一种机械设备剩余寿命预测方法和系统

技术领域

本发明属于状态监测与剩余寿命预测领域，更具体地，涉及一种机械设备剩余寿命预测方法和系统。

背景技术

近年来，随着智能制造的飞速发展，状态监测技术已在各种工程系统中得到广泛采用，例如风能转换系统，电池系统，滚动轴承系统等。监测技术对预测和健康管理具有重要意义。通过对监测数据的分析，人们可以进行剩余寿命预测，以估计设备在出现故障之前的可用寿命。诸如涡轮风扇发动机，轴承等工业设备的精确剩余寿命预测可以及时防止机器故障并有效降低维护成本。基于最近的研究，机械设备剩余寿命预测技术主要分为四类：基于物理模型的方法，基于统计模型的方法，基于机器学习的方法，以及融合方法。

近年来，深度学习算法经常用于自动地从大规模数据中获取更深的抽象特征，其广泛应用于剩余寿命预测领域中。普遍的方法包括卷积神经网络，循环神经网络，长短期记忆人工神经网络，门控循环单元等。在现有大多数传统方法中，通常给不同时间步长的数据点分配相同的权重。但实际上，这些具有不同时间步长的数据点并不能提供同样丰富的信息，因此，造成其预测精度不够理想。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种机械设备剩余寿命预测方法和系统，其目的在于对不同时间步长的数据点分配不同权重以突出包含更多退化信息的数据点，由此解决采用传统方法存在的剩余使用寿命预测精度不高的技术问题。

为实现上述目的，本发明提供了一种机械设备剩余寿命预测方法，包括：

S1.获取机械设备运行数据并进行预处理，作为训练集和验证集；

S2.构建混合神经网络；所述混合神经网络包括卷积神经网络和双向门控循环单元；其中，卷积神经网络用于提取输入数据空间维度下的数据信息；所述输入数据由不同时间步长的数据点经过对应地注意力权重加权得到；所述双向门控循环单元，用于捕获卷积神经网络输出数据中的时间相关性；

S3.将初始化的注意力权重传递到混合神经网络，利用训练集对网络进行训练并将损失反馈给遗传算法中，遗传算法不断学习以获取最优的注意力权重集，再传递给混合神经网络中，以此达到协同训练并找到最优解，当验证集上的损失最小时返回训练好的预测模型；

S4.将待预测的机械设备运行状态数据输入训练好的预测模型，得到剩余寿命预测结果。

进一步地，步骤S1中预处理包括：

将数据按如下公式归一标准化：

其中，x

对所有数据使用滑动窗口进行分段。

进一步地，卷积神经网络的通道数设置为时间步长。

进一步地，双向门控循环单元的计算如下：

其中X

进一步地，遗传算法的步骤具体为：

种群初始化：将注意力权重通过二进制编码到遗传空间的染色体上，每个注意力权重对应一串二进制编码；

权重转移：将二进制编码转换成十进制小数作为注意力权重值，并将注意力权重转移到混合神经网络中，混合神经网络开始训练学习并返回预测误差产生的相应损失值；

损失排序：将每组二进制编码进行随机选择并分成若干小组，根据返回的损失排序，选择每组中误差值最小的权重编码；

交叉重组：将上一步选择的误差最小集合进行两两随机组合得到多组集合一和集合二，随机选择集合一中的部分基因点，剩下没被选择的基因点由集合二提供，将这两个集合中的基因点进行重组为一个新的基因集合，得到重组之后的基因片段；

变异：对交叉重组后的基因型按变异概率进行原有基因取反操作；

产生新的种群：根据交叉和变异来重建种群，并开始新的训练。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。

本发明将卷积神经网络与双向门控循环单元相结合组成混合神经网络，以便有效地提取时间和空间特征，提高剩余寿命预测精度，此基础上，在混合神经网络中引入了注意力权重，采用混合神经网络和优化遗传算法的协同训练机制，两者共享、传递参数和损失反馈，遗传算法通过不断传递参数和反馈损失来寻找最佳注意力权重参数，优化了剩余寿命预测中不同时间步长的注意力权重分布，使得不同时间步长的重要性得以准确体现，相较于一些传统的机器学习方法和深度学习(多层感知器，支持向量回归，随机森林，卷积神经网络，循环神经网络，深度信念网络等)，其均方根误差、预测得分均低得多，有效解决了现有剩余寿命预测精度不高的问题。

本发明还对传统遗传算法进行改进，防止算法陷入局部最优状态，将混合神经网络的损失反馈引入到改进的遗传算法中，从而使该过程可以通过控制随机搜索的方向来显着提高性能。

附图说明

图1为本发明实施例提供的一种基于遗传优化混合神经网络的涡扇发动机剩余寿命预测方法示意图；

图2为从FD001子集的所有引擎的14个选定传感器的测量值；

图3为在两个数据集上通过提议的方法得出的真实剩余寿命和预测剩余寿命；

图4为在不同实验数据集的注意力分布图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的一种机械设备剩余寿命预测方法，如图1所示，包括：对机械设备运行数据并进行预处理；模型建立与训练：首先将初始化的注意力权重传递到卷积-双向门控单元混合神经网络，然后对模型进行训练并将损失反馈给改进的遗传算法中，遗传算法不断学习以获取最优的注意力权重集，再传递给混合神经网络中，以此达到协同训练并找到最优解，当验证集上的损失最小时返回模型；将返回的模型在测试集上进行预测，并返回剩余寿命预测结果。本发明所建立的模型由卷积神经网络和双向门控循环单元构成框架，其中，卷积神经网络提取数据点的空间特征，双向门控循环单元获取数据的时间相关性，两者结合即既可以提取空间特征也可以提取时间特征，学习了数据中的完整特征。

