[发明专利]一种基于多变量关联数据的设备剩余寿命预测方法

权利要求书

1.基于多变量关联数据的设备剩余寿命预测方法，其特征在于，具体按照以下步骤实施：

步骤1、分析设备状态监测数据与剩余寿命之间的相关性；

所述步骤1具体为：

步骤1.1、采集设备的状态监测量和对应的剩余寿命，假设设备有n个状态监测量，共监测t个时刻的状态特征，则状态监测量X表示为：

X＝{x₁,x₂,...,x_n}

其中，x_i＝[x_i1,x_i2,...,x_it]^T，i＝1,2,....n，即状态监测量X表示为：

设备的状态监测量对应的剩余寿命Y表示为：

Y＝[y₁,y₂,...,y_t]^T；

其中，y_j表示j时刻的设备剩余寿命，j＝1,2,...,t；

步骤1.2、判断多种监测量X＝{x₁,x₂,...,x_n}和剩余寿命Y＝[y₁,y₂,...,y_t]^T之间的相关性，采用计算Spearman系数的方法判断相似性，相关系数ρ计算公式为：

其中，x_i为第i个状态监测序列，为状态监测序列x_i的均值，Y为与x_i相对应的剩余寿命，为时间序列Y的均值；

步骤1.3、选取出具有相关性的监测量：当相关系数越接近1或者-1，状态监测量和剩余寿命之间相关性越强；相关系数越接近0，状态监测量和剩余寿命之间相关性越弱，据此选取和剩余寿命具有相关性的状态监测量；

步骤2、对具有相关性的状态监测数据选用主成分分析算法进行降维处理；

所述步骤2具体为：

步骤2.1、对步骤1中的监测数据进行标准化处理；

步骤2.2、计算监测数据的相关系数矩阵，R样本相关系数矩阵表示各个指标之间的相关性，该系数矩阵是对称矩阵，相关系数矩阵表示如下：

其中，r_nn为监测数据X中第n列与第n列的相关系数，其他的以此类推；

步骤2.3、计算特征值λ_i和特征向量；通过特征方程|R-λE|＝0求解特征值λ_i，i＝1,2,...,n，将特征根按从小到大排列λ₁≥λ₂≥...≥λ_n，求出相应的特征向量L_i＝(L_i1,L_i2,...,L_in)^T，其中L_in表示特征向量中第n个元素的值，其他的以此类推；

步骤2.4、求贡献率和累积贡献率，第k个主成分的贡献率为(k∈1,2,...,n),累积贡献率为

提取累积贡献率E≥85％的特征值λ₁,λ₂,...,λ_m(mn)；

步骤2.5、计算成分载荷矩阵：成分载荷矩阵为各个指标在每个主成分中所占的比例；

步骤2.6、计算主成分矩阵：

设z_i为综合指标，F_ij为载荷因子，X_i为指标变量，则：

z_i＝f_i1X₁+f_i1X₂+...+f_imX_m,i＝1,2,...,m

步骤2.7、计算主成分得分，并对指标体系进行评价；

步骤3、采用长短时记忆网络搭建剩余寿命预测模型并进行剩余寿命预测，

所述步骤3具体为：

步骤3.1、长短时记忆网络结构中共有三个门，分别为输入门、遗忘门和输出门：

遗忘门公式为：

f^(t)＝σ(W_fx^(t)+W_fh^(t-1)+b_f)

输入门公式为：

i^(t)＝σ(W_ix^(t)+W_ih^(t-1)+b_i)

g^(t)＝tanh(W_gx^(t)+W_gh^(t-1)+b_g)

将先前的内部状态更新为当前状态

s^(t)＝g_t×i^(t)+s^(t-1)×f^(t)

输出门公式为：

o^(t)＝σ(W_ox^(t)+W_oh^(t-1)+b_o)

h^(t)＝tanh(s^(t))×o^(t)

其中，x^(t)是t时刻的输入层，即采用主成分分析法进行降维处理后的数据序列；h^(t-1)是t-1时刻的隐层；W_f,W_i,W_o分别为遗忘门、输入门、输出门的权重矩阵，b_f,b_i,b_o分别是遗忘门、输入门、输出门的偏置项；σ和tanh均为激活函数，其中，σ为sigmoid函数，tanh为双曲正切函数；

步骤3.2、采取小批量梯度下降算法MBGD对长短时记忆网络进行训练：首先采用随机初始化权重和偏置的方式进行网络初始化，然后运用小批量梯度下降算法进行参数更新，即在每次更新参数时只使用一部分样本进行，给定最小批量m个训练样本执行梯度更新，从而获得更加准确的剩余寿命预测模型；

步骤3.3、将新的状态监测值X'＝{x₁',x₂',...,x_n'}，输入到剩余寿命预测模型中，从而得到对应的剩余寿命，其中，x_i'＝[x_i(t+1)',x_i(t+2)',...,x_i(t+q)']^T，i＝1,2,....n，q为预测长度。