是主控舵机发生故障，例如方向舵、升降舵和副翼等，会导致飞机处于失控状态，严重则会导致机毁人亡的灾难性后果，严重制约了飞行器航电***及直升机、无人机的安全性和可靠性。电动舵机在众多机载***中可靠性较差，容易发生故障。因此对电动舵机进行故障监测和寿命预测对飞行器的飞行安全有着重要的意义。
相较于液压舵机和气动舵机来说，由伺服直流电机和传动机构构成的电动舵机具有精度高、维护方便、体积小、重量轻、传动控制容易等优点，大量应用于无人机、飞机、直升机及航天器等先进飞行器。根据《非电子零部件可靠性》的统计，对于用于直升机、无人机等飞行器中小型永磁直流电动机，电刷故障占电机故障概率的34％以上，转子绕组故障约占20％，磁钢故障约占20％，轴承故障占15％。由此可知，电动舵机的故障主要发生在电机、传动机构和位置传感器部位，转子绕组、永磁体、电刷和转轴是舵机可靠性的薄弱环节。
现有技术普遍采用事后诊断或离线监测的方法来对舵机进行故障监测，这种方式效率低，而且不能保证舵机运行时的安全和可靠性。
发明内容
为了解决上述问题，本发明提出了一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法及***，能够对舵机的运行状态进行实时监测，对舵机的剩余寿命进行在线预测。
在一些实施方式中，采用如下技术方案：
一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，包括：
获取电动舵机实时监测数据；
对获取的实时监测数据进行预处理；
将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。
在另一些实施方式中，采用如下技术方案：
一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测***，包括：
数据获取模块，用于获取电动舵机实时监测数据；
数据预处理模块，用于对获取的实时监测数据进行预处理；
剩余寿命预测模块，用于将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。
在另一些实施方式中，采用如下技术方案：
一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法。
与现有技术相比，本发明的有益效果是：
(1)本发明采用基于DBN和多层模糊LSTM的深度学习网络模型进行电动舵机剩余寿命预测，可以有效地提取多维电动舵机传感器监测数据中的特征规律和序列的时间特征，提高剩余寿命预测的精度；提高舵机在运行时的安全性和可靠性。
(2)本发明在将实时监测数据输入到舵机状态退化模型之前，首先对缺失值进行填充，提高模型训练效果和预测准确性。同时，通过计算变量之间的相关系数，确定关联性更大的变量，进一步压缩数据量并使输入的数据的信息更加紧凑，减小深度学习模型训练的计算量。
(3)本发明基于北斗短报文通信功能的信号传输，可以保证观测到每台飞行器的实时状态，合理地安排飞行和维修任务。
附图说明
图1是本发明实施例中基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法的流程图；
图2是本发明实施例中按时间序列展开的LSTM单元格示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，参照图1，包括以下步骤：
步骤(1)：布局传感器，获取电动舵机实时监测数据；
电动舵机的主要故障包括传动机构故障、电机故障和传感器故障。电流、转速和振动信号容易获得，并且包含大量的舵机状态信息。因此，安装两个电流传感器，监测电机1和电机2的电流；安装四个振动传感器，监测电机1、电机2、传动机构和壳体的振动信号；安装三个转速传感器，监测电机1、电机2和输出轴的转速；安装四个温度传感器，监测电机1、电机2、传动机构和壳体的温度。
步骤(2)：对获取的实时监测数据进行预处理；
具体地，从传感器监测***采集到的电动舵机的原始传感器监测数据是多维时间序列，每台电动舵机的传感器监测数据表示为Xi＝[x1,x2,...,xt,...xT]。其中T表示设备的最大运行时间步数，xt是t时刻的n维传感器监测数据，i表示当前舵机id，所有id的舵机数据构成整个数据集。
采集到的传感器监测数据通常会存在缺失值的问题，这将导致时间范围的不连续性。而且，传感器监测***有多维传感器数据，冗余信息将降低寿命预测的准确性。外界环境的干扰，负载的变化，传感器噪声等因素都会影响模型的训练效果。本发明实施例采用以下方法对数据进行预处理。
1)缺失值处理
由于异常的数据传输和电动舵机的传感器异常，传感器监测数据通常会丢失值。异常数据直接输入到深度学习模型中，将会导致模型训练效果变差。本发明采用局部均值替换来填充缺失值，具体计算可以表示为：
其中xm是丢失点的数据值，k是丢失点前后用于求均值替换缺失值的数量，本实施例将k设置为3来平滑曲线。
2)传感器变量选择
由前面可知，采集到的电动舵机的监测数据包括多种变量，例如温度，转速，振动，电流等，如果变量与电动舵机的状态相关性较小，将会导致拟合不足，影响模型训练的效果。为了筛选出可以代表或者极大影响电动舵机状态的变量，进一步压缩数据量并使输入的数据的信息更加紧凑，减小深度学习模型训练的计算量。本实施例采用皮尔逊积矩相关系数(Pearson product-moment correlation coefficient)来计算每个变量之间的相关性，通过相关性分析来选择有价值的变量，确定模型的最终输入。
