[发明专利]基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法及系统

权利要求书

1.一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，包括：

获取电动舵机实时监测数据；

对获取的实时监测数据进行预处理；

将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；

其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。

2.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，所述实时监测数据至少包括：电动舵机中各电机的电流信号和转速信号，各电机和传动轴的振动信号和温度信号。

3.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对获取的实时监测数据进行预处理，具体包括：

求取数据丢失点前后设定数量的数值的平均值，采用所述平均值填充数据丢失点的缺失值。

4.如权利要求3所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对获取的实时监测数据进行预处理，还包括：

采用皮尔逊积矩相关系数计算监测数据中每个变量之间的相关性，选择相关系数大的变量作为输入深度学习神经网络的变量。

5.如权利要求3所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对获取的实时监测数据进行预处理，还包括：

采用零-均值规范化对数据进行规范化处理。

6.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，对于舵机状态退化模型的训练过程包括：

获取电动舵机历史监测数据，构建训练数据集；

对获取的历史监测数据进行预处理；

采用平移时间窗的方法生成训练样本；

将所述训练样本输入到舵机状态退化模型将进行训练，输出电动舵机的预测剩余寿命。

7.如权利要求1所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，得到预测的电动舵机剩余寿命之后，对所述电动舵机剩余寿命进行实时显示，并将电动舵机的实时状态和剩余寿命预测值发送至监控平台。

8.一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测系统，其特征在于，包括：

数据获取模块，用于获取电动舵机实时监测数据；

数据预处理模块，用于对获取的实时监测数据进行预处理；

剩余寿命预测模块，用于将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；

其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。

9.如权利要求8所述的一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测系统，其特征在于，还包括：

显示模块，用于实时显示电动舵机的状态及剩余寿命预测值；

数据传输模块，用于将电动舵机的实时状态和剩余寿命预测值发送至远程监控平台。

10.一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法。