[发明专利]一种基于数据层和模型层联合迁移学习的寿命预测方法

权利要求书

1.一种基于数据层和模型层联合迁移学习的寿命预测方法，包括：

将待预测的目标设备的少量已知退化数据作为目标域数据；

通过距离相似性度量的方法，从历史数据库中筛选与目标设备退化曲线最为相似的历史样本设备的样本数据，作为数据层迁移的源域数据；

利用所述目标域数据和所述源域数据，生成一条更接近目标设备的性能退化曲线，包括：

利用所述源域数据训练降噪自动编码器DAE；

将训练好的DAE的参数初始化改进的深度学习SDA模型，使所述SDA模型生成输入层和隐藏层的初始化权重参数；

利用所述目标域数据训练初始化的SDA模型，得到训练好的SDA模型；

将所述源域数据输入到所述训练好的SDA模型，输出一条更接近目标设备的性能退化曲线；

利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型；

将所述目标设备的待测数据输入到所述训练好的预测模型，对所述目标设备进行寿命预测。

2.根据权利要求1所述的寿命预测方法，其中，利用所述目标域数据训练初始化的SDA模型包括：

采用均方误差损失函数和夹角余弦值损失函数度量所述初始化后的SDA模型的源域数据与目标域数据的学习误差；

通过最小化学习误差，建立从历史样本设备到目标设备的退化数据映射关系，得到训练好的用于迁移数据的SDA模型。

3.根据权利要求2所述的寿命预测方法，其中，所述训练好的SDA模型包括：

一个输入层；

第一隐藏层，其隐藏层初始化权重参数对应经过训练的一个DAE的参数；

第二隐藏层，其隐藏层初始化权重参数对应经过训练的另一个DAE的参数；以及

一个输出层。

4.根据权利要求2所述的寿命预测方法，其中，利用所述更接近目标设备的性能退化曲线和所述目标域数据训练寿命预测模型包括：

将所述更接近目标设备的性能退化曲线作为长短期记忆网络LSTM预测模型的输入，将所述目标域数据作为LSTM预测模型的输出，训练所述LSTM预测模型。

5.根据权利要求4所述的寿命预测方法，其中，训练所述LSTM预测模型包括：

通过学习所述更接近目标设备的性能退化曲线与目标域数据的剩余使用寿命RUL标签之间的映射关系，建立LSTM预测模型的性能退化数据与RUL标签之间的映射关系。

6.根据权利要求5所述的寿命预测方法，其中，对所述目标设备进行寿命预测包括：

利用所述性能退化数据与RUL标签之间的映射关系，得到输入到所述训练好的LSTM预测模型的所述目标设备的待测数据对应的RUL标签。

7.根据权利要求6所述的寿命预测方法，其中，还包括对输入到所述训练好的LSTM预测模型的所述目标设备的待测数据进行归一化处理。

8.根据权利要求6所述的寿命预测方法，其中，对所述目标设备进行寿命预测还包括：对所得到的RUL标签进行反归一化处理，得到RUL预测值。

9.根据权利要求4所述的寿命预测方法，其中，所述训练好的LSTM预测模型包括：

一个输入层；

第一隐藏层；

第二隐藏层；以及

一个输出层。