[发明专利]一种基于PCA-Transformer的设备剩余使用寿命预测方法

权利要求书

1.一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，包括以下步骤：

步骤1：对设备性能退化数据进行归一化处理，并利用主成分分析PCA对其进行降维；

步骤2：构建设备剩余使用寿命预测模型，将步骤1处理后的设备性能退化数据采用一种新的滑动窗口法分批次输入到CNN和Transformer模型中提取其不同的特征；

步骤3：将步骤2提取出的特征进行融合，并输入全连接层进行最终剩余使用寿命预测；

步骤4：采用两种评估方法对模型进行评估，验证模型的有效性。

2.根据权利要求1所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，在步骤1中，采取z-score方法来进行归一化，表达式如下：

式中，μ_i和σ_i分别表示第i个传感器数据的平均值和标准差。

3.根据权利要求1所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，在步骤1中，采取主成分分析方法来进行数据降维：

假设设备性能退化数据为(X1,X2,X3…Xn)，其中每个向量有m个变量，对应性能退化数据的传感器参数，变量组成一个初始数据集矩阵X，即

对数据集X去中心化，即每一位特征减去各自的平均值；

计算去中心化后的数据集X的协方差矩阵，即：

对协方差矩阵C_x进行特征值和特征向量的求解

对特征值从大到小进行排序，将其对应特征向量组成特征向量矩阵U；

利用特征向量矩阵U数据集矩阵X进行线性变换，得到各主成分向量Y，即：

Y＝U^TX

再计算得到其全部主成分向量的累计贡献率，即：

最后根据设定的阈值选取相应前k个主成分，k即为主成分分析降维后的数据的维度，保留k个主成分向量的数据进行数据重构，实现高维数据向低维数据的映射。

4.根据权利要求1所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，在步骤2中，滑动窗口是利用性能退化数据集内不同发动机来单独进行取样。

5.根据权利要求4所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，对于数据集内不同发动机的数据进行单独的滑动窗口采样，而并非将数据集内所有发动机的全部数据综合起来进行窗口大小取样。

6.根据权利要求5所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，生成的训练批数据能够有效的避免不同发动机退化数据之间的误用，对生成的批次数据减少了污染。

7.根据权利要求1所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，在步骤2中，利用1D-CNN、简化Transformer构建设备剩余使用寿命预测模型，两种网络采用并行结构，分别利用其不同的网络优势来对性能退化数据进行特征提取；1D-CNN模型对性能退化数据提取局部空间特征，简化Transformer模型来对设备性能退化数据提取时序上的依赖关系。

8.根据权利要求1所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，在步骤3中，对步骤2中1D-CNN和Transformer分别提取的特征采用Tensorflow中的concat方法进行融合，融合为时空特征后将其输入三层全连接层进行剩余使用寿命预测。

9.根据权利要求1所述的一种基于PCA-Transformer的设备剩余使用寿命预测方法，其特征在于，在步骤4中，采用均方根误差(RMSE)和评分函数(Score)对步骤3预测的剩余使用寿命值进行评估，验证模型的预测性能；RMSE评价模型无偏估计的能力，Score加大了滞后预测的惩罚权重，RMSE和Score表达式如下：

式中，E_i表示第i个预测的误差，E_i0表示超前预测，E_i0表示滞后预测。