[发明专利]基于双层长短期记忆网络的复杂设备剩余寿命预测方法

权利要求书

1.基于双层长短期记忆网络的复杂设备剩余寿命预测方法，其特征在于，双层LSTM网络包括依次连接的输入层、隐藏层、第一LSTM层、第二LSTM层和输出层；

第一层为输入层，输入层的数据为m×n，m为时间序列，n为传感器的数量；

第二层为隐藏层，隐藏层的输入数据为m×n，激励函数为ReLU函数，隐藏层单元共q个，隐藏层的输出数据为m×q；

第三层为LSTM的第一层，该层输入数据为m×q，第三层共m个LSTM单元；第一个LSTM单元的输入包含q个来自隐藏层的输出值，并输出q个输出值至第四层对应的LSTM单元及到同层的下个LSTM单元中，同时输出q个状态值到同层下个LSTM单元中；中间m-2个LSTM单元的输入包含：q个来自隐藏层的输出值、q个来自同层上一个LSTM单元的输出值和q个来自同层上一个LSTM单元的状态值，并输出q个输出值至第四层对应的LSTM单元及到同层的下个LSTM单元中，同时输出q个状态值到同层下个LSTM单元中；最后一个LSTM单元的输入包含：q个来自隐藏层的输出值、q个来自同层上一个LSTM单元的输出值和q个来自同层上一个LSTM单元的状态值，并输出q个输出值至第四层对应的LSTM单元；

第四层为LSTM的第二层，该层输入数据为m×q，第四层共m个LSTM单元，第一个LSTM单元的输入包含q个来自第三层对应LSTM单元的输出值，并输出q个输出值到同层的下个LSTM单元中，同时输出q个状态值到同层下个LSTM单元中，中间m-2个LSTM单元的输入包含：q个来自第三层对应LSTM单元的输出值、q个来自第四层上一个LSTM单元的输出值和q个来自第四层上一个LSTM单元的状态值，并输出q个输出值到第四层的下个LSTM单元中，同时输出q个状态值到第四层下个LSTM单元中，最后一个LSTM单元的输入包含：q个来自第三层对应LSTM单元的输出值、q个来自同层上一个LSTM单元的输出值和q个来自同层上一个LSTM单元的状态值，并输出q个输出值；

第五层为输出层，输出层的输入数据为第四层最后一个LSTM单元的输出值，即q个输出值，输出层单元为1个，即输出层的输出数据为1个；

基于上述双层LSTM网络的复杂设备剩余寿命预测步骤如下：

S1、对复杂设备历史数据进行预处理，并搭建双层LSTM网络，复杂设备数据采用标准化方法进行预处理，去除不同地数据因量纲和幅值对网络训练造成地影响；

S2、对搭建的双层LSTM网络进行训练，对搭建的双层LSTM网络进行训练，具体过程为：

S201、确定每次训练批次大小，确定每次训练批次；

S202、损失函数为均方根误差函数；

S203、将数据和对应的标签即复杂设备剩余寿命值传递到双层LSTM网络中，进行训练，采用AdamOptimizer优化算法最小化损失函数；

S204、将训练好的双层LSTM网络参数进行保存；

S3、将测试数据进行预处理后传递到训练好的双层LSTM网络中，对训练数据采用标准化方法进行预处理，预处理具体如下：

其中，代表训练样本中第i号传感器的在j时刻标准化得到的值，代表训练样本中第i号传感器的在j时刻的值，代表训练样本中第i号传感器的均值，代表训练样本中第i号传感器的方差；

S4、双层LSTM网络的输出值为复杂设备剩余寿命的预测值。

2.根据权利要求1所述基于双层长短期记忆网络的复杂设备剩余寿命预测方法，其特征在于，步骤S1中，预处理具体如下：

其中，代表训练样本中第i号传感器的在j时刻标准化得到的值，代表训练样本中第i号传感器的在j时刻的值，代表训练样本中第i号传感器的均值，代表训练样本中第i号传感器的方差。

3.根据权利要求1所述基于双层长短期记忆网络的复杂设备剩余寿命预测方法，其特征在于，步骤S201中，每个训练批次选取的样本数为s，学习率设置为L。

4.根据权利要求1所述基于双层长短期记忆网络的复杂设备剩余寿命预测方法，其特征在于，步骤S202的均方根误差函数Loss计算如下 ：

其中，N_b代表每个训练批次中地样本数，h_i为预测地剩余寿命值减去实际的剩余寿命值。