基于BLS和LSTM的剩余使用寿命预测方法及系统

技术领域

本发明涉及智能学习领域，更具体的说是涉及一种基于BLS和LSTM的剩余使用寿命预测方法及系统。

背景技术

剩余使用寿命(Remaining Useful Life，RUL)是指设备组件或系统从当前时间点开始运行到不能再执行特定功能的时间点的时间长度。在设备运行过程中，由于内外因素的综合作用，其零部件的性能和健康状况会逐渐恶化。如果在部件失去功能之前没有采取适当的维护措施，不仅会影响设备的正常运行，还可能会因部件损坏导致设备损毁的风险。剩余使用寿命预测通过持续监测和分析设备的运行数据，帮助管理者在零部件损坏前做出维修或更换决策，确保设备或系统运行的可靠性和安全性，减少经济损失。因此，准确的预测设备和系统的剩余使用寿命对于维持正常的生产至关重要。目前对设备和系统的剩余使用寿命的预测方法主要有三种类型：1)基于物理模型的预测方法；2)数据驱动的预测方法；3)物理模型与数据驱动集成的预测方法。

在基于物理模型的预测方法中，通常选择建立一个数学模型来描述基于特定设备的故障机制，并结合该设备的经验知识和缺陷生长方程来预测该设备的剩余使用寿命。为了克服传感器数量对预测结果的影响，一种基于模型的预测方法被提出。该方法不仅创新了预测方式，而且证明了其在减少传感器方面具有优越性。基于模型的方法已被证明在有限的感知场景中是具有鲁棒性的。然而，基于物理模型的方法需要相应的基于特定对象的退化模型，而且一般不具有普适性。此外，随着设备复杂性的增加，对系统对象的故障建模变得困难，限制了通过模型构建来预测RUL的方法的发展。

数据驱动的预测方法有两个重要的分支，即统计数据驱动的方法和基于机器学习(machine learning,ML)的方法，这是目前RUL预测的主流方法。该方法通过统计模型监测数据来预测系统状态，而不需要对物理参数进行假设或经验估计。基于物理模型的方法预测精度取决于退化模型的选择，但退化模型对于不同类型的设备是不同的。相比之下，统计数据驱动的方法在克服与模型选择相关的问题方面是有效的。

近年来，ML由于其强大的数据处理能力，在数据挖掘、语音识别、计算机视觉、故障诊断和RUL预测等领域已发展成熟。基于ML的预测方法可以克服未知退化模型的问题，而且输入不受数据类型的限制，可以是许多不同类型的数据。用于预测RUL的ML可以分为浅层ML和深度学习(deep learning,DL)方法。虽然有一些研究证实了浅层ML在RUL预测领域的有效性，但传统的浅层ML算法严重依赖于专家的先验知识和信号处理技术，使得自动处理和分析大量的监测数据变得困难。相比之下，DL模型的目标是建立深度神经网络体系结构，结合数据的低维特征，形成更抽象的高级属性，具有强大的特征学习能力。2006年，贪婪逐层预训练方法被提出，预示着DL方法取得了理论突破。随后，DL在多个领域得到广泛应用，例如图像识别、语音识别、故障诊断、RUL预测等。Deutsch等将DBNs的特征提取能力与前馈神经网络在预测旋转设备RUL方面的优越预测能力相结合。在此方法的基础上，为了获得剩余寿命的概率分布，将DBN与粒子滤波有效地相结合，进一步提高了预测精度。深度神经网络的长期预测精度较差，需要与其他方法相结合以获得更好的性能。卷积神经网络(convolutional neural network,CNN)是一种具有参数共享和空间池化等优良特性的经典前馈神经网络。为了便于综合信息的融合，一种从多尺度卷积神经网络中自动学习显著特征，并通过时频表示揭示了承载退化信号的非光滑性的RUL预测方法被提出。与CNNs相比，循环神经网络(recurrent neural networks,RNNs)是包含前馈连接和内部反馈连接的前馈神经网络。它们特殊的网络结构允许保留前一时刻隐藏层的数据信息，通常用于处理具有相互依赖属性的监控向量序列。然而，由于梯度消失和爆炸的问题，RNNs处理长期监测序列会产生较大的预测偏差。为了有效地解决长期序列问题，长短期记忆网络(longshort-term memory,LSTM)在RNN之上做了一些改进，门控机制可以有效保留在长时间序列中的重要特征。目前，在传统LSTM基础上，已经提出了许多变体。注意力机制可以突出时间序列信息的关键部分，提高预测的准确性；利用一维卷积神经网络提取原始信号序列的局部特征，结合LSTM网络和注意力机制对传感器信号进行分析并预测RUL，提高了模型的鲁棒性，可获得更高的预测精度。DL由于比浅层ML具有更强的特征表示和处理大量数据的能力，被广泛用于RUL预测。

