[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

说明书

本发明适用于设备故障预测和人工智能领域，提供了一种基于时空注意力网络的设备RUL预测方法及系统，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。本发明解决了多传感器数据输入中重要信息不突出的问题，能够减少检测信号中的干扰；且只需要原始数据输入即可得到预测结果，无需额外的特征工程，计算过程简单，预测精度很高。

技术领域

本发明属于设备故障预测和人工智能技术领域，尤其涉及一种基于时空注意力网络的设备RUL预测方法及系统。

背景技术

信息技术和自动化技术在现代工业中的发展，导致机械设备的复杂性增加，任何部件的故障都可能导致严重事故，产生巨大经济损失甚至造成人员伤害。预测和健康管理(PHM)能够为设备安全运行提供保障。剩余使用寿命(RUL)预测作为PHM中的核心功能模块，对于防止突发性事故的发生，确保系统的可靠运行具有重要意义。

目前，基于物理模型的方法、基于统计的方法和基于传统机器学习等的方法在RUL预测方面取得了不错的效果。但是复杂度高的设备故障机理不易厘清，难以用基于物理模型的方法实现准确的预测。此外，基于统计的方法和基于传统机器学习的方法往往需要先验知识进行特征工程，这可能导致模型的适用性较差。

发明内容

本发明实施例的目的在于提供一种基于时空注意力网络的设备RUL预测方法，能够更深入的挖掘数据中的潜在退化信息，解决现有预测模型预测精度不高，数据利用不充分或适用性较差的问题。

本发明实施例是这样实现的，一种基于时空注意力网络的设备RUL预测方法，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。

本发明实施例的另一目的在于提供一种基于时空注意力网络的设备RUL预测系统，该系统包括：数据预处理单元、深度学习预测模型和预测结果输出单元，所述深度学习预测模型包括：时空注意力模块、特征特取模块和信息强化模块；

所述数据预处理单元，用于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；

所述时空注意力模块，用于对预处理后的传感器数据进行加权和编码；

所述特征特取模块，用于挖掘加权和编码后的各所述传感器数据中的隐藏特征；

所述信息强化模块，用于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；

所述预测结果输出单元，用于对解码后的隐藏特征进行映射，输出设备RUL的预测结果。

本发明实施例提供的一种基于时空注意力网络的设备RUL预测方法，该方法通过对时空注意力网络进行改进，使得在进行数据的处理时，无需先验数据，能够更深入的挖掘数据中的潜在退化信息，解决现有模型预测精度不高，数据利用不充分的问题。

附图说明

图1为本发明实施例提供的一种基于时空注意力网络的设备RUL预测方法的流程图；

图2为本发明实施例中神经网络预测模型的结构图；