[发明专利]一种基于DCNN模型的矿井机械设备的剩余寿命预测方法

权利要求书

1.一种基于DCNN模型的矿井机械设备的剩余寿命预测方法,其特征在于：包括以下步骤，

S100～收集设备从投入使用到完全报废的整个寿命周期的数据，对收集的原始数据进行去噪、缺失值弥补以及归一化处理，对于高维数据进行降维处理以及特征提取的预处理；

S200～将设备历史运转信息，即投入使用-报废，划分为训练集和测试集；

步骤S200采取以下方法，

S201～对经过预处理的数据集进行划分，在数据集划分时，采用分层抽样的方法，即在完整的数据集中，每隔四个数据抽取一个数据，按照这样的顺序一直抽取到数据结束，抽取的数据作为测试集，剩余的作为训练集，则训练集和测试集的比例为4:1；

S202～设置训练集和预测集的对应标签，

上式中RUL_i即为对应的标签，RUL_i表示第i个时间点的设备剩余寿命，x_i表示第i个时间点监测值的特征值，x_min表示所有特征值中最小特征，x_max表示所有特征中最大特征，当i点属于训练集中的一个，则对应的RUL_i也为训练集标签中的一个，且输入值x_i的对应标签为RUL_i，同理，测试集中的标签对应方式和训练集中的对应方式一样；

S300～构建深度卷积神经网络DCNN模型，使模型的学习能力增强，提高预测的准确度，同时能够处理大量数据；

步骤S300采取以下方法，

S301～建立合适深度的DCNN模型，设置初始参数值，参数值包括网络的层数，卷积层的卷积核的大小，卷积核的移动步长，激活函数类型，每个对应函数的偏置和权重系数，池化层的池化方式，池化层的核尺寸以及核移动步长，dropout值防止过拟合，初始化设置循环次数，每次输入的样本数量；

S302～用训练集数据作为输入，在训练过程中，以交叉熵损失函数MSE作为评价模型参数调整的依据，为了使模型的交叉熵损失函数达到最小，交叉熵损失阈值设置为10^-6，当训练得到的值小于阈值，可认为模型达到最优，在训练过程中不断调整S301中提到的参数，直至交叉熵损失函数达到设定的阈值，可认为模型各个参数达到最优，此时保存模型；

S303～用测试集进行DCNN模型的训练，使模型学习到不同阶段的特征，进行S301中提到的参数优化，直至训练集中的预测值和实际值的均方误差达到最小，训练预测结果达到最优；均方误差表达式：

N表示参加训练的数据量，y_pi表示对第i个输入的预测值，y_ti表示第i个输入对应的实际值；

S400～基于训练好的模型，利用测试集测试模型预测值，将模型的预测值和实际值做对比，得到模型预测的准确性，对模型预测结果进行评判；

步骤S400采取以下方法，对模型预测结果进行评判，采用四个指标进行评判；分别为均方根误差RMSE、拟合优度检验R²、调整拟合优度检验Adjusted_R²和Score，其表达式分别如下：

N表示参加训练的数据量，预测分析中RMSE越接近0，代表预测结果越精确；

表示预测的均值，R²值越接近1，代表预测结果越好；

p代表特征数量，Adjusted_R²越接近1，表示预测结果越精确；

表示第i个时间点预测的剩余寿命，RUL_i表示第i个时间点的实际剩余寿命，Score值越接近0，代表预测结果越精确；

S500～可视化预测结果，进行预测剩余寿命分析。

2.根据权利要求1所述的基于DCNN模型的矿井机械设备的剩余寿命预测方法,其特征在于：所述的步骤S500采取以下方法，基于python语言，调用matplotlib库实现可视化，可视化窗口中包含模型预测值的变化曲线以及模型实际剩余寿命变化曲线，图形的横坐标代表各个监测点，纵坐标代表剩余寿命的百分比。