[go: up one dir, main page]

CN112182976B - 一种工业设备剩余寿命预测方法 - Google Patents

一种工业设备剩余寿命预测方法 Download PDF

Info

Publication number
CN112182976B
CN112182976B CN202011083726.8A CN202011083726A CN112182976B CN 112182976 B CN112182976 B CN 112182976B CN 202011083726 A CN202011083726 A CN 202011083726A CN 112182976 B CN112182976 B CN 112182976B
Authority
CN
China
Prior art keywords
layer
feature vector
normalization
industrial equipment
input
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.)
Expired - Fee Related
Application number
CN202011083726.8A
Other languages
English (en)
Other versions
CN112182976A (zh
Inventor
杨浩森
罗伯特.才明.邱
丁克勤
密铁宾
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.)
Shanghai Jiao Tong University
Original Assignee
Shanghai Jiao Tong University
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 Shanghai Jiao Tong University filed Critical Shanghai Jiao Tong University
Priority to CN202011083726.8A priority Critical patent/CN112182976B/zh
Publication of CN112182976A publication Critical patent/CN112182976A/zh
Application granted granted Critical
Publication of CN112182976B publication Critical patent/CN112182976B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种工业设备剩余寿命预测方法，所述预测方法包括：传感器采集所述工业设备的量测数据；对所述量测数据进行预处理获取预处理数据；将所述预处理数据输入至编码器中的双向门控循环单元获取输入特征向量；将所述输入特征向量输入至标准化流层获取输出特征向量；将所述输出特征向量输入至解码器获取对所述工业设备剩余寿命的预测结果。本发明嵌入的标准化流层与传统的神经网络结构部分连接紧密，且一同初始化与训练，具备优越的时序数据建模能力，提高了工业设备的剩余寿命预测效果。

