[发明专利]一种预测健康管理方法及装置、计算机可读存储介质

权利要求书

1.一种预测健康管理方法，其特征在于，包括：

获取传感器采集的数据，将获取的数据按时序加窗划分为多个数据块，每个窗内数据块储存在处理器的共享内存中，为处理器多线程共享使用；

通过多线程对划分出的多个数据块进行并行特征提取，并将各个线程提取的特征按类别进行合并，得到合并后的特征数据集；

利用得到的特征数据集进行健康评估、故障诊断或剩余寿命预测；

所述利用得到的特征数据集进行健康评估，包括：

将所述特征数据集划分为多个子数据集；

通过多线程对划分的各个子数据集同时进行聚类运算，得到各个子数据集的局部聚类结果；

将各个子数据集的局部聚类结果进行归并处理，得到归并后的聚类结果。

2.根据权利要求1所述的预测健康管理方法，其特征在于，当通过多个多处理器MP执行所述多线程时，相同MP内部的多线程之间通过共享内存进行数据通信；不同MP之间通过全局内存进行数据通信。

3.根据权利要求1所述的预测健康管理方法，其特征在于，所述利用得到的特征数据集进行故障诊断或剩余寿命预测，包括：

将所述特征数据集输入预先建立的深度置信神经网络模型；

通过多线程并行吉布斯抽样，根据抽样结果并行计算隐层与显层之间相互被激活的概率，并行更新每个神经元之间的权重以及偏置值；

将更新后的每个神经元之间的权重以及偏置值作为初始化训练参数，对深度置信神经网络进行有监督地训练；

利用训练好的深度置信神经网络进行故障诊断或剩余寿命预测。

4.根据权利要求3所述的预测健康管理方法，其特征在于，所述通过多线程并行吉布斯抽样，根据抽样结果并行计算隐层与显层之间相互被激活的概率，并行更新每个神经元之间的权重以及偏置值，包括：

并行吉布斯抽样，同时抽取显层上每个神经元的值，计算每个隐层神经元被显层神经元激活的概率值：

其中，i∈[0,M],j∈[0,N]，v为显层数据值，h为隐层数据值，M为显层神经元个数，N为隐层神经元个数；W为权重，b为隐层偏置值，c为显层偏置值；

通过隐层h⁽⁰⁾重构显层v⁽¹⁾，再次并行吉布斯抽样，计算显层神经元被隐层神经元激活的概率值：

通过显层v⁽¹⁾重构隐层h⁽¹⁾，再次并行吉布斯抽样，计算隐层神经元被显层神经元激活的概率值：

并行更新每个神经元之间的权重以及偏置值：

其中，η为预设的学习率。

5.根据权利要求3所述的预测健康管理方法，其特征在于，所述将更新后的每个神经元之间的权重以及偏置值作为初始化训练参数，对深度置信神经网络进行有监督地训练，包括：

根据反向传播算法，对所述深度置信神经网络中的深度BP神经网络进行有监督地调优训练；

采用梯度下降算法迭代更新各层的权重及偏置值，直到各层的权重及偏置值达到最优化。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的预测健康管理方法的步骤。