皮尔逊积矩相关系数表示如下：
其中，n是样本大小，xi和yi是用i索引的各个样本点，和/>是样本均值。使用皮尔逊积矩相关系数来衡量变量之间的关联度，如果某个变量与其他变量的相关系数较小，意味着该变量具有更大的随机性，该变量应该被丢弃。
3)数据规范化
为了消除指标之间的量纲和取值范围差异的影响，需要进行标准化处理，将数据按照比例进行缩放，使之落入一个特定的区域，便于进行综合分析。本发明采用零-均值规范化(z-score标准化)对数据进行处理，公式表示为：
其中为原始数据的均值，σ为原始数据的标准差。经过处理的数据均值为0，标准差为1。
步骤(3)：基于深度置信网络和多层模糊LSTM网络构建舵机状态退化模型，获取电动舵机历史传感器数据，并采用步骤(2)中的预处理方法进行处理后，通过平移时间窗的方式生成训练样本，时间窗内最后时刻所对应的剩余寿命作为该样本的标签。
经过步骤(2)中的预处理，传感器数据的连续性和有效性得到了提高，为了满足后续深度学***移时间窗的方法生成训练样本，每次输入模型的数据为num_time*num_sensor大小的二维张量，其中，num_sensor为前述传感器变量选择方法选择的传感器维数，num_time为时间窗口大小，本实施例取值为30，每次向前滑动一个时间步。
每台舵机采集到的最大时间步长为Ti，则可以生成Ti+1-num_time个训练样本。
通过上述训练样本对构建的舵机状态退化模型进行训练，输出电动舵机剩余寿命。
电动舵机的状态特征包含在多维数据中，深度学习网络需要学习这些复杂的特征。安装在电动舵机不同位置上的多个传感器获取不同的监测信号，不同位置的传感器变量都会与其他位置的传感器变量相互影响，相互之间存在固有的空间特征。
本实施例构建的舵机状态退化模型，采用深度学习的深度置信网络(DBN)来提取深层次的空间特征，DBN是由多个受限玻尔兹曼机(RBM)堆叠而成，RBM由可视层和隐藏层组成，首个可视层的神经元个数由输入的数据维数决定，可视层与隐藏层任意两个相连的神经元之间的权重值为W，b、c分别为可视层和隐藏层的偏置值，v是输入向量，h是输出向量，一个RBM的能量函数表示如下所示：
当一个RBM完成时，其隐藏层将用作下一个RBM的可视层。通过几个RBM的串联，形成一个DBN。预先对RBM的每一层进行训练，作为初始权重，然后输出层反向传播误差微调每一层网络的参数。本方法采用两层RBM结构的DBN模型。DBN使用非线性结构来提取特征并将数据从高维空间映射到低维空间，最大程度地保留原始数据的特征信息，获得更贴近数据原始本质的特征规律，降低数据的维度。本方法采用ReLU函数作为隐藏层的非线性激活函数，当其输入值大于0时，导数值为1，可以有效克服梯度弥散问题。
提取输入传感器数据的特征后，通过多层模糊LSTM网络提取数据序列中的时间特征，相较于RNN循环神经网络，长短期记忆神经网络可以有效解决梯度消失和梯度***问题。LSTM的单元格如图2所示。
图2中，xt表示当前时刻的输入，Ct表示单元格状态(长期记忆单元)，ht表示隐藏层状态(短期记忆单元)，ft表示遗忘门控单元，ot表示输出门控单元，it表示输入门控单元，σ表示每个门的激活函数。数学表达式如下：
ft＝σ(Wfxt+W'fht-1+bf)
表示单元格状态的候选值，通过输入门决定什么值将更新；然后通过tanh层创建一个新的候选向量，这个向量将会被加到候选变量中。
it＝σ(Wixt+W'iht-1+bi)
调制之前的单元格状态到当前的单元格状态来更新单元格的状态。
最终的输出是由单元格状态值和输出门的结果共同决定：
ot＝σ(Woxt+W'oht-1+bo)
ht＝ot*tanh(Ct)
式中，Wf、W'f、Wi、W'i、Wo、W'o、WC、W'C表示权重，bf、bi、bo、bC表示偏差。
模糊LSTM的模糊化是在原始LSTM模型M的不同层和单元上进行的，其概念是推导LSTM预训练模型M的模糊权重，通过使用应力算子或函数生成变异模型M'。这些应力函数具有在Weierstrass函数上定义和验证的不同应力强度ρ。使用/>应力算子的变体或具有不同ρ应力强度和/>应力算子的函数对LSTM单元的权重进行施压。
将应力算子整体应用于模型M，从而影响LSTM单元和RUL预测深度学习网络的层的权重。在LSTM模型M的i(输入门)，o(输出门)，f(遗忘门)和/>(组件节点)上施加/>应力，ρ应力强度影响每层LSTM单元权重(Wf、W'f、Wi、W'i、Wo、W'o、WC、W'C)数学表达式如下：
本实施例采用4层LSTM网络叠加的方式提取深层次的抽象特征，将前一层的输出作为后一层的输入，提高模型的非线性拟合能力。第n层第t时刻的状态表达如下：
式中，表示第n-1层t时刻的隐藏层状态。
在LSTM层后面接一个全连接层，从特征规律中抽取最终的输出信息，最终的输出表示为：
式中，Wq和bq为权重和偏差，全连接层最终输出预测的电动舵机的剩余寿命。
通过自适应矩估计(Adam优化算法)进行网络参数整定，为了防止网络在训练过程中发生过拟合，在训练过程中加入dropout使一部分神经元随机失活。
步骤(4)：将预处理后的实时监测数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；
作为一种可选的实施方式，得到预测的电动舵机剩余寿命之后，对电动舵机剩余寿命进行实时显示，并将电动舵机的实时状态和剩余寿命预测值发送至监控平台。
实施例二
在一个或多个实施方式中，公开了一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测***，包括：