Description

一种工业设备剩余寿命预测方法
技术领域
本发明涉及工业设备健康评估技术领域，具体涉及一种工业设备剩余寿命预测精度提升方法。
背景技术
典型工业设备的剩余寿命预测具有很大的科学和工程价值。近年来，随着工业4.0的推进，工业设备的智能化和复杂程度大大上升，传统的基于模型的方法得到的效果不能满足对设备健康评估的要求。因此，如何在原有基于序列对序列预测的数据驱动的算法的基础上，对工业设备进行较为精确的剩余寿命预测是目前有待解决的问题。
发明内容
本发明要解决的技术问题是对工业设备进行较为精确的剩余寿命预测，提供一种工业设备剩余寿命预测方法。
本发明是通过下述技术方案来解决上述技术问题：
一种工业设备剩余寿命预测方法，所述预测方法包括：
传感器采集所述工业设备的量测数据；
对所述量测数据进行预处理获取预处理数据；
将所述预处理数据输入至编码器中的双向门控循环单元获取输入特征向量；
将所述输入特征向量输入至标准化流层获取输出特征向量；
将所述输出特征向量输入至解码器获取对所述工业设备剩余寿命的预测结果。
较佳地，在所述传感器采集所述工业设备的量测数据之前还包括对循环神经网络的训练过程：
获取所述标准化流层的训练输出向量概率分布与训练输入向量概率分布间的雅克比矩阵；
设置循环神经网络的目标函数，所述目标函数包括所述雅克比矩阵的数值元素；
使用优化算法对所述循环神经网络的权值参数进行优化，使得包含正则项惩罚所述雅克比矩阵中非对角线元素的所述目标函数的值最小；
获取已训练的所述循环神经网络。
较佳地，所述预处理包括：
对所述量测数据的空缺值使用插值法填补；
对所述填补后的量测数据进行归一化处理，获取所述预处理数据。
较佳地，所述将所述输入特征向量输入至标准化流层获取输出特征向量包括：
根据所述输入特征向量的长度和输出特征向量的长度的差值，将所述输入特征向量划分为第一自回归标准化流和第二自回归标准化流；
所述第一自回归标准化流和所述第二自回归标准化流分别输入至所述标准化流层，所述编码器的输出端连接至所述标准化流层的输入端，所述标准化流层的输出端连接至所述解码器的输入端；
所述第一自回归标准化流通过第一多层前馈神经网络的全连接层输出权值矩阵U；
所述第一自回归标准化流通过第二多层前馈神经网络的全连接层输出偏置向量V；
所述第二自回归标准化流与所述权值矩阵U和所述偏置向量V进行运算后获取所述标准化流层的所述输出特征向量。
进一步地，所述运算包括：第二自回归标准化流首先与所述权值矩阵U相乘后再与所述偏置向量V相加。
较佳地，所述输出特征向量输入至所述解码器的双向控制门单元，所述解码器的双向控制门单元的输出连接至所述解码器的全连接层，所述解码器的全连接层输出所述预测结果。
较佳地，所述标准化流层可以为一层也可以为多层。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：嵌入的标准化流层与传统的神经网络结构部分连接紧密，且一同初始化与训练，具备优越的时序数据建模能力，提高了工业设备的剩余寿命预测效果。
附图说明
图1为本发明一种工业设备剩余寿命预测方法一实施例中的剩余寿命预测的流程图；
图2为本发明一种工业设备剩余寿命预测方法一实施例中的对循环神经网络训练的流程图；
图3为本发明一种工业设备剩余寿命预测方法一实施例中的嵌入多层标准化流层的结构示意图；
图4为本发明一种工业设备剩余寿命预测方法一实施例中的标准化流层结构示意图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图2所示为本发明对循环神经网络训练的流程图，本发明的循环神经网络包括：编码器，标准化流层，解码器。所述编码器，标准化流层及解码器顺次连接。
S11：获取所述标准化流层的训练输出特征向量概率分布与训练输入特征向量概率分布间的雅克比矩阵；
在一个示例中，标准化流层最大的特点是，其训练输出特征向量与训练输入特征向量的概率分布之间的关系可以用其雅克比矩阵来表达，
Figure BDA0002719582040000041
其中，P(A)和P(C)分别表示训练输出特征向量与训练输入特征向量的概率分布，
Figure BDA0002719582040000042
表示训练输入特征向量对训练输出特征向量的雅克比矩阵，/>
Figure BDA0002719582040000043
表示训练输出特征向量对训练输入特征向量的雅克比矩阵的逆矩阵。
S12：设置循环神经网络的目标函数，所述目标函数包括所述雅克比矩阵的数值元素；
在一个示例中，所述循环神经网络的目标函数为：
Figure BDA0002719582040000044
其中，Loss表示循环神经网络输出的目标函数，
Figure BDA0002719582040000045
表示未加正则项的目标函数，通常为二范数，一范数，交叉熵等等，/>
Figure BDA0002719582040000046
表示正则化流的雅克比矩阵，
Figure BDA0002719582040000047
表示雅克比矩阵所有元素之和，/>
Figure BDA0002719582040000048
表示雅克比矩阵的迹，也就是雅克比矩阵对角线元素之和。
S13：使用优化算法对所述循环神经网络的权值参数进行优化，使得包含正则项惩罚所述雅克比矩阵中非对角线元素的所述目标函数的值最小；
在一个示例中，所使用的优化算法为Adam算法，所施加的雅克比矩阵的正则项将惩罚雅克比矩阵中对角线以外区域元素的数值，根据Loss目标函数，对解码器，标准化流层和解码器的权值参数一起优化，使得Loss目标函数的值为最小。
S14：获取已训练的所述循环神经网络。
在获取已训练的所述循环神经网络后，对工业设备的剩余寿命进行预测，如图1所示：
S01：传感器采集所述工业设备的量测数据；
获取工业设备上安装的传感器采集的量测数据与相关故障报告。
S02：对所述量测数据进行预处理获取预处理数据；
在一个示例中，将工业设备量测数据中的空缺值利用插值方法填补，并对当前设备数据进行归一化，获得预处理数据：
xi＝(xi-μ)/σ2
其中，xi表示第i个设备数据；μ表示均值；σ表示方差；使得均值为0，方差为1。
S03：将所述预处理数据输入至编码器中的双向门控循环单元获取输入特征向量；
在一个示例中，如图3所示，将预处理后的数据X1:n输入到解码器中的双向门控循环神经单元(bi-GRU)从而获取输入特征向量C，根据序列对序列预测中，输入特征向量C的长度LC与输出特征向量A的长度LA不相等的特点(且LC＞LA)，将预处理数据中时序上前1:LC-LA的数据作为第一自回归标准化流，即C1：m＝C[1:LC-LA]，将剩余部分作为第二自回归标准化流，即Cm+1:n＝C[LC-LA+1:LC]。
S04：将所述输入特征向量输入至标准化流层获取输出特征向量；
在一个示例中，如图4所示，所述第一自回归标准化流C1:m通过第一多层前馈神经网络的全连接层输出权值矩阵U，所述第一自回归标准化流C1:m通过第二多层前馈神经网络的全连接层输出偏置向量V，之后输出A1:m，
U＝δ(W1C[1:LC-LA]+b1)
V＝δ(W2C[1:LC-LA]+b2)
U和V分别表示权值矩阵和偏置向量，W1，W2，b1，b2表示全连接层待优化的参数，权值矩阵U和偏置向量V与第二自回归标准化流C[LC-LA+1:LC]分别相乘和相加得到该标准化流层的输出特征向量A，即：
Am+1:n＝UCm+1:n+V＝UC[LC-LA+1:LC]+V
S05：将所述输出特征向量输入至解码器获取对所述工业设备剩余寿命的预测结果。
在一个示例中，如图3所示，标准化流层的输出特征向量A输入至解码器中的双向门控循环单元(bi-GRU)，所述解码器中的双向门控循环单元输出hm+1:n后输入至解码器中的全连接层，所述解码器中的全连接层输出工业设备剩余寿命的预测结果，该剩余寿命预测结果为对应于时间段LC-LA+1:LC的剩余寿命预测结果。
在一个可选的示例中，所述标准化流层可以为多层，标准化流层可根据任务复杂程度进行无限次堆叠，如图3所示为嵌入多层标准化流层的循环神经网络，第一标准化流层至第k标准化流层顺次连接，编码器的输出为第一自回归标准化流C1：m和第二自回归标准化流Cm+1:n分别输入至第一标准化流层，在经过第k标准化流层后，第一自回归标准化流C1：m丢弃，将输出特征向量Am+1:n输入至解码器。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (5)

