[发明专利]一种基于DCNN模型的矿井机械设备的剩余寿命预测方法

说明书

本发明属于产品设备的剩余寿命预测或可靠性评估技术领域，具体是一种基于DCNN模型的矿井机械设备的剩余寿命预测方法。包括以下步骤，S100～收集设备从投入使用到完全报废的整个寿命周期的数据，对收集的原始数据进行去噪、缺失值弥补、归一化处理，对于高维数据进行降维处理以及特征提取的预处理。S200～将设备历史运转信息，即投入使用‑报废，划分为训练集和测试集。S300～构建深度卷积神经网络DCNN模型，使模型的学习能力增强，提高预测的准确度，同时能够处理大量数据。S400～基于训练好的模型，利用测试集测试模型预测值，将模型的预测值和实际值做对比，得到模型预测的准确性，对模型预测结果进行评判；S500～可视化预测结果，进行预测剩余寿命分析。

技术领域

本发明属于产品设备的剩余寿命预测或可靠性评估技术领域，具体是一种基于DCNN模型的矿井机械设备的剩余寿命预测方法。

背景技术

CNN广泛应用于厂品设备的故障分析中，但是在产品设备剩余寿命预测中应用却鲜有,一般被应用于数据特征提取中。现有预测模型的预测准确性低，泛化能力弱，基本是针对精密设备的关键零部件和通用零部件。目前对于矿井这种工作环境复杂、可靠性要求高、剩余寿命预测难度大的复杂设备剩余寿命预测手段比较落后，基本停留在仿真、基于模型驱动、建立相关数学模型进行分析的阶段，这导致预测效果差，结果真实性低，对于复杂的工况的零部件剩余寿命预测困难。

传统方法对于时间序列的数据在划分训练集和测试集时必须严格按照时间序列，不能打乱，将整个数据集按照6:4或者7:3划分，即整体数据前60％或70％为训练集，后40％或30％设置为测试集，但是这种划分方法在数据集发生变化时，为了达到同样的预测精度，对模型也必须提出相应的调整。因此，模型对数据集的依赖性比较大，这在一定程度上降低了模型的泛化能力。为了避免上述情况，在数据集划分过程中，不按照传统时间序列数据划分的规则划分数据，基于数学理论，应用新的划分方法，减少模型对数据结构的依赖性，提高模型的泛化能力。

现有技术对产品进行剩余寿命预测基本采用回归模型，但是目前回归模型的预测精确度不高，对数据的依赖性强。

发明内容

本发明为了解决目前对于矿井这种工作环境复杂、可靠性要求高、剩余寿命预测难度大的复杂设备剩余寿命预测手段比较落后，基本停留在仿真、基于模型驱动、建立相关数学模型进行分析的阶段，这导致预测效果差，结果真实性低，对于复杂的工况的零部件剩余寿命预测困难的问题，提供一种基于DCNN模型的矿井机械设备的剩余寿命预测方法。

本发明采取以下技术方案：一种基于DCNN模型的矿井机械设备的剩余寿命预测方法,包括以下步骤。

S100～收集设备从投入使用到完全报废的整个寿命周期的数据，对收集的原始数据进行去噪、缺失值弥补、归一化处理，对于高维数据进行降维处理以及特征提取的预处理。

S200～将设备历史运转信息，即投入使用-报废，划分为训练集和测试集。

S300～构建深度卷积神经网络DCNN模型，使模型的学习能力增强，提高预测的准确度，同时能够处理大量数据。

S400～基于训练好的模型，利用测试集测试模型预测值，将模型的预测值和实际值做对比，得到模型预测的准确性，对模型预测结果进行评判。

S500～可视化预测结果，进行预测剩余寿命分析。

所述的步骤S200采取以下方法：

S201～对经过预处理的数据集进行划分，在数据集划分时，采用分层抽样的方法，即在完整的数据集中，每隔四个数据抽取一个数据，按照这样的顺序一直抽取到数据结束，抽取的数据作为测试集，剩余的作为训练集，则训练集和测试集的比例为4:1；

S202～设置训练集和预测集的对应标签，