数据获取模块，用于获取电动舵机实时监测数据；
数据预处理模块，用于对获取的实时监测数据进行预处理；
剩余寿命预测模块，用于将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。
作为一种可选的实施方式，还包括：
显示模块，用于实时显示电动舵机的状态及剩余寿命预测值；
数据传输模块，用于将电动舵机的实时状态和剩余寿命预测值发送至远程监控平台。具体地，通过基于北斗短报文通信功能的无线通信模块，将电动舵机的实时状态发送到地面监测与调度平台，不发送采集到的原始数据，只发送预测出来的每台电动舵机的实时状态和剩余寿命预测值。北斗短报文通信功能可以用于极端环境或灾区通信基站遭到破坏，普通移动通信信号不能覆盖的地区。
需要说明的是，上述模块的具体实现方式采用实施例一中公开的方式实现，不再赘述。
另外，上述各模块可以集成在控制器上，用于实现舵机剩余寿命预测；本实施例***结合嵌入式Linux技术和Jetson TX2嵌入式平台，制作剩余寿命预测UI界面，并将上述各模块集成在在TX2嵌入式GPU平台上运行。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
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，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，包括：
获取电动舵机实时监测数据；
对获取的实时监测数据进行预处理；
将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型对预处理后的数据通过DBN深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型的训练过程包括：获取电动舵机历史监测数据，构建训练数据集；对获取的历史监测数据进行预处理；采用平移时间窗的方法生成训练样本，具体方法为：每次输入模型的数据为num_time*num_sensor大小的二维张量；num_sensor为传感器变量选择方法选择的传感器维数，num_time为时间窗口大小，取值为30，每次向前滑动一个时间步，时间窗内最后时刻所对应的剩余寿命作为该样本的标签；将所述训练样本输入到舵机状态退化模型将进行训练，输出电动舵机的预测剩余寿命；
其中，所述多层模糊LSTM网络，模糊化的具体方法为：
将应力算子整体应用于模型M，从而影响LSTM单元和RUL预测深度学习网络的层的权重，在LSTM模型M的输入门，输出门，遗忘门和组件节点上施加/>应力，ρ应力强度影响每层LSTM单元权重，数学表达式如下：
其中，ft表示遗忘门控单元，it表示输入门控单元，表示单元格状态的候选值，ot表示输出门控单元，σ表示每个门的激活函数，Wf、Wf'、Wi、Wi'、Wo、Wo'、WC、WC'表示权重，ht表示隐藏层状态，bf、bi、bo、bC表示偏差，xt表示当前时刻的输入；
其中，所述多层模糊LSTM网络后面接一个全连接层，全连接层最终输出预测的电动舵机的剩余寿命。
2.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，所述实时监测数据至少包括：电动舵机中各电机的电流信号和转速信号，各电机和传动轴的振动信号和温度信号。
3.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对获取的实时监测数据进行预处理，具体包括：
求取数据丢失点前后设定数量的数值的平均值，采用所述平均值填充数据丢失点的缺失值。
4.如权利要求3所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对获取的实时监测数据进行预处理，还包括：
采用皮尔逊积矩相关系数计算监测数据中每个变量之间的相关性，选择相关系数大的变量作为输入深度学习神经网络的变量。
5.如权利要求3所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对获取的实时监测数据进行预处理，还包括：
采用零-均值规范化对数据进行规范化处理。
6.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，得到预测的电动舵机剩余寿命之后，对所述电动舵机剩余寿命进行实时显示，并将电动舵机的实时状态和剩余寿命预测值发送至监控平台。
7.一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测***，其特征在于，包括：
数据获取模块，用于获取电动舵机实时监测数据；
数据预处理模块，用于对获取的实时监测数据进行预处理；
剩余寿命预测模块，用于将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型对预处理后的数据通过DBN深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命；
其中，所述舵机状态退化模型的训练过程包括：获取电动舵机历史监测数据，构建训练数据集；对获取的历史监测数据进行预处理；采用平移时间窗的方法生成训练样本，具体方法为：每次输入模型的数据为num_time*num_sensor大小的二维张量；num_sensor为传感器变量选择方法选择的传感器维数，num_time为时间窗口大小，取值为30，每次向前滑动一个时间步，时间窗内最后时刻所对应的剩余寿命作为该样本的标签；将所述训练样本输入到舵机状态退化模型将进行训练，输出电动舵机的预测剩余寿命；