以下结合实施例具体说明，例如，获取FD001子集的所有引擎的传感器的测量值，并选取14个方差适宜、能获得足够退化信息的传感器数据用于后续用途，如图2，其中横坐标表示时间，单位是周期。将数据归一化以消除不同传感器特性之间的影响，同时对时间较长的数据，使用滑动窗口对数据进行分段，具体实施方式如下：

(11)由如下公式进行归一化操作：

其中，x

(12)滑动窗口进行分段，为了捕获数据之间的时间相关性，滑动窗口用于封装相邻时间点的数据，时间窗口中最后一个数据点的剩余寿命预测用作时间窗口的剩余寿命预测。通过分析，将数据滑窗时间长度设置为30，步长设置为1。

优选的，训练所用的引入了注意力权重的混合神经网络由卷积神经网络和双向门控循环单元组成，其整体为：

Y＝f

其中，

其训练的具体方式如下：

(21)首先，通过滑动窗口选择原始输入数据，然后将不同时间步长的注意力权重定义如下：

i表示第i个权重集，l表示第l个时间步，

通过加权计算不同时间步长的注意力权重，可以得到如下输入数据：

由此，被分配了注意力权重的数据值X＝[X

(22)卷积神经网络用于获取经过注意力加权的输入数据的空间特征，为了不压缩数据的时间相关性，通道数设置为时间步长。因此，卷积神经网络不会干扰数据中的时间关系，而只会压缩空间信息。然后将输出数据输入到双向门控循环神经网络。

(23)门控循环单元学习卷积神经网络提取的空间特征，并学习时间相关性依存关系，其单元的计算如下：

其中X

遗传算法将学习到的注意力权重发送回混合神经网络。同时，混合网络将训练损失返回给遗传算法，以指导其进一步的学习和训练。本发明可采用传统的遗传算法与混合神经网络协同训练，优选地，本发明还对传统遗传算法进行了如下改进，主要步骤如下：

种群初始化：将注意力权重通过二进制编码到遗传空间的染色体上，每个权重对应一串二进制基因编码；

权重转移：将二进制编码转换成十进制小数，即初始的注意力权重值，并将注意力权重转移到先前的混合神经网络中，神经网络开始训练学习，并返回神经网络的预测误差产生的相应损失值；

损失排序：将每组二进制编码进行随机选择并分成若干组，同时根据返回的损失排序(预测误差)，选择每一组中误差值最小的权重编码；

交叉重组：将上一步选择的误差最小集合进行两两随机组合得到多组集合一和集合二，随机选择集合一中的部分基因点，剩下没被选择的基因点由集合二提供，将这两个集合中的基因点进行重组为一个新的基因集合，得到重组之后的基因片段；此处所选集合的基因点不是固定的，本实施例选取的是50％；普通的遗传算法就是随机选基因点进行互换，但是本方法不是互换是重组，随机选集合一中的基因点，将被选择的集合一的基因点与没被选择的集合二的基因点进行重组得到新的基因型。例如：有两个六位的基因片段，随机选了集合一里面1 3 5这三个位置的基因点(246没被选择，246就由集合二提供)，那么将集合一135的基因点和集合二246的基因点重组成一个新的6位基因片段；

变异：对交叉重组后的基因型按变异概率进行原有基因取反操作；

产生新的种群：根据交叉和变异来重建种群，并开始新的训练。

本发明改进的遗传算法与普通遗传算法区别包括：

普通遗传算法中的选择策略一般是先计算出每个个体在子代中出现的概率来随机选择个体构成种群，而本发明则对选出的误差最小集合再两两随机组合得到新的集合来进行下一步的交叉变异，使得交叉变异过程有更多的可能行。

普通遗传算法中交叉算子主要是单点或多点交叉，其是通过随机选择交叉点来进行基因交换，最后得到的新的基因片段还是包括部分原有的基因型，而本发明针对交叉算子来进行改进，主要通过将随机组合的两个基因片段进行随机的重组得到新的基因片段，相比普通方法，本方法增加了子代之间的差异性，扩大了其全局搜索的多样性，可以开采更多的位置空间，可避免算法早期的收敛于陷入局部最优。

由以上两点可知，本发明改进的遗传算法相对于普通遗传算法主要在选择策略和交叉算子中添加了随机机制来重构最后的种群空间，使得算法全局搜索能力更强。

此外，本发明将先前的混合神经网络的损失反馈引入到改进的遗传算法中，这样改进可以使该过程通过控制随机搜索的方向来显着提高性能。

图3表示了在FD001和FD004这两个数据集上通过上述方法得出的预测的剩余寿命和真实的剩余寿命预测曲线，由图中可以发现，真实值和预测值很接近，即表明该方法具有较高的预测精度。

图4展示了在不同实验数据集的注意力分布图，便于更好的理解时间序列中不同时间步长的重要性采样。

表1通过控制混合神经网络种类与是否引入注意力权重，对比了卷积神经网络加几种不同的循环神经网络的效果，还对比了普通遗传算法与改进遗传算法，对比各方法的均方根误差与得分，可发现卷积神经网络和双向门控循环单元结合再加上改进遗传算法这种方法效果具有显著优越性。表2则对比了本发明方法与剩余寿命预测中常用的其他方法，结果相同，本发明方法在两个评价指标中效果都优于其他方法。其中，两个模型评价指标分别是均方根误差(RMSE)和得分(score)，得分是剩余寿命预测领域常用的一种模型评估方法，两个评价指标计算方式如下：

其中，n为数据个数，y

表1：不同剩余寿命预测方法的比较性能

表2：FD001和FD004不同数据集上的实验结果

总而言之，通过本发明所构思的以上技术方案与现有技术相比，能够在相对有限的技术复杂性下实现较高预测精度。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。