[发明专利]基于深度递归神经网络的自适应健康指标提取方法

说明书

本发明公开了基于深度递归神经网络的自适应健康指标提取方法，包括以下步骤：选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；建立兼具时间深度和空间深度的多层递归神经网络模型；将所述采集的物理信号进行分析以提取训练参数；多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。

技术领域

本发明涉及工业制造健康管理领域，尤其是基于深度递归神经网络的自适应健康指标提取方法。

背景技术

随着科技的发展，现代工业制造过程的集成度和复杂度日益增加，随之带来的维护成本和难度也剧烈上升；效率低下且成本昂贵的传统的人工检修维护的方法在面对大量复杂的现在工业制造设备时已不再适用。因此，亟待提出一种可适用于工业制造过程中自适应健康指标提取方法。

发明内容

为了克服上述现有技术中的不足，本发明提供了一种基于深度递归神经网络的自适应健康指标提取方法。

本发明解决其技术问题所采用的技术方案为：

基于深度递归神经网络的自适应健康指标提取方法，包括以下步骤

选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；

建立兼具时间深度和空间深度的多层递归神经网络模型；

将所述采集的物理信号进行分析以提取训练参数；

多层递归神经网络模型通过误差反向传播所述训练参数，驱动数据自适应特征学习，以提取制造过程中的健康指标。

进一步，所述多层递归神经网络模型在空间维度内是多隐含层前向传递网络结构，时间维度内t_n时刻的隐含层输出量输入至t_n+1时刻作为隐含层输入量。

进一步，所述训练参数的更新方式为w_ij←w_ij-η(δe/δw_ij)，其中为误差值，为输入为u时的输出值，(u,z)为训练样本输入输出值。

进一步，所述更新方式的导数计算采用动态规划和矩阵运算方式提高数据并行计算能力。

其中，所述物理信号包括力、热、光、电、磁的历史数据。

本发明带来的有益效果有：

本发明通过采集制造过程的力、热、光、电、磁等不同物理源信号的历史数据，利用多层递归神经网络模型反向传播训练参数，空间多层结构网络驱动数据的自适应特征学习，分析信号中所携带的制造过程系统和各部件的健康状态信息，建立多源、异构传感器数据与制造过程的运行环境、健康状态之间的关联机制。

具体实施方式

本发明的基于深度递归神经网络的自适应健康指标提取方法，包括以下步骤：

选定待管理的制造过程运行环境，并在所述制造过程运行环境中布置多个异构传感器以采集物理信号；其中，所述物理信号包括力、热、光、电、磁的历史数据。

建立兼具时间深度和空间深度的多层递归神经网络模型；所述多层递归神经网络模型在空间维度内是多隐含层前向传递网络结构，时间维度内t_n时刻的隐含层输出量输入至t_n+1时刻作为隐含层输入量。

将所述采集的物理信号进行分析以提取训练参数；