[发明专利]一种工业设备剩余寿命预测方法、装置、存储介质及设备

说明书

本发明提供了一种工业设备剩余寿命预测方法、装置、存储介质及设备；其中方法包括如下步骤：获取工业设备的传感器监测数据，对传感器监测数据进行数据预处理并获取训练样本；注意力循环神经网络的模型构建与训练：使用lstm网络和输出全连接层构建注意力循环神经网络；在训练过程中，通过注意力层和lstm网络对多维传感器时间序列中各类传感器时间序列赋予不同权重，将带不同权重的多维传感器时间序列输入lstm网络获取高维特征，最后通过输出全连接层获取预测结果；通过注意力循环神经网络预测剩余寿命。本发明能够对不同的传感器时间序列赋予不同的权重，使模型更加关注与工业设备剩余寿命相关度高的传感器输入，从而提高预测准确率。

技术领域

本发明涉及工业设备剩余使用寿命预测领域，具体涉及一种工业设备剩余寿命预测方法、装置、存储介质及设备。

背景技术

近年来，随着工业4.0的推进，传感器技术、大数据和人工智能技术的发展，预测与健康管理技术(PHM)越来越受到关注。而剩余寿命预测技术是PHM中的关键部分，目前主要包含基于物理模型的方法和基于数据驱动的方法这两大类。基于物理模型的方法，通常难以通过分析复杂的设备机理获取精确的物理失效模型，而且耗时费力，对不同的设备需要分析建立不同的失效模型。通过数据驱动的方法不依赖设备本身的机理特性，通过收集和分析大量的设备运行数据进行剩余寿命预测。目前，基于数据驱动的剩余寿命预测方法主要包含基于统计模型的方法，基于机器学习的方法和融合模型的方法。机器学习中的深度学习方法能够在可以获取大量数据的条件下提取深层次数据特征，达到良好的预测效果。因此，已有大量的深度学习方法应用到剩余寿命预测当中。

然而，目前的深度学习例如长短期记忆网络，时间卷积神经网络等直接从工业设备的多维传感器监测数据中提取高维特征，没有考虑到不同的传感器数据和剩余使用寿命的相关程度。因此，现亟待设计出一种能够自动学习到不同的传感器时间序列和剩余寿命的相关程度，并且给不同的传感器时间序列赋予不同权重的深度学习方法。

发明内容

为克服现有技术中的缺点与不足，本发明的目的在于提供一种工业设备剩余寿命预测方法、装置、存储介质及设备；本发明基于注意力循环神经网络模型，区别于普通的lstm模型，该模型能够对不同的传感器时间序列赋予不同的权重，使模型更加关注与工业设备剩余寿命相关度高的传感器时间序列，从而提高工业设备剩余寿命预测的准确率。

为了达到上述目的，本发明通过下述技术方案予以实现：一种工业设备剩余寿命预测方法，其特征在于：包括如下步骤：

S1步、传感器监测数据获取与处理：获取工业设备的传感器监测数据，对传感器监测数据进行数据预处理并获取训练样本X；

S2步、注意力循环神经网络的模型构建与训练：使用lstm网络和输出全连接层构建注意力循环神经网络；使用所述训练样本X训练注意力循环神经网络直至收敛；在训练过程中，通过注意力层和lstm网络对多维传感器时间序列中各类传感器时间序列赋予不同权重，将带不同权重的多维传感器时间序列输入lstm网络获取高维特征，最后通过输出全连接层获取预测结果；

S3步、通过注意力循环神经网络预测剩余寿命：将待预测样本输入注意力循环神经网络，通过模型的注意力层和lstm网络获取待预测样本中各类传感器对应的权重，将带不同权重的待预测样本多维传感器时间序列输入lstm网络和输出全连接层获取剩余寿命预测结果。

优选地，所述S1步中，传感器监测数据是指对多个安装在工业设备上的传感器定期采集所得的多维传感器时间序列Z：

其中，t代表数据采集的总时间，n代表传感器的数量；Z是一个n行t列的矩阵。

优选地，所述S1步包括如下步骤：

S11步、使用kmeans算法对多维传感器时间序列Z在时间维度上进行聚类，识别出不同时间下工业设备所属的不同工况；