[发明专利]一种设备剩余寿命预测方法及系统

权利要求书

1.一种设备剩余寿命预测方法，其特征在于，包括如下离线训练和在线检测阶段：

离线训练阶段：

步骤1：获取机械设备多种物理量的历史状态监测信号，包括加速度、温度、压力和位移信号；

步骤2：对步骤1所获取的多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度较小的信号；

步骤3：为步骤2中筛选出的历史状态监测信号在所有时刻下，每一时刻设置一个对应的归一化标签值，用于描述当前时刻机械设备的剩余寿命和退化状态；具体地，为步骤2中筛选出的信号在每一时刻均设置一个对应的折线形标签值，用于描述当前时刻机械设备的剩余寿命和退化状态，所述折线形标签值的设定如下：设在初始状态下退化不显著，后期状态下退化过程呈线性，而剩余寿命标签按照下式计算：

其中，Mark_x(t)表示第x台设备筛选出的所有监测信号在t时刻对应的剩余寿命标签；RUL_x表示的是第x台设备的监测信号覆盖的总寿命长度；折线型标签的转折位置选取为距离机械设备故障前的倒数第λ个数据点；

将步骤2筛选出的历史状态监测信号按照时间顺序转化为矩阵形式，矩阵中每一行作为一个向量；按照时间顺序，每个时刻对应矩阵中的一行，矩阵中的每一行对应一个归一化标签值；

步骤4：将步骤3获得的矩阵逐行输入嵌套式长短期记忆神经网络模型，即将包含各个时刻的状态的向量按照时间顺序一一输入嵌套式长短期记忆神经网络模型，将嵌套式长短期记忆神经网络模型的输出设为归一化标签值，重复训练直至输出的归一化标签值与步骤3中已知的归一化标签值相符，结束训练，得到设备剩余寿命预测模型；

在线检测阶段：

步骤5：按照步骤2中筛选出的历史状态监测信号类型进行实时采集，将实时采集的状态监测信号输入到设备剩余寿命预测模型中，然后对设备剩余寿命预测模型当前时刻的实时预测结果以及当前时刻之前所有时刻的预测结果，进行高斯滤波，取高斯滤波之后的预测结果作为当前时刻的最终寿命预测结果。

2.根据权利要求1所述的一种设备剩余寿命预测方法，其特征在于，步骤2中，以如下所示公式中的SC为参考依据，对多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度小的信号：

其中，SC越大则相关度越高，Mon和Corr分别是各个历史状态监测信号随时间变化的单调性和相关性，K为采样时的样本点总数，δ()为符号函数，f_T(t)为历史状态监测信号在t时刻的平均趋势特征值，f_U(t)和f_L(t)分别为历史状态监测信号在t时刻时，上下包络线的值。

3.根据权利要求2所述的一种设备剩余寿命预测方法，其特征在于，步骤1中还包括对历史状态监测信号采用加权移动平均法进行平滑滤波，公式如下：

其中，α为平滑系数，x_t是t时刻下历史状态监测信号数据平滑前的采样数据，y_t是t时刻下历史状态监测信号数据平滑之后的数据；

步骤2中，对平滑处理后的多种历史状态监测信号进行筛选，剔除与机械设备退化过程无关和/或相关度小的信号。

4.根据权利要求1～3任意一项所述的一种设备剩余寿命预测方法，其特征在于，步骤4中，根据下式的Score值评估训练后模型预测结果的准确性：

其中，Score越小则模型预测结果越准确，当Score值小于预设值，视为输出的归一化标签值与步骤3中已知的归一化标签值相符；n是参与训练的采样设备的总数，其中为嵌套式长短期记忆神经网络模型对设备i的剩余寿命的预测值，RUL_i为设备i的真实剩余寿命。

5.根据权利要求4所述的一种设备剩余寿命预测方法，其特征在于，步骤4中，根据最后一次循环时输入的历史状态监测信号数据所得的预测结果，计算Score值，若Score值在预期范围外，则调整嵌套式长短期记忆神经网络模型的学习率、训练次数、隐含层深度和/或嵌套层数，然后继续进行训练，直至Score值符合预期，训练结束。