[发明专利]基于双层长短期记忆网络的复杂设备剩余寿命预测方法

摘要

本发明公开了一种基于双层长短期记忆网络的复杂设备剩余寿命预测方法，采用深度学习算法，对复杂设备历史数据进行预处理，并搭建双层长短期(LSTM)网络，其中，双层长短期(LSTM)网络中LSTM单元的个数由连续时间周期决定，对搭建的双层LSTM网络进行训练，将当前数据进行预处理后传递到训练好的双层LSTM网络中，将双层LSTM网络的输出设置为复杂设备剩余寿命的预测值。本发明提供的基于双层LSTM的复杂设备剩余寿命预测模型，能够对复杂设备剩余寿命的预测准确性带来较高的提升。复杂设备因此可以得到及时有效维护，同时降低了事故的发生。能够确保复杂设备运行的安全，同时减少不必要的维护，具有重大意义。

主权项

1.基于双层长短期记忆网络的复杂设备剩余寿命预测方法，其特征在于，双层LSTM网络包括依次连接的输入层、隐藏层、第一LSTM层、第二LSTM层和输出层；第一层为输入层，输入层的数据为m×n，m为时间序列，n为传感器的数量；第二层为隐藏层，隐藏层的输入数据为m×n，激励函数为ReLU函数，隐藏层单元共q个，隐藏层的输出数据为m×q；第三层为LSTM的第一层，该层输入数据为m×q，第三层共m个LSTM单元；第一个LSTM单元的输入包含q个来自隐藏层的输出值，并输出q个输出值至第四层对应的LSTM单元及到同层的下个LSTM单元中，同时输出q个状态值到同层下个LSTM单元中；中间m‑2个LSTM单元的输入包含：q个来自隐藏层的输出值、q个来自同层上一个LSTM单元的输出值和q个来自同层上一个LSTM单元的状态值，并输出q个输出值至第四层对应的LSTM单元及到同层的下个LSTM单元中，同时输出q个状态值到同层下个LSTM单元中；最后一个LSTM单元的输入包含：q个来自隐藏层的输出值、q个来自同层上一个LSTM单元的输出值和q个来自同层上一个LSTM单元的状态值，并输出q个输出值至第四层对应的LSTM单元；第四层为LSTM的第二层，该层输入数据为m×q，第四层共m个LSTM单元，第一个LSTM单元的输入包含q个来自第三层对应LSTM单元的输出值，并输出q个输出值到同层的下个LSTM单元中，同时输出q个状态值到同层下个LSTM单元中，中间m‑2个LSTM单元的输入包含：q个来自第三层对应LSTM单元的输出值、q个来自第四层上一个LSTM单元的输出值和q个来自第四层上一个LSTM单元的状态值，并输出q个输出值到第四层的下个LSTM单元中，同时输出q个状态值到第四层下个LSTM单元中，最后一个LSTM单元的输入包含：q个来自第三层对应LSTM单元的输出值、q个来自同层上一个LSTM单元的输出值和q个来自同层上一个LSTM单元的状态值，并输出q个输出值；第五层为输出层，输出层的输入数据为第四层最后一个LSTM单元的输出值，即q个输出值，输出层单元为1个，即输出层的输出数据为1个；基于上述双层LSTM网络的复杂设备剩余寿命预测步骤如下：S1、对复杂设备历史数据进行预处理，并搭建双层LSTM网络；S2、对搭建的双层LSTM网络进行训练；S3、将测试数据进行预处理后传递到训练好的双层LSTM网络中；S4、双层LSTM网络的输出值为复杂设备剩余寿命的预测值。