[发明专利]用于噪声环境工业设备的健康状态预测方法

说明书

本发明提供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，包括：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；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；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；基于平均连接算法的自底向上的层次聚类算法将α_T进行聚类，去掉异常类中的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；使用训练好的LSTM预测模型预测工业设备的健康状态；本发明将多变量输入序列转换为与预测相关的注意力权重向量，对其进行层次聚类，检测出噪声样本并将其去除，使预测模型准确度更高。

技术领域

本发明涉及工业设备健康预测技术领域，涉及一种用于噪声环境工业设备的健康状态预测方法，尤其是涉及一种用于工业设备健康状态预测的无监督噪声样本检测方法。

背景技术

随着传感器技术的发展，可以通过其获取设备大量的监测数据来预测其健康状态。相比于传统的基于信号处理的预测方法，基于深度学习的方法可以处理大量数据而不需要太多的人工操作和专业领域知识。已经有许多深度学习模型被用来预测设备的剩余寿命，比如多层感知机模型，卷积神经网络，循环神经网络，以及长短期记忆网络。滑动时间窗口方法被广泛地用来由监测数据产生序列数据样本，从而用于建立预测模型。虽然许多基于深度学习的模型取得了很好的预测结果，但是这些模型的表现严重依赖于数据的质量。数据质量反映了监测数据与设备健康状态的相关程度。

在实际场景中，监测数据往往会被传感器噪声污染，从而产生噪声样本以及不可靠的预测结果。因此，有必要检测并去掉这些噪声样本，从而提高模型的预测准确度。然而，由于变化的噪声强度等原因，噪声样本很难被识别，尤其是对于多变量序列数据样本。有两个关键问题需要被解决：1)如何利用没有标签且包含不少噪声样本的数据集训练检测方法；2)如何仅仅去掉那些对预测模型有不利影响的噪声样本，因为在神经网络的训练过程中给输入增加一些合适的噪声还有助于提高模型的泛化能力。

噪声样本检测可以理解为是异常检测的一种，该领域已有广泛研究和许多方法。这些方法可以分为有监督方法、半监督方法以及无监督方法。有监督方法基于有标签的数据集，半监督方法基于只包含正常数据或少量异常数据的数据集，这两种方法都不适用于本应用场景，因为数据集往往都是没标签的。因此应该采用无监督的方法。在这类方法中，无监督判别方法被广泛使用。这些方法通过衡量序列之间的相似性来对它们进行聚类，使用了不同的聚类方法和相似性测量方法。注意到在这些方法中，需要确定一些超参数和阈值，它们会直接影响这些方法的效果。然而如何确定这些超参数却很少被解释。此外，根据不同的应用场景需要选择不同的聚类方法。目前还缺少针对设备健康状态预测的监测数据异常检测方法，尤其是对由滑动时间窗口产生的序列数据样本的异常检测方法。

“异常”的定义因任务需求的不同而不同。在这项工作中，异常检测的目的是提高设备健康状态的预测准确度，因此，检测应该基于预测任务。注意到序列数据样本可能会被不同程度的噪声不同比例地污染，而某些这样的样本还有助于预测模型的建立，只有那些不利于预测模型的噪声样本才需要被检测并去掉。因此应该被检测和去掉的是噪声样本而不是监测数据中的含噪数据点。多变量序列通常会被转换为单变量序列以便进行聚类，在一些基于深度学习的无监督异常检测方法中，多变量序列通过自编码器被转换为单变量序列。然而这些方法建立在训练集中正常样本占多数的假设之上，而且自编码器的训练与预测任务毫无关系。因此，亟需一种新的方法将多变量序列根据预测任务转换为单变量序列。

发明内容