[发明专利]基于循环神经网络考虑未来工况的设备剩余寿命预测方法

摘要

本发明公开了一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其包括以下步骤：S1：获取反映目标设备工作状况的多个传感器监测数据集，包括设备从初始时刻到失效的监测数据，并对数据进行预处理；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：根据建模样本建立深度LSTM模型，使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；S4：根据初步预测结果和未来工况数据，建立考虑未来工况的多输入端模型，对目标设备进行剩余寿命预测。该方法能够准确地预测设备的剩余寿命，在未来工况已知的情况下，能够考虑未来工况对剩余寿命的影响，提高预测准确度。

主权项

1.一种基于循环神经网络考虑未来工况的设备剩余寿命预测方法，其特征在于，其包括以下步骤：S1：获取反映目标设备工作状况的从初始时刻到失效的监测数据，并对监测数据进行预处理，其中所述监测数据包括多个传感器测量得到的历史传感器数据；S2：利用滑动时间窗口方法根据监测数据获得建模样本，并根据实验选取预设的时间窗口大小；S3：构建深度LSTM模型，将所述S2中获得的建模样本分为训练组、验证组和测试组，并使用训练组对所述深度LSTM模型进行训练，使用Adam算法更新深度LSTM模型中的参数，使用均方误差作为训练时的损失函数，当验证组的预测误差停止减小时中止训练，计算测试组上的所述深度LSTM模型的预测误差，并使用训练后的深度LSTM模型对目标设备进行初步剩余寿命预测；以及S4：根据所述S3中得到的初步剩余寿命预测的结果计算未来工况输入数据的长度，建立考虑未来工况的多输入端模型，所述多输入端模型包括第一组LSTM网络和第二组LSTM网络，通过第一组LSTM网络和第二组LSTM网络分别对历史传感器数据和所述目标设备的未来工况输入数据进行特征提取，使用所述S3中得到训练后的深度LSTM模型作为第一组LSTM网络的预训练模型，精调所述第一组LSTM网络的最后LSTM层，再将从所述第一组LSTM网络获得的多维健康指标数据和从所述第二组LSTM网络获得的未来工况输入数据的表征数据相结合，共同对目标设备进行剩余寿命预测。