其中，所述多层模糊LSTM网络，模糊化的具体方法为：
将应力算子整体应用于模型M，从而影响LSTM单元和RUL预测深度学习网络的层的权重，在LSTM模型M的输入门，输出门，遗忘门和组件节点上施加/>应力，ρ应力强度影响每层LSTM单元权重，数学表达式如下：
其中，ft表示遗忘门控单元，it表示输入门控单元，表示单元格状态的候选值，ot表示输出门控单元，σ表示每个门的激活函数，Wf、Wf'、Wi、Wi'、Wo、Wo'、WC、WC'表示权重，ht表示隐藏层状态，bf、bi、bo、bC表示偏差，xt表示当前时刻的输入；
其中，所述多层模糊LSTM网络后面接一个全连接层，全连接层最终输出预测的电动舵机的剩余寿命。
8.如权利要求7所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测***，其特征在于，还包括：
显示模块，用于实时显示电动舵机的状态及剩余寿命预测值；
数据传输模块，用于将电动舵机的实时状态和剩余寿命预测值发送至远程监控平台。
9.一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一项所述的基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010972888.0A CN112069738B (zh) | 2020-09-16 | 2020-09-16 | 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010972888.0A CN112069738B (zh) | 2020-09-16 | 2020-09-16 | 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069738A CN112069738A (zh) | 2020-12-11 |
| CN112069738B true CN112069738B (zh) | 2024-04-26 |
Family
ID=73696004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010972888.0A Active CN112069738B (zh) | 2020-09-16 | 2020-09-16 | 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069738B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114218872B (zh) * | 2021-12-28 | 2023-03-24 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
| CN117031956B (zh) * | 2023-08-23 | 2024-03-19 | 无锡纬途流体科技有限公司 | 智能嵌入式电动执行机构的控制方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、***及存储介质 |
| CN110738360A (zh) * | 2019-09-27 | 2020-01-31 | 华中科技大学 | 一种设备剩余寿命预测方法及*** |
| KR20200023672A (ko) * | 2018-08-14 | 2020-03-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及*** |
| CN111460728A (zh) * | 2020-03-09 | 2020-07-28 | 华南理工大学 | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 |
-
2020
- 2020-09-16 CN CN202010972888.0A patent/CN112069738B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、***及存储介质 |
| KR20200023672A (ko) * | 2018-08-14 | 2020-03-06 | 오토시맨틱스 주식회사 | 딥러닝을 이용한 전지 진단 방법 |
| CN110738360A (zh) * | 2019-09-27 | 2020-01-31 | 华中科技大学 | 一种设备剩余寿命预测方法及*** |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及*** |
| CN111460728A (zh) * | 2020-03-09 | 2020-07-28 | 华南理工大学 | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| Research on failure prediction using DBN and LSTM neural network;Gu Yuhai;2018 57th annual conference of Society of instrument and control engineers of Jspan;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069738A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110216680B (zh) | 一种服务机器人云地协同故障诊断***和方法 | |