1.一种工业设备剩余寿命预测方法，其特征在于，所述预测方法包括：
训练循环神经网络：
获取标准化流层的训练输出特征向量概率分布与训练输入特征向量概率分布间的雅克比矩阵；
设置循环神经网络的目标函数，所述目标函数包括所述雅克比矩阵的数值元素；
使用优化算法对所述循环神经网络的权值参数进行优化，使得包含正则项惩罚所述雅克比矩阵中非对角线元素的所述目标函数的值最小；
获取已训练的所述循环神经网络；
传感器采集所述工业设备的量测数据；
对所述量测数据进行预处理获取预处理数据；
将所述预处理数据输入至编码器中的双向门控循环单元获取输入特征向量；
将所述输入特征向量输入至标准化流层获取输出特征向量，包括：
根据所述输入特征向量的长度和输出特征向量的长度的差值，将所述输入特征向量划分为第一自回归标准化流和第二自回归标准化流；
所述第一自回归标准化流和所述第二自回归标准化流分别输入至所述标准化流层，所述编码器的输出端连接至所述标准化流层的输入端，所述标准化流层的输出端连接至解码器的输入端；
所述第一自回归标准化流通过第一多层前馈神经网络的全连接层输出权值矩阵U；
所述第一自回归标准化流通过第二多层前馈神经网络的全连接层输出偏置向量V；
所述第二自回归标准化流与所述权值矩阵U和所述偏置向量V进行运算后获取所述标准化流层的所述输出特征向量；
将所述输出特征向量输入至解码器获取对所述工业设备剩余寿命的预测结果。
2.如权利要求1所述的一种工业设备剩余寿命预测方法，其特征在于，所述预处理包括：
对所述量测数据的空缺值使用插值法填补；
对所述填补后的量测数据进行归一化处理，获取所述预处理数据。
3.如权利要求1所述的一种工业设备剩余寿命预测方法，其特征在于，所述运算包括：第二自回归标准化流首先与所述权值矩阵U相乘后再与所述偏置向量V相加。
4.如权利要求1所述的一种工业设备剩余寿命预测方法，其特征在于，所述输出特征向量输入至所述解码器的双向控制门单元，所述解码器的双向控制门单元的输出连接至所述解码器的全连接层，所述解码器的全连接层输出所述预测结果。
5.如权利要求1至4任一项所述的一种工业设备剩余寿命预测方法，其特征在于，所述标准化流层可以为一层也可以为多层。
CN202011083726.8A 2020-10-12 2020-10-12 一种工业设备剩余寿命预测方法 Expired - Fee Related CN112182976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011083726.8A CN112182976B (zh) 2020-10-12 2020-10-12 一种工业设备剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011083726.8A CN112182976B (zh) 2020-10-12 2020-10-12 一种工业设备剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN112182976A CN112182976A (zh) 2021-01-05
CN112182976B true CN112182976B (zh) 2023-03-24

