[发明专利]一种多元退化设备剩余寿命预测方法

权利要求书

1.多元退化设备剩余寿命预测方法，其特征在于，包括步骤：

S1、获取多元退化设备的监测数据，并对监测数据进行预处理；

S2、将预处理后的监测数据输入已训练的连续深度置信网络，提取多元退化设备的实时退化特征；

S3、采用多元退化设备的初始健康特征和实时退化特征，计算衡量多元退化设备退化偏离初始健康状态程度的健康指标：

其中，HI为健康指标；f_t为t时刻的实时退化特征，f_health为初始健康特征，K为健康指标序列长度；

S4、将健康指标用滑动时间窗处理后输入已训练且含dropout的双向长短期记忆网络对多元退化设备的剩余寿命进行预测；

S5、重复步骤S4预设次数，之后采用蒙特卡洛仿真方法对所有预测的剩余寿命分布进行拟合，得到多元退化设备剩余寿命的区间估计结果；

所述连续深度置信网络的训练方法包括：

采用仿真实验或实际监测获取预设数量的多元退化设备在不同工作模式下从正常运行至失效的监测数据，并对监测数据进行预处理；

将预处理后的监测数据中的失效数据作为训练集A，退化数据作为测试集A；

采用训练集A对连续深度置信网络进行无监督训练，得到已训练的连续深度置信网络；

含dropout的双向长短期记忆网络的训练方法包括：

将训练集A和测试集A分别输入已训练的连续深度置信网络提取实时退化特征，得到实时退化特征集A和实时退化特征集B；

分别计算实时退化特征集A和实时退化特征集B对应的健康指标，并利用滑动时间窗处理健康指标，得到反映设备退化趋势的时间序列；

将训练集A对应的时间序列作为训练集B，将测试集A分对应的时间序列作为测试集B；

将训练集B中每组时间序列的下一个监测点所对应的剩余寿命值作为训练标签；

将训练集B输入双向长短期记忆网络，通过监督学习，对其输出与训练标签进行对比得到输出误差；

当输出误差大于预设误差或迭代次数小于预设迭代次数时，将每次迭代得到的输出误差进行反向传播更新网络门控节点的权重矩阵；

当输出误差小于等于预设误差或迭代次数等于预设迭代次数时，得到已训练的双向长短期记忆网络。

2.根据权利要求1所述的多元退化设备剩余寿命预测方法，其特征在于，所述对监测数据进行预处理的方法包括：

采用卡尔曼滤波对监测数据进行降噪处理，并采用min-max归一化方法对降噪后的数据进行处理，将监测数据缩放至0～1之间。

3.根据权利要求1所述的多元退化设备剩余寿命预测方法，其特征在于，连续深度置信网络由多个连续受限玻尔兹曼机堆叠而成，所述连续受限玻尔兹曼机包括可视层、隐藏层以及层间连接，其层内无连接，所述可视层中添加一个均值为零的高斯噪声；所述连续受限玻尔兹曼机的隐藏层神经元个数小于可视层神经元个数。

4.根据权利要求1-3任一所述的多元退化设备剩余寿命预测方法，其特征在于，所述多元退化设备为航空发动机、伺服机构或轴承；对于航空发动机，其对应监测数据包括航空发动机重要截面气流的压力、温度、发动机转速和耗油率；对于伺服机构，其对应监测数据包括伺服机构中传感器零位、角位移、电压、电机相电流和旋变位置信号；对于轴承，其对应监测数据包括轴承的温度及各个方向上的振动信号。