此外，基于物理模型和数据驱动的混合方法已经被开发出来，如Sunet等人的方法，其中经验模型分解、维纳过程和神经网络被结合起来，以充分利用物理模型和数据驱动的优势。然而，要设计出一个能够体现这两种方法优点的结构并不容易，因此使用混合方法来预测RUL缺乏实践意义。

虽然目前的ML算法在RUL预测领域表现良好，特别是LSTM在处理时间序列数据方面表现有效，但在应用于RUL预测时，存在特征表示不足的问题，影响了其预测精度。

因此，如何提供一种具有较强的特征表征能力、能够避免陷入局部最优、梯度消失或梯度爆炸、建模速度慢、模型冗余等问题的基于BLS和LSTM的剩余使用寿命预测方法及系统是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于BLS和LSTM的剩余使用寿命预测方法及系统，其中，BLS具有强大的特征表征和预测能力，能够准确地表示数据特征与预测结果之间的关系；训练速度高且具有增量学习的优势，当网络没有达到预期的性能时，只需要增量学习，且只需要计算增量部分而无需重构整个网络，这大大提高了数据处理的效率。同时，LSTM可以有效地处理时间序列数据，避免了参数设置和单次时间预测的随机性等问题。通过结合BLS和LSTM的混合模型，提高了模型的预测性能。

为了实现上述目的，本发明提供如下技术方案：

一种基于BLS和LSTM的剩余使用寿命预测方法，包括以下步骤：

步骤1、获取待测设备的原始数据，并将所述原始数据输入到LSTM中，基于时间序列对所述原始数据进行特征信息提取，生成特征节点；

步骤2、将所述特征节点输入激活函数中对所述特征节点进行非线性转换，生成增强节点；

步骤3、将所述特征节点与所述增强节点合并，作为BLS的输入，得到所述BLS的输出的动态方程；

步骤4、计算所述BLS输出的动态方程的输出权重，并带入所述动态方程中，进行剩余使用寿命预测。

优选的，所述步骤1中，所述特征节点的表达式为：

其中，o

优选的，所述步骤2中，所述增强节点的表达式为：

H

其中，Z

优选的，所述步骤3中，所述BLS的输出的动态方程为：

其中，

优选的，所述步骤4中，所述输出权重

一种基于BLS和LSTM的剩余使用寿命预测系统，包括

信息采集模块、特征提取模块、特征增强模块、特征融合模块、模型输出模块以及预测模块。

所述信息采集模块用于获取预测设备或系统中各部分信息数据，并将获取的数据输入至所述特征提取模块；所述特征提取模块对输入的数据进行特征信息提取，并生成对应的特征节点；所述特征增强模块用于将所述特征提取模块生成的特征节点进行增强操作，生成增强节点；所述特征融合单元用于融合所述特征节点和所述增强节点；所述模型输出模块用于将融合后的所述特征节点和所述增强节点输入至BLS中，输出剩余寿命预测模型；所述预测模块用于计算所述BLS输出权重，并根据所述预测模型进行剩余使用寿命的预测。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于BLS和LSTM的剩余使用寿命预测方法及系统，本发明基于宽度学习系统(BLS)，嵌入了长短期记忆网络(LSTM)，形成了一种新的BLS网络，该网络在进行足够的特征提取的同时，保留了输入数据中的时间序列信息，使模型的输出与输入数据保持较强的相关性，提高了模型的可解释性和准确性，提高了预测结果表征数据的能力，提高了预测的性能和精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的流程示意图。

图2为本发明的B-LSTM结构示意图。

图3为本发明的系统框架图。

图4为基于LSTM的预测结果示意图。

图5为基于BLS的预测结果示意图。

图6为基于RNN的预测结果示意图。

图7为基于本发明的B-LSTM的预测结果示意图。

图8为LSTM、BLS、RNN、B-LSTM预测结果的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于BLS和LSTM的剩余使用寿命预测方法，如图1和图2所示，包括如下步骤：

步骤1、获取待测设备的原始数据，并将原始数据输入到LSTM中，基于时间序列对原始数据进行特征信息提取，生成特征节点。

LSTM是一种特殊的RNN结构，在处理长期序列问题时，通过门控状态控制信息传输，克服了RNN的“梯度消失”和“梯度爆炸”问题。LSTM由三个门来控制网络中的信息流，遗忘门决定是否保留LSTM的前一个状态；输入门决定是否使用当前的输入来更新LSTM的信息；而输出门用于决定是否将当前的隐藏层输出到下一层进行迭代，表示当前节点的状态输出。