Family

ID=73948329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011083726.8A Expired - Fee Related CN112182976B (zh) 2020-10-12 2020-10-12 一种工业设备剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN112182976B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119004118B (zh) * 2024-10-24 2025-01-24 山东和光智慧能源科技有限公司 一种热力管道寿命预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106502985A (zh) * 2016-10-20 2017-03-15 清华大学 一种用于生成标题的神经网络建模方法及装置
CN110287583A (zh) * 2019-06-21 2019-09-27 上海交通大学 基于循环神经网络的工业设备剩余寿命预测方法
CN110929869A (zh) * 2019-12-05 2020-03-27 同盾控股有限公司 注意力模型的训练方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106502985A (zh) * 2016-10-20 2017-03-15 清华大学 一种用于生成标题的神经网络建模方法及装置
CN110287583A (zh) * 2019-06-21 2019-09-27 上海交通大学 基于循环神经网络的工业设备剩余寿命预测方法
CN110929869A (zh) * 2019-12-05 2020-03-27 同盾控股有限公司 注意力模型的训练方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于收缩极限学习机的故障诊断鲁棒方法";陈剑挺 等;《计算机工程与设计》;20200131;第208-213页 *

Also Published As

Publication number Publication date
CN112182976A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Wang et al. Temporal convolutional network with soft thresholding and attention mechanism for machinery prognostics
WO2020244134A1 (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN109297689B (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN105825271B (zh) 基于证据推理的卫星故障诊断与预测方法
CN111277434A (zh) 一种基于vmd和lstm的网络流量多步预测方法
CN110287583B (zh) 基于循环神经网络的工业设备剩余寿命预测方法
CN109635763B (zh) 一种人群密度估计方法
CN111639461B (zh) 针对工业不均衡数据的刀具磨损状态检测方法
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN117923331B (zh) 一种基于吊车吊装的负荷控制系统及方法
CN108805195A (zh) 一种基于二值深层神经网络的电机群故障诊断方法
Meesublak et al. A cyber-physical system approach for predictive maintenance
CN116976857B (zh) 一种基于深度学习的铁路电力设备预测性维护方法及系统
CN106779063A (zh) 一种基于rbf网络的提升机制动系统故障诊断方法
US20230350402A1 (en) Multi-task learning based rul predication method under sensor fault condition
CN112926642B (zh) 一种多源域自适应智能机械故障诊断方法及系统
CN114398992A (zh) 一种基于无监督域适应的智能故障诊断方法
CN114152442A (zh) 基于迁移卷积神经网络的滚动轴承跨工况故障检测方法
CN112182976B (zh) 一种工业设备剩余寿命预测方法
CN117290726A (zh) 一种基于CAE-BiLSTM的动设备故障预警方法
CN117851891A (zh) 基于数字孪生的cnn-lstm故障检测方法
CN111414943B (zh) 一种基于混合隐朴素贝叶斯模型的异常检测方法
CN115186574A (zh) 一种基于门控循环残差网络的刀具剩余寿命预测方法
CN109324591B (zh) 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
CN115217534A (zh) 一种汽轮机服役质量状态监测方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20230324