[发明专利]一种基于时空注意力网络的设备RUL预测方法及系统

权利要求书

1.一种基于时空注意力网络的设备RUL预测方法，其特征在于，所述方法包括以下步骤：

将从设备获取的多源传感器数据进行预处理，使各源传感器数据具有相同的数据量级；

通过已训练的深度学习预测模型对预处理后的传感器数据进行加权和编码；

挖掘加权和编码后的各所述传感器数据中的隐藏特征；

对加权后的所述传感器数据进行补全，并对其中的隐藏特征进行加权和解码；

对解码后的隐藏特征进行映射，输出设备RUL的预测结果；

所述将从设备获取的多源传感器数据进行预处理的步骤，具体包括：

在多源传感器数据中，剔除过程变化幅度小于指定第一阈值的传感器数据；

对剩余的多源传感器数据进行归一化处理、滑动窗口处理，生成数据序列；

所述通过已训练的深度学习预测模型对预处理后的传感器数据进行加权和编码的步骤，具体包括：

将所述数据序列进行全局平均池化，得到整体特征信息；

对所述整体特征信息进行一维卷积操作，得到共享权重信息的传感器数据矩阵；

通过第一激活函数将传感器数据矩阵进行加权，获得各传感器对应的注意力权重；

对数据序列和注意力权重进行处理，得到加权后的传感器数据；

使用位置编码对加权后的传感器数据进行标记，并采取不同频率的正弦和余弦函数对标记后的传感器数据进行编码；

所述挖掘加权后的各所述传感器数据中的隐藏特征的步骤，具体包括：

利用第一LSTM网络对各加权后的传感器数据进行首次特征提取；

定义第二LSTM网络，并利用其对第一LSTM网络提取出的相关数据进行二次特征提取，得到隐藏特征；

引入一个超参数lookback值，对第一LSTM网络输出的数据进行优化处理；

所述对加权后的所述传感器数据进行补全，并对其中的所述隐藏特征进行加权和解码的步骤，具体包括：

对第二LSTM网络输出的数据和优化处理后的第一LSTM网络输出的数据进行数学计算，得到加权后的各隐状态矩阵；

根据各隐状态矩阵获得与各隐状态矩阵相同形状的历史信息矩阵；

将各隐状态矩阵与历史信息矩阵进行拼接，得到包含隐藏特征的传感器数据；

解码所述传感器数据。

2.根据权利要求1所述的基于时空注意力网络的设备RUL预测方法，其特征在于，所述方法还包括：

在所述通过已训练的深度学习预测模型对预处理后的传感器数据进行加权和编码的步骤前，基于时空注意力网络，搭建、训练深度学习预测模型。

3.根据权利要求2所述的基于时空注意力网络的设备RUL预测方法，其特征在于，所述基于时空注意力网络，搭建、训练深度学习预测模型的步骤，具体包括：

基于时空注意力网络，搭建时空注意力模块；

搭建特征提取模块、信息强化模块，与时空注意力模块构成深度学习预测模型；

获取设备在全生命周期的运行数据作为训练集；

将所述训练集输入所述深度学习预测模型；

根据指定评分规则判断所述深度学习预测模型的有效性，得到训练好的深度学习预测模型。