[发明专利]一种电动闸阀剩余使用寿命预测方法及系统

说明书

本发明公开了一种电动闸阀剩余使用寿命预测方法及系统。该方法包括：获取待预测时序长度以及在待预测时序长度内待预测电动闸阀的寿命监测数据；将待预测时序长度和与待预测时序长度对应的特征参数形成第一待预测二维数据；根据滑动时窗将第一待预测二维数据转换为待预测三维数据；将待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。本发明的电动闸阀剩余使用寿命预测方法及系统，充分考虑了寿命预测特征数据中蕴含的时序特性，更能体现退化过程中的时序特性，具有能够提高剩余使用寿命预测准确率的优点。

技术领域

本发明涉及电动闸阀剩余使用寿命预测技术领域，特别是涉及一种电动闸阀剩余使用寿命预测方法及系统。

背景技术

剩余使用寿命(Remaining Useful Life，RUL)是从当前时间到使用寿命结束的长度，寿命预测的主要任务是基于状态监测信息预测机器在失去运行能力前的剩余时间。目前，寿命预测研究在研究方法上分为四类，第一类是多元统计分析方法，主要是结合可靠性分析和概率论等相关理论基础展开RUL预测技术的研究，包括自回归模型、随机系数模型、维纳过程模型、Gamma模型、马尔可夫模型和滤波算法；第二类是采用结合物理机理建立分析模型；第三类采用机器学习以及深度学习的相关算法进行研究，本质上属于模式回归分析的范畴；第四类混合模型主要综合前面几种算法中的2种或多种进行分析，以起到相互取长补短的作用。

其中，第三类涉及的算法有人工神经网络算法和模糊神经网络算法。人工神经网络算法可以学习较为复杂的非线性关系，但是无法准确地描述元件退化的时序变化过程，准确性和适用性较差。模糊神经网络算法充分利用了专家知识和神经网络的优势，但是仍然没有考虑退化过程的时序特征，对于长时序问题的预测精度较差。

发明内容

本发明的目的是提供一种电动闸阀剩余使用寿命预测方法及系统，充分考虑了寿命预测特征数据中蕴含的时序特性，更能体现退化过程中的时序特性，具有能够提高剩余使用寿命预测准确率的优点。

为实现上述目的，本发明提供了如下方案：

一种电动闸阀剩余使用寿命预测方法，包括：

获取待预测时序长度以及在所述待预测时序长度内待预测电动闸阀的寿命监测数据；所述寿命监测数据包括多种特征参数；

将所述待预测时序长度和与所述待预测时序长度对应的特征参数形成第一待预测二维数据；

根据滑动时窗将所述第一待预测二维数据转换为待预测三维数据；

将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命。

可选的，所述将所述待预测三维数据输入训练好的电动闸阀剩余使用寿命预测模型中，得到电动闸阀剩余使用寿命，具体包括：

将所述待预测三维数据输入所述训练好的卷积自编码模型，得到预测数据特征；

将所述滑动时窗内的待预测时间序列和与所述滑动时窗内的待预测时间序列对应的特征参数形成第二待预测二维数据；

将所述预测数据特征与所述第二待预测二维数据按列进行拼接，得到预测组合特征；

将所述预测组合特征输入所述训练好的长短期记忆网络模型，得到电动闸阀剩余使用寿命。

可选的，所述训练好的卷积自编码模型，具体训练方法包括：

获取历史时序长度、在所述历史时序长度内电动闸阀寿命历史监测数据、历史使用寿命以及历史数据特征；

将所述历史时序长度和与所述历史时序长度对应的特征参数形成第一历史二维数据；

根据所述滑动时窗将所述第一历史二维数据转换为历史三维数据；