机械装备剩余使用寿命快速有效预测的深度学习方法与流程

本发明涉及机械设备健康评估领域，具体为一种机械装备剩余使用寿命快速有效预测的深度学习方法。
背景技术：
：近十年来机械设备健康评估技术成为长寿命、高可靠机械设备运营管理的关键技术，健康评估具有可发现早期的系统性能衰退，能给出设备的运行健康程度，可将现行的设备定期维护发展到视情维护，可大幅度降低运营管理费用等优点。对装备的剩余使用寿命进行预测是对设备运行健康程度的最直接评价，剩余使用寿命的预测精度与预测效率是该问题最大的难点。复杂装备由于其装备结构的复杂性，退化过程的非线性，退化路径的多样性，以及信号多源且含噪声等原因，其建模预测精度与模型运算效率难以保证。传统的维纳过程、伽马过程、卡尔曼滤波等方法善于解决以单变量的退化模型，无法胜任含有多源含噪数据的复杂装备剩余使用寿命预测。马尔科夫模型可以对时间序列进行建模，但是由于模型只能对退化过程离散化建模，并且模型复杂度随着状态空间的增大指数型增长，因此要得到高预测精度的马尔科夫模型就必须牺牲预测效率。技术实现要素：针对现有技术中存在的问题，本发明提供一种机械装备剩余使用寿命快速有效预测的深度学习方法。该方法克服了对多维时间序列数据进行建模的难题，并且能够对退化过程连续化建模，具有预测精度高、运行速度快的特点，可实现复杂装备性能退化状态的有效评估。同时需要对原始数据进行退化隐含特征的提取，提高预测精度，减小数据的维度，有效防止了网络发生过拟合。为达到以上目的，本发明采取如下技术方案予以实现：一种机械装备剩余使用寿命快速有效预测的深度学习方法，包括以下步骤：步骤1：首先，对机械装备的多维全寿命周期数据进行归一化处理与滤波降噪处理；步骤2：构建多层自编码器网络，然后对经过步骤1处理后的数据进行非线性降维与性能非线性退化特征的提取，得到全寿命周期的性能非线性退化特征；步骤3：对每个时刻的剩余使用寿命值进行缩放处理后，将步骤2得到的全寿命周期的性能非线性退化特征分解成固定长度为n的短序列数据，得到固定长度为n的短序列，每个短序列对应一个标签值，标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值；其中，n为整数；步骤4：针对步骤3得到的长度为n的短序列数据对应地构建一个网络深度为n的递归神经网络，得到深度门控递归神经网络模型；步骤5：根据步骤4构建的深度门控递归神经网络模型，设置网络深度n、学习率，批次大小与迭代次数，使得深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％，否则返回步骤3重新设置网络深度n、学习率，批次大小与迭代次数进行网络模型训练，直至深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％；步骤6：对深度门控递归神经网络输出的剩余使用寿命结果进行后处理，得到剩余使用寿命预测值。本发明进一步的改进在于，步骤1中具体过程为：对机械装备的每一维全寿命周期数据单独进行归一化处理与均值滤波处理，归一化处理采用0均值归一，按如下式子进行变换：其中zi为归一化后的数据，xi为一维样本数据，μ为样本数据均值，σ为样本标准差。均值滤波处理采用填充最近边界值法，具体过程按如下式子进行：z'＝z*h其中z＝[z1,z2,z3,…]为归一化后的数据，z'为滤波后的结果，*表示卷积运算，h为长度为k的一维卷积核，k为卷积核长度。本发明进一步的改进在于，步骤2中，所述的多层自编码器网络由两层encoder和两层decoder组合而成。本发明进一步的改进在于，步骤2中，第一层encoder节点数为10，激活函数为relu，第二层encoder节点数为5，激活函数为sigmoid；第一层decoder节点数为10，激活函数为relu，第二层decoder节点数为输入层节点数，激活函数为sigmoid。本发明进一步的改进在于，步骤3中，对每个时刻的剩余使用寿命值进行缩放处理的具体过程为：将每个时刻的剩余使用寿命值除以全寿命周期数据的长度。本发明进一步的改进在于，步骤4中，深度门控递归神经网络模型的输入门rt＝σ(wrht-1+urxt)，遗忘门zt＝σ(wzht-1+uzxt)，新记忆偏置项均设置为零，网络权值矩阵wr,wz,w,ur,uz,u参数采用-1到1的随机初始化；权值矩阵更新方法为小批量随机梯度下降。本发明进一步的改进在于，步骤6中的后处理包括：均值滤波处理以及缩放处理。本发明进一步的改进在于，缩放处理的具体过程为：将均值滤波处理后的数据乘以全寿命周期数据的长度。本发明进一步的改进在于，机械装备为航空发动机。本发明与现有技术相比，具有以下优点：本发明由于采用了滤波降噪处理，减少了传感器随机测量误差带来的影响；由于采用多层自编码器，相比较于传统非线性降维方法，本方法同时能进行特征提与数据压缩；由于采用的深度门控递归神经网络，非常适合于对时间序列进行建模，同时由于存在三个门函数的原因，能够使网络具有长距离的记忆能力；由于采用了多对一的数据形式，一方面极大地增加了数据量，另一方面又巧妙地避开了变长序列的建模难题。