[发明专利]一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法

说明书

本发明提供一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法，包括以下步骤：步骤1：根据传感器收集到的数据，从中选取状态有变化的传感器数据制成数据集；步骤2：使用指数平滑和Z‑Score标准化的方法对步骤1制作的数据集进行预处理；步骤3：构建基于全状态注意力和BiLSTM的网络模型；步骤4：使用步骤2预处理后的数据集和步骤3中的网络模型进行训练；步骤5：将步骤4中的模型权重和步骤1、2的数据预处理方式集成到一个工程上并通过接口部署到预测平台；步骤6：对于步骤5部署完成的预测平台，通过传入需要分析的数据，完成对机械剩余使用寿命的预测。本发明只需传入数据即可完成剩余使用寿命预测，预测结果准确稳定。

技术领域

本发明涉及机械设备诊断领域，尤其是涉及一种基于全状态注意力和 BiLSTM的机械剩余使用寿命预测方法。

背景技术

故障预测和健康管理(prognostics and health management，PHM)已经发展成为工业机械领域系统后勤保障、维护和自主健康管理的重要支撑技术和基础。PHM技术已经成为一个涵盖基础材料、机械结构、能源、电子、自动测试、可靠性、信息等多领域的交叉学科和研究热门方向，具有重要的应用价值和现实意义。

PHM技术在过去十余年得到了长足的发展,主要技术方法包括失效机理分析方法、数据驱动的方法、机理模型和数据混合驱动方法，基于失效机理分析的方法主要通过构建描述设备失效机理的数学模型，结合特定设备的经验知识和缺陷增长方程实现设备的剩余寿命预测。由于实际工程设备本身的复杂性、任务与运行环境的多样性，其健康状态演化规律通常难以物理机理建模或者获得失效机理模型的代价过高，导致失效机理方法及机理模型和数据混合驱动方法存在推广应用难的问题，因此，基于传感器数据的数据驱动PHM方法逐渐获得重视并取得快速发展，成为PHM领域的重要研究热点。然而这些方法在部署的时候还是需要计算机相关领域的人员来进行人工辅助操作，在实际工业场景中难以顺利部署并交付使用，因此，亟需一种新的技术方案解决以上问题。

发明内容

针对以上技术问题，即传统方法不能很好地应用在机械剩余使用寿命预测中，现有的一些数据驱动的方法在进行预测的时候也有明显的限制，本发明提出了一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法。

为了实现上述技术目的，达到上述的技术要求，本发明所采用的技术方案是：一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法，包括以下步骤：

步骤1：根据传感器收集到的数据，从中选取状态有变化的传感器数据制成数据集，减少一些恒定传感器数据对机械剩余使用寿命的影响；

步骤2：使用指数平滑和Z-Score标准化的方法对步骤1制作的数据集进行预处理；

步骤3：构建基于全状态注意力和BiLSTM的网络模型；

步骤4：使用步骤2预处理后的数据集和步骤3中的网络模型进行训练，并保存最好的模型权重，以获得满足工业场景下能精准预测机械剩余使用寿命的模型；

步骤5：将步骤4中的模型权重和步骤1、2的数据预处理方式集成到一个工程上并通过接口部署到预测平台，以满足后续随时调用模型进行机械剩余使用寿命的预测；

步骤6：对于步骤5部署完成的预测平台，通过传入需要分析的数据，预测平台调用接口进行预测，并将预测结果保存，预测平台再通过接口调用已经保存的预测结果显示在前端页面，完成对机械剩余使用寿命的预测。

作为优选的技术方案，步骤1中对通过传感器收集到的数据，通过计算传感器读数变化曲线和传感器读数直方图，以减少恒定传感器数据对机械剩余使用寿命预测的影响。

作为优选的技术方案，步骤2中的指数平滑法选用二次指数平滑法，通过对筛选后的传感器数据进行二次指数平滑法来消除数据中的噪声，所述二次指数平滑法给定平滑系数α，则二次指数平滑的计算公式为：