[发明专利]基于数据融合网络的设备健康指标构建及寿命预测方法

权利要求书

1.一种基于融合网络模型的机器健康指标获取及剩余寿命预测方法，通过在机器上加装多种用于检测机器工作状态的传感器，再利用收集到的传感器数据信号，构建机器设备健康指数模型；利用构建的机器设备健康指数模型对机器设备的剩余使用寿命进行预测；包括以下步骤：

1)根据机器设备健康指数的特性构建设备健康指数约束项，获取健康指标的训练约束条件，包括单调性、方差和凸性约束项；

其中，单调性约束的惩罚项表示为式(3)：

或式(4)：

其中，[x]₊＝max(0，x)，λ₁是权重参数；当惩罚违反单调性时，惩罚随着差值h(t-1)-h(t)线性增加；或使用指数罚最大max(0，exp[h(t-1)-h(t)]-1)或双曲正切罚最大max(0，tanh[h(t-1)-h(t)])；

凸性约束惩罚项表示为式(5)：

其中λ₂为权重调节参数；

2)建立数据融合的神经网络模型，得到设备运作时的健康指标模型；

设定某机器设备在时间t由S个进行工作过程状态监测的传感器收集到的各传感器检测数据为(x_1，t，x_2，t，…，x_S，t)，则该设备的基本健康状况表示为健康指标H(x_1，t，x_2，t，…，x_S，t)，H(·)为融合方程；

采用人工神经网络模型对融合函数H(·)进行建模；利用建立的神经数据融合模型为设备生成健康指标曲线，选择双曲线正切函数tanh(·)作为输入层和隐藏层之间的激活函数；在网络模型最后一个隐藏层和输出层之间，使用Relu函数进行激活；

采用无监督学习方法，损失函数采用共同最大化单调性和凸性并在故障时最小化方差；根据方差定义采用式(1)的损失函数：

其中，故障发生时各机器健康状况的均值

通过在最后一个隐藏层中调整偏置，将均值设置为1，通过式(2)进行转换：

最小化式(1)等效于最小化式(2)；

并在神经网络的损失函数中引入惩罚项，构建总损失函数；

3)采用自适应矩估计算法Adam最小化损失函数，进行模型参数估计；

将δ(x)表示为：

其中，δ(x)为约束条件中的一阶次梯度；x为约束条件中的自变量；

然后得出样本n的损失函数L_n(H，D，θ)的梯度或一个次梯度，表示为：

在迭代过程中，通过反向传播算法计算梯度或次梯度g_n；

4)进行贝叶斯线性建模和RUL预测；

包括两个阶段：使用混合效应模型对历史数据进行离线建模，以及针对RUL预测对单个机器进行贝叶斯模型在线更新；

在离线建模状态下，混合效果模型表示为式(8)：

y_t＝z_tβ+ε_t (8)

其中，z_t＝(1，t，t²，...，t^q)是(q+1)维的多项式方程的基向量，β是遵循多元正态分布的维度q+1的回归参数；指定联合分布为σ²～IG(a₁，a₂)，β|σ²～N(μ₀，σ²∑₀)，其中IG表示逆伽玛分布；通过最大似然估计方法估计超参数(a₁，a₂，μ₀，∑₀)；

在在线阶段对单个模型进行更新以进行RUL预测：限定：

假设直到时间t的实时测得的退化数据为y_1：t＝(y₁，y₂，...，y_t)，则：

其中

μ_t＝∑_tM_t，

在给定观测值到当前时间的情况下，未来观测值y_t+1：t+L的预测分布遵循多元t分布，表示为式(10)：

其中，MT表示多元t分布，其中三个参数分别代表自由度，均值和形状矩阵；利用预测分布可有效地预测退化路径的演变以及退化信号达到故障阈值的时间；

通过上述过程得到预测模型参数，即得到训练好的设备剩余寿命预测模型；

5)将待预测的传感器收集到的设备工作状况的检测数据(x_1，t，x_2，t，…，x_S，t)输入训练好的设备剩余寿命预测模型，模型输出该设备的健康指标H(x_1，t，x_2，t，…，x_S，t)，即当前机器的健康状态的具体量化表征；

再通过设置机器健康指标阈值，当该健康指标超过设定阈值后，表示该机器失效；

通过上述步骤，即可实现基于融合网络模型的机器健康指标获取及剩余寿命预测，得到机器的失效时间。