[发明专利]一种用于剩余使用寿命预测退化数据的扩增方法

说明书

本发明公开了一种用于剩余使用寿命预测退化数据的扩增方法，首先将采集到的设备退化数据送入设计好的数据预处理策略进行处理，随后将处理之后的数据送入设计好的循环一致性对抗生成网络，训练其生成器网络作为数据的扩增网络，最后得到扩增数据，本发明实现了对退化数据的扩增，增加退化数据规模，以此达到提升RUL预测网络的预测效果。

技术领域

本发明涉及机器退化预测处理技术领域，特别是一种用于剩余使用寿命预测退化数据的扩增方法。

背景技术

随着技术的发展和生成工艺的进步，当前各类工业产品和装置设备的自动化程度和复杂程度日益提升，由于关键零部件的磨损，不可预知的外部冲击，腐蚀等原因，设备的性能将不可避免的产生退化，进而失效，突然的失效会造成严重的经济损失和人员伤亡。如果能在设备退化初期就对设备的寿命进行预测和评估，并且在此基础上确定设备检测和维修的最佳时机，制定相关的备件管理和维护方案，就能有效的提升整个相关系统的可靠性，降低设备的运行风险和运行成本。这种对设备剩余可使用时间的预测方法被称为剩余使用寿命(Remaining Useful Life,RUL)预测。

实现RUL预测的主要思想在于根据设备的失效机理，采集到的失效数据等构建RUL预测模型，实现实时或离线的剩余寿命预测。在大多数的RUL预测任务中，由于目标设备的性能退化速度慢使得采集退化数据耗时长，导致可以获取到目标设备的退化数据集普遍规模较小，小规模数据在一定程度上无法反映出设备整体退化过程的数据分布，基于这个前提，在对设备退化过程进行建模时，由于无法得知退化过程的完整数据分布，导致数据退化模型存在偏差，进而影响剩余寿命的预测性能。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供本发明提出一种基于循环一致性生成对抗网络(Cycle-consistent Generative Adversarial Network，CycleGAN)的退化数据扩增技术，该技术针对那些退化数据匮乏的RUL预测任务，通过深度学习技术对原始退化数据进行扩增，在不损失退化信息的情况下增加退化数据集的规模，丰富退化数据的样本空间，提升使用数据驱动建模的RUL预测网络的预测性能。

为解决上述问题，本发明采用如下的技术方案。

一种用于剩余使用寿命预测退化数据的扩增方法，包括以下步骤：

采集退化数据：给定已有多传感器退化数据{X}_s×n，该退化数据{X}_s×n以矩阵形式表示，其中s代表反映退化状态的传感器数量，n是退化数据的长度；

退化数据预处理：首先通过数理统计及经验分析获得某类设备快速退化阶段的初始值m，则退化数据为并指定扩增网络输入数据的长度n′，对于所采集退化数据大于n′的部分予以裁切，对于所采集退化数据小于n′的部分予以填充，以保证输入扩增网络的数据尺度一致；

扩增网络：扩增网络以CycleGAN为框架，训练CycleGAN中的生成器作为数据扩增的扩增网络，将输入数据随机分为数量相等的两部分A和B，A属于领域X，B属于领域Y，A和B作为CycleGAN的输入，其中A通过生成器G_X→Y得到生成数据B通过生成器G_Y→X得到生成数据将得到的生成数据送入生成器G_Y→X得到生成数据将得到的生成数据送入生成器G_X→Y得到生成数据鉴别器D_X负责对原始数据A和生成数据进行判断，鉴别器D_Y负责对原始数据B和生成数据进行判断，鉴别器D_X和D_Y的判断结果决定生成器下一轮的生成方向；

获得扩增数据：将原始数据送入扩增网络进行数据扩增，获得扩增数据。

作为本发明的进一步改进，如果采集到的退化数据的长度大于n′，直接删除超过的部分，得到退化数据X′如下：处理好之后的数据大小为s×n′，上式中n′＝n-l，超出部分将从开始阶段被移除掉；