[发明专利]一种工业设备剩余寿命预测模型及其构建方法和应用

说明书

本发明公开一种工业设备剩余寿命预测模型及其构建方法和应用，方法包括：采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集，并构建每个全寿命多特征数据集的多维矩阵；采用滑动窗口对每个多维矩阵进行时间序列切片，得到该多维矩阵的多个时间切片矩阵；根据故障模式种类，对所有时间切片矩阵分类；基于每种故障模式对应的所有时间切片矩阵，训练该故障模式的CNN‑RNN混合预测模型得到工业设备剩余寿命。本发明通过使用滑动窗口对多维数据进行时间序列切片，增加混合模型输入的多样性，利用预分类构建模型库，对含有多种故障模式的数据集处理，提高模型预测精度；构建CNN‑RNN混合网络实现了无需自定义失效阈值的端到端的剩余使用寿命预测模型。

技术领域

本发明属于现代工业故障预测与健康管理领域，更具体地，涉及一种工业设备剩余寿命预测模型及其构建方法和应用。

背景技术

寿命预测与健康管理(Prognostic Health Management,PHM)技术是现代工业发展过程中最重要的核心技术之一。由于机械自身损耗、外部破坏等原因，设备会因为性能的退化出现机械故障、引发事故，在严重的情况下甚至会造成人员伤亡或巨额的财产损失。PHM技术通过对设备的剩余使用寿命进行预测，在此基础上采取合适的手段进行健康管理，提高设备的可靠性、安全性。剩余寿命预测(Remaining Useful Life,RUL)技术是寿命预测与健康管理的重要组成部分，通过准确预测剩余寿命，在设备失效前采取相应的维护措施，减少事故的发生，提高设备利用率。现有的寿命预测方法大致可分为基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法需要对设备机理进行分析，建立准确的物理模型，这对于复杂的设备系统来说很难做到。而基于数据驱动的方法使用分布式传感器采集设备的性能退化数据，通过充分挖掘监测数据所包含的潜在信息，不需要建立复杂的物理模型，就能做到对设备的剩余使用寿命进行准确预测。

机器学习在图像、语音、自然语言处理的识别和分类领域取得了很好的成绩，神经网络作为机器学习的一个分支，能够反向学习自我完善，有着强大的拟合能力，将神经网络应用于寿命预测领域，可以对复杂的设备系统建模，模型能有效地提取设备退化数据特征，具有较高的预测精确度。

传统的剩余寿命预测方法需要借助经验来定义设备的失效阈值，阈值设定的好坏对模型的预测结果有着很大的影响，选择了不合适的阈值将会带来极大的预测误差。而现有采用神经网络的方法具体是采用神经网络对设备的剩余使用寿命进行建模，无法考虑到设备失效情况的复杂性，对训练样本的去噪以及模型的训练不够精细，进而对设备剩余寿命的预测精度有限。

发明内容

本发明提供一种工业设备剩余寿命预测模型及其构建方法和应用，用以解决现有工业设备剩余寿命预测模型的构建因采用单一预测模型且模型训练用数据集处理方法不能有效去噪而存在模型预测精度不高的技术问题。

本发明解决上述技术问题的技术方案如下：一种工业设备剩余寿命预测模型的构建方法，包括：

步骤1、采集多个相同工业设备分别在不同故障模式下的全寿命多特征数据集，并构建每个全寿命多特征数据集的多维矩阵；

步骤2、采用滑动窗口，对每个多维矩阵进行时间序列切片，得到该多维矩阵的多个时间切片矩阵；

步骤3、根据故障模式的种类，对所有所述时间切片矩阵进行分类；

步骤4、基于每种故障模式对应的所有时间切片矩阵，训练该故障模式的CNN-RNN混合剩余寿命预测模型，得到工业设备剩余寿命预测模型库。