步骤1中，特征节点的表达式为：

其中，o

步骤2、将特征节点输入激活函数中对特征节点进行非线性转换，生成增强节点。

H

其中，Z

步骤3、将所述特征节点与所述增强节点合并，作为BLS的输入，得到所述BLS的输出。

步骤3中BLS输出的动态方程为：

其中，

步骤4、计算所述BLS输出的动态方程的输出权重，并带入所述动态方程中，进行剩余使用寿命预测。

步骤4中，所述输出权重

本发明实施例公开了一种基于BLS和LSTM的剩余使用寿命预测系统，如图3所示，包括信息采集模块、特征提取模块、特征增强模块、特征融合模块、模型输出模块以及预测模块；

信息采集模块用于获取预测设备或系统中各部分信息数据，并将获取的数据输入至所述特征提取模块；特征提取模块对输入的数据进行特征信息提取，并生成对应的特征节点；特征增强模块用于将特征提取模块生成的特征节点进行增强操作，生成增强节点；特征融合单元用于融合特征节点和增强节点；模型输出模块用于将融合后的特征节点和增强节点输入至BLS中，输出剩余寿命预测模型；预测模块用于计算BLS输出权重，并根据预测模型进行剩余使用寿命的预测。

为了验证本发明可行性，采用所提出的基于BLS和LSTM的剩余使用寿命预测系统，对C-MAPSS数据集进行实验来验证模型的可靠性。下面示例是对本发明的进一步说明，而不是限制发明的范围。

在实施例中，我们选择含有飞机涡扇发动机退化模拟数据的C-MAPSS数据集，其中包括不同涡扇发动机随时间产生的模拟传感器数据。如表1所示，数据集由FD001，FD002，FD003，FD004四个子数据集组成。其中FD001和FD003数据集都包含1个操作条件，并且分别包含1和2个故障类型，FD002和FD004都包含6个操作条件，并且分别包含1和2个故障类型。

表1数据集参数

这些子数据集由从21个传感器获得的发动机编号、序列号、配置项和传感器数据组成，模拟了在不同的初始条件下，发动机从健康状态到产生故障的逐步退化。

这四个子数据集中的每个数据都包含一个训练集和一个测试集，其中还包含了测试引擎的实际RUL值。训练集包括从涡扇发动机开始运行到其退化和产生故障的所有数据。然而，在测试集中，数据从健康状态开始，随后被任意截断，直到系统故障时的操作时间段都由这些数据计算得到。

为了定量评估模型的性能，我们比较了新模型的预测结果，并将该模型的预测结果与其他网络结构的预测结果进行了比较。本文介绍了RMSE和MAE这两个客观的评价指标，其中；当预测误差为0时，RMSE和MAE都为最小值0。随着d的绝对值的增加，两个评价指标也增加。

为了验证B-LSTM模型的优越性，我们选择了在时间序列信息处理和特征提取方面表现良好的LSTM、RNN和BLS进行实验来比较模型性能。经过上述过程的实验，我们可以基于RUL的真实值和预测值的拟合来粗略判断其优越性。每个网络结构中四个子数据集的预测结果如图3-8所示。红色的实线表示真实的RUL值，而绿色的散点图表示预测值。

从图中可以观察到，与其他方法相比，B-LSTM可以更准确地描述每个测试集的RUL变化趋势。这有效地说明了这种同时提取时间序列信息和特征信息的改进结构在预测时性能更好。图7表明，在FD001和FD003测试集中，B-LSTM模型对预测结果的拟合性较好，相比其他方法具有更显著的优势，这是因为这两个数据集的故障模式和操作条件相对简单。虽然预测模型在具有复杂失效模式的FD002和FD004数据集只能粗略地描述RUL的变化趋势，但相比其他方法也更为准确。

我们选择RMSE和MAE来评价B-LSTM、LSTM、RNN和BLS模型的预测性能。RMSE和MAE值越小，预测越准确。B-LSTM相较于其他模型的改进情况如图8所示。从表2中可以看出，B-LSTM方法的RMSE和MAE分别为15.3629和11.9565，明显优于其他方法。基于实验数据可以得出，我们的方法在测试集上取得了良好的效果，对现有的方法有了较大的改进，这表明，将时间序列信息和特征信息相结合的方法可以有效地预测RUL。

表2基于C-MAPSS数据集的模型性能比较

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。