[发明专利]用于噪声环境工业设备的健康状态预测方法

权利要求书

1.一种用于噪声环境工业设备的健康状态预测方法，该方法基于深度学习及无监督噪声样本检测进行，其特征在于，其包括以下步骤：

步骤S1，使用设置在工业设备上的传感器获取含有噪声的监测数据；

步骤S2，使用窗口大小为s_tw的滑动时间窗口基于含有噪声的监测数据生成多个序列数据样本；

步骤S3，使用带注意力机制的转换模型针对每一个序列数据样本生成注意力权重向量α_T；

步骤S4，基于平均连接算法的自底向上的层次聚类算法将注意力权重向量α_T进行聚类，去掉异常类中的注意力权重向量α_T对应的序列数据样本，使用剩下的序列数据样本训练LSTM预测模型；其中所述基于平均连接算法的自底向上的层次聚类算法将注意力权重向量α_T进行聚类的操作为：在早期的迭代中，将由滑动时间窗口连续产生的几个样本的注意力权重向量α_T聚在一起，之后，将由正常样本的α_T构成的子类会聚在一起，在较高的层级中，由噪声样本的α_T构成的异常类和其他差异较大的差异子类合并，将一个子类中包含的α_T原始目标个数作为该子类的局部密度ρ，被合并的两个子类拥有同样的距离δ，距离δ为二者之间基于平均连接算法的距离，将同时具有距离δ和局部密度ρ的子类确定成是由噪声样本的α_T组成的异常类，即找到距离δ大于距离阈值δ_th且局部密度ρ小于密度阈值ρ_th的子类为异常类，从而完成异常类的检测，去掉异常类中α_T对应的序列数据样本，使用剩下的序列数据样本训练LSTM预测模型；以及

步骤S5，使用训练好的LSTM预测模型预测工业设备的健康状态；

其中，所述注意力机制的转换模型包括由LSTM网络构成的编码器和解码器以及注意力模块，所述编码器的输出作为所述注意力模块的输入，所述注意力模块的输出作为解码器的输入，所述注意力模块包括拼接层和全连接层。

2.根据权利要求1所述的用于噪声环境工业设备的健康状态预测方法，其特征在于，所述监测数据包括反映目标设备健康状态、工作环境或载荷的多个传感器监测数据。

3.根据权利要求1所述的用于噪声环境工业设备的健康状态预测方法，其特征在于，对于每个序列数据样本，在时间窗口范围内的所有传感器监测数据共同构成带注意力机制的转换模型和LSTM预测模型的输入矩阵；对于每个输入矩阵，最后T个时间步对应的健康状态作为该输入矩阵的目标输出序列；通过将时间窗口从传感器监测数据的第一个时间步滑动到最后一个时间步，能够获得包含输入矩阵和目标输出的序列数据样本，用于建立带注意力机制的转换模型和LSTM预测模型，其中所述时间窗口大小根据预实验的结果来决定。