该方法由多层自编码器作为特征提取层，深度门控递归神经网络作为预测实现层，既克服了高维数据难建模、易过拟合的问题，又解决了对长时间序列难建模的问题，具有有效的特征提取、预测精度高、运行速度快等特点，为研究机械设备健康评估中性能退化状态的获取提供一种可行的方法。该预测方法利用多层自动编码器与深度门控递归神经网络组合工作，既克服了高维数据难建模、易过拟合的问题，又解决了对长时间序列难建模的问题，具有有效的特征提取、预测精度高、运行速度快等特点。附图说明图1为机械装备剩余使用寿命快速有效预测的深度学习方法流程图；图2为机械装备剩余使用寿命快速有效预测的深度学习方法网络结构图；图3为基于本发明的航空发动机剩余使用寿命预测结果；其中，(a)为97#航空发动机，(b)为98#航空发动机，(c)为99#航空发动机，(d)为100#航空发动机。图4为81#-100#航空发动机剩余使用寿命预测结果对比图。具体实施方式下面结合附图对本发明进行详细说明。参见图1和图2，本发明的机械装备剩余使用寿命快速有效预测的深度学习方法，以机械装备的全寿命周期数据为样本集，剩余使用寿命预测方法由多层自编码器作为特征提取层，深度门控递归神经网络作为预测实现层；包括以下步骤：步骤1：首先，对机械装备的多维全寿命周期数据(即多源含噪信号)进行归一化处理与滤波降噪处理；步骤1中具体过程为：对机械装备的每一维全寿命周期数据单独进行归一化处理与均值滤波处理，归一化处理采用0均值归一，按如下式子进行变换：其中zi为归一化后的数据，xi为一维样本数据，μ为样本数据均值，σ为样本标准差。均值滤波处理采用填充最近边界值法，具体过程按如下式子进行：z'＝z*h其中z＝[z1,z2,z3,…]为归一化后的数据，z'为滤波后的结果，*表示卷积运算，h为长度为k的一维卷积核k为卷积核长度。步骤2：构建多层自编码器网络，然后对经过步骤2处理后的数据进行非线性降维与性能非线性退化特征的提取，得到全寿命周期的性能非线性退化特征；其中，多层自编码器网络由两层encoder和两层decoder组合而成。第一层encoder节点数为10，激活函数为relu，第二层encoder节点数为5，激活函数为sigmoid；第一层decoder节点数为10，激活函数为relu，第二层decoder节点数为输入层节点数，激活函数为sigmoid。步骤3：对每个时刻的剩余使用寿命值进行缩放处理后，将步骤3得到的全寿命周期的性能非线性退化特征分解成固定长度为n的短序列数据，得到固定长度为n的短序列，每个短序列对应一个标签值，标签值为短序列中最后一个时刻对应的缩放处理后的剩余使用寿命值。对每个时刻的剩余使用寿命值进行缩放处理的具体过程为：将每个时刻的剩余使用寿命值除以全寿命周期数据的长度。其中，n为整数；步骤4：针对步骤3得到的长度为n的短序列数据对应地构建一个网络深度为n的递归神经网络，即对剩余使用寿命进行建模，得到深度门控递归神经网络模型；深度门控递归神经网络模型的三个门函数，输入门rt＝σ(wrht-1+urxt)，遗忘门zt＝σ(wzht-1+uzxt)，新记忆偏置项均设置为零，网络权值矩阵wr,wz,w,ur,uz,u参数采用-1到1的随机初始化；网络权值矩阵是个统称；权值矩阵更新方法为小批量随机梯度下降。步骤5：根据步骤4构建的深度门控递归神经网络模型，选择合适的网络深度n、学习率，批次大小与迭代次数，使得深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％，否则返回步骤3重新选择网络深度n、学习率，批次大小与迭代次数进行网络模型训练，直至深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％；步骤6：对深度门控递归神经网络输出的剩余使用寿命结果进行后处理，后处理具体为：均值滤波处理以及缩放处理，其中，缩放处理的具体过程为：将均值滤波处理后的数据乘以全寿命周期数据的长度，最后得到剩余使用寿命预测值。实施例为了详细说明本发明，以24个数据源的航空发动机剩余使用寿命预测为例进行说明。如图1所示，按照上述步骤进行预测，对该航空发动机全寿命周期的数据的训练与测试中，参见图3，本发明与传统算法相比，不仅极大地提高了运算效率，而且也进一步提高了预测精度，参见图4。表1为航空发动机剩余使用寿命预测结果对比表。表1航空发动机剩余使用寿命预测结果对比模型本发明隐马尔科夫平均误差29.142.7运算时间(h)0.3446.5从表1可以看出，本发明的预测准确，并且预测速度较快。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12