[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

说明书

本发明公开了一种基于双层长短期记忆网络的复杂设备剩余寿命预测方法，采用深度学习算法，对复杂设备历史数据进行预处理，并搭建双层长短期(LSTM)网络，其中，双层长短期(LSTM)网络中LSTM单元的个数由连续时间周期决定，对搭建的双层LSTM网络进行训练，将当前数据进行预处理后传递到训练好的双层LSTM网络中，将双层LSTM网络的输出设置为复杂设备剩余寿命的预测值。本发明提供的基于双层LSTM的复杂设备剩余寿命预测模型，能够对复杂设备剩余寿命的预测准确性带来较高的提升。复杂设备因此可以得到及时有效维护，同时降低了事故的发生。能够确保复杂设备运行的安全，同时减少不必要的维护，具有重大意义。

技术领域

本发明属于复杂设备故障诊断技术领域，具体涉及一种基于双层长短期记忆网络(LSTM) 的复杂设备剩余寿命预测方法。

背景技术

在实际工程应用中，机械设备不可避免的受到损伤，随着使用时间的积累，损伤的累积最终导致设备故障的发生。在设备发生故障后再采取维修手段，往往会使生产中断，导致效率下降，而过于提前更换设备又造成资源浪费，导致额外费用增加；因此，准确的预测设备剩余使用寿命能够有效的提高生产效率，降低额外费用。然而，随着设备设计趋向复杂化，准确地预测设备剩余使用寿命愈加困难，因此，如何有效的预测设备剩余使用寿命具有重要的现实意义。

从国内外现状看来，复杂设备剩余寿命预测是设备诊断和健康管理中最具有挑战性的工作之一。根据相关文献表明，大量的算法应用到了复杂设备剩余寿命的预测中，如支持向量机、隐马尔可夫模型和深度学习等，其中深度学习表现出较优异的结果，但是，与复杂设备相关的数据量大而且数据种类繁多，传统的算法很难建立数据同复杂设备剩余寿命间的映射，并且预测效果较差。因此急需提出一种精准的复杂设备预测算法，来提高对复杂设备剩余寿命预测的准确性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于双层长短期记忆网络的复杂设备剩余寿命预测方法，改变对复杂设备预测精度差的现状。

本发明采用以下技术方案：

基于双层长短期记忆网络的复杂设备剩余寿命预测方法，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；