| Sadhu et al. | On-board deep-learning-based unmanned aerial vehicle fault cause detection and identification | |
| CN112069738B (zh) | 基于dbn和多层模糊lstm的电动舵机剩余寿命预测方法及*** | |
| US11823562B2 (en) | Unsupervised anomaly detection for autonomous vehicles | |
| Ning et al. | Applications of deep learning in big data analytics for aircraft complex system anomaly detection | |
| Li et al. | A Siamese hybrid neural network framework for few-shot fault diagnosis of fixed-wing unmanned aerial vehicles | |
| CN112817296B (zh) | 一种基于飞行数据与深度学习的飞行故障预测方法及装置 | |
| Ghazali et al. | Vibration-based fault detection in drone using artificial intelligence | |
| Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
| WO2016053748A1 (en) | Vibration signatures for prognostics and health monitoring of machinery | |
| Li et al. | Civil aircraft health management research based on big data and deep learning technologies | |
| Ahmad et al. | Intelligent framework for automated failure prediction, detection, and classification of mission critical autonomous flights | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及*** | |
| CN112560997A (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| Yu-ming et al. | Research on intelligent manufacturing flexible production line system based on digital twin | |
| Yuan et al. | An underwater thruster fault diagnosis simulator and thrust calculation method based on fault clustering | |
| Verstraete et al. | A deep adversarial approach based on multi-sensor fusion for remaining useful life prognostics | |
| CN114595525A (zh) | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 | |
| Shin et al. | Causality-Seq2Seq model for battery anomaly detection | |
| Xu et al. | ISHM-oriented adaptive fault diagnostics for avionics based on a distributed intelligent agent system | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Yang et al. | Aircraft actuator fault diagnosis using deep learning based sparse representation and TSM | |
| Zhang et al. | Simulation-to-reality UAV Fault Diagnosis with Deep Learning | |
| Thanaraj et al. | Hardware-in-the-loop simulation for quadrotor fault diagnosis enhancing airworthiness using OS-Fuzzy-ELM |
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 |