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

说明书

本发明公开了一种基于PCA‑Transformer的设备剩余使用寿命预测方法，属于故障预测与健康管理领域。首先，将获取的设备性能退化数据进行归一化处理，使用主成分分析法对数据降维，以一种新的滑动窗口方式来提取数据样本，避免不同设备退化数据的误用，对生成的批数据减少了污染。其次，采用1D‑CNN和简化Transformer两种不同的网络模型来构建设备剩余寿命预测模型，两种网络分别提取不同的特征，将其进行融合后输入全连接层获取最后的剩余使用寿命预测值。最后，使用两种评估方法(RMSE、Score)来对所提模型进行评估，验证模型的有效性。

技术领域

本发明涉及一种设备剩余使用寿命预测方法，具体地，涉及一种基于主成分分析(PCA)和Transformer模型的设备剩余使用寿命预测方法。

背景技术

过去的几十年里，在人工智能的帮助下，许多工业领域取得了巨大的进步。包括基于状态的维修(Condition-BasedMaintenance,CBM)和预测性维修(PredictiveMaintenance,PM)在内的预测与健康管理(Prognostics and Health Management,PHM)作为工业智能的典型代表，在各个领域得到了广泛的应用，并引起了广泛的关注。特别是，对于停机时间和维护成本极其昂贵的相关安全组件或系统，例如航空航天设备和大型工业设备，十分有效。由于PHM是在系统/设备发生故障之前实施的，因此系统崩溃造成的损失可以显著减少，系统的可靠性可以提高。剩余使用寿命(Remaining Useful Life,RUL)预测任务，是PHM不可或缺的组成部分，它对产品的回收和再利用具有重要影响，有助于降低能耗和保护环境。通常，根据利用运行环境、实时风险或剩余使用寿命(RUL)等历史轨迹数据评估系统的状态。然而，在处理极其复杂的数据时，传统的预测算法，如基于模型的方法无法达到理想的结果。

近年来，深度学习已被证明是一种很有前途的方法，可以处理高度非线性和时序数据。卷积神经网络(Convolutional Neural Network,CNN)具有很强的学习能力，可以很好的提取数据的局部空间特征。但由于其特定时间步的感受野受限于卷积和的大小和层数，即捕获远距离信息的能力有限，导致CNN模型单独应用于RUL预测任务的测试效果并不理想。

传统的循环神经网络(Recurrent Neural Network,RNN)是一种对处理时间序列数据具有独特优势的网络，但因存在潜在的梯度消失或梯度爆炸可能，使得其无法获取时间序列的长期依赖。长短期记忆网络(Long Short-Term Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)基于RNN演变而来，通过门控机制缓解了RNN的极端梯度问题。但RNN及其各种变体均以顺序的方式处理时间序列数据，而并未使用并行计算，这导致更高的时间成本。

著名的Transformer最近被提出用于序列建模。它能够高效、高度并行地捕获长期依赖关系，并且可以轻松地适应不同的输入序列长度。与RNN和CNN不同，Transformer通过利用注意力机制一次处理一系列数据来访问历史数据的任何部分，无论距离有多远，这使得它拥有更强大的捕获长期依赖的能力。但标准点积自注意力机制使得Transformer在每个时间步提取的高级特征对其局部上下文不敏感，忽略了相邻时间序列数据的局部特征的重要性。

发明内容

本发明针对背景技术中存在的不足，提供了一种基于PCA-Transformer模型的设备剩余使用寿命预测方法。本发明采用NASA公开的涡轮风扇发动机退化仿真数据集来进行说明。

本发明包括以下步骤：

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(PrincipalComponent Analysis,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1D-CNN和Transformer模型中提取其不同的特征；