[发明专利]单调回声状态网络的剩余寿命预测方法

说明书

技术领域

本发明涉及单调回声状态网络的剩余寿命预测方法，属于故障预测和系统健康管理领域。

背景技术

函数逼近问题是神经网络研究的一个基本问题，主要是依赖神经网络的高度非线性逼近能力。已经证明前馈网络可以逼近任意紧凑域（Borel-域）上的可测函数。递归神经网络可以理解为一个开放的动态系统,通过状态空间的形式描述递归神经网络内部的映射，如公式1所示：

s_t+1=f(As_t+Bu_t+θ)state transition

y_t=Cs_t    output equation    (1)

其中，A,B,C是权值矩阵，θ是偏差单元，是输入变量u_t的偏置。f是神经网络的激活函数，通常是S型函数，例如双曲正切(the hyperbolic tangent)。由于递归神经网络的状态转移方程的形式使得下一时刻的状态S_t+1是当前时刻以前的全部输入u_t,u_t-1,…….的叠加，因此递归神经网络具有短期记忆特性。RNN是一种通用逼近器，它可以任意精度逼近任何开放动态系统。但是由于传统的递归神经网络结构复杂，需要训练全部的权值；基于梯度下降的学习方法导致其收敛速度慢和计算成本高。RNN的这两个缺点限制了它的应用。随着储备池计算技术reservoir computing(RC)的发展，Jaeger教授在2001年提出了一种新型的递归神经网络，叫做回声状态网络（ESN），其网络结构如图1所示。ESN兼顾传统神经网络的优点，同时克服了传统方法的缺点，具有很好的函数逼近能力。ESN采用动态的储备池代替通用神经网络的隐层，储备池中含有大量的稀疏连接的神经元，显示了良好的记忆特性；此外，回声状态网络在学习过程中，只需要训练输出权值，从而简化了网络的建立。ESN在混沌时间序列预测中的优势已很明显，但是都是针对不含噪声的混沌时间序列。然而在含噪声的混沌时间序列的多步迭代预测过程中，误差会通过单步预测累积，而且使用线性回归方法计算输出权值极易导致反问题的病态解，得到较大幅值的输出权值，文献采用正则项的学习算法，在解的精确度和平滑性之间做出权衡，应用于Lorenz多步时间序列预测,预测精度比RBF模型更高；我们知道，储备池规模，神经元特性或者其他性质都会对ESN的性能产生影响，后来使用leaky integrator神经元代替传统ESN的S型神经元进行改井，解决“figure8”generation task，并以零错误率分类日本元音数据；后来又提出将储备池计算和小波分解结合用于时间序列预测，采用小波将原始时间序列分解为多个较易预测的序列，经多个ESN分别预测后，将ESN的输出序列重新组合成原序列。采用ESTSP08会议的数据集验证了方法的有效性；虽然ESN有学习方法简单的优点，但是由于(1)(The free parameters)ESN的参数对ESN的性能影响很大，目前只有专家经验和交叉验证的方法设置ESN的参数；(2)只有单一储备池的ESN并不是万能的，ESN不能被训练成为a multiple superimposed oscillator(MSO)。针对以上两个问题，提出解耦合的回声状态网络，使用侧抑制方法建立两种低复杂度的实施方案，分别为DESN+储备池预测(DESN+RP)和DESN+最大可用信息(DESN+MaxInfo)。用于预测实际的海杂波数据，与仅有单一储备池的ESN相比具有更高的预测精度和鲁棒性。但是ESN尚没有被应用于具有单调趋势的这类函数的逼近问题中.实际上，这类函数在现实生活中是很常见的。例如民众的购买力强弱和商品价格的高低是成比例的，商品价格越高，购买力越弱。反之，商品价格越低，购买力越强；还有我们熟知的人的体重越大，患心脏病和慢性病的风险就越大；还有房屋的价格和房屋所在地，房间数目和房屋面积成单调关系；另一个典型的例子是故障诊断与预测问题，状态监测数据与被监测物体的剩余寿命之间的关系，比如轴承的剩余寿命和它的两个状态监测参数振动频率和温度成反比，即轴承振动频率越大，温度越高，剩余寿命越少等等。但是将传统ESN用于具有单调趋势的函数的逼近问题中存在计算效率低、逼近性能差等缺点。

发明内容

本发明目的是为了解决传统ESN用于具有单调趋势的函数的逼近问题中存在计算效率低、逼近性能差等缺点，进而无法准确预测寿命的问题，提供了一种单调回声状态网络的剩余寿命预测方法。

本发明所述单调回声状态网络的剩余寿命预测方法，包括以下步骤：