[发明专利]一种基于MSWR-LRCN的旋转类机械寿命预测方法

说明书

本发明公开了一种基于MSWR‑LRCN的旋转类机械寿命预测方法，包括以下步骤：采集数据构成原始数据集并分为训练数据和测试数据；将训练数据和测试数据进行标准化处理；用于提升模型的收敛速度。构建MSWR‑LRCN深度神经网络模型并输入数据样本进行训练；将测试样本输入到训练好的MSWR‑LRCN模型中进行退化趋势预测；对测试数据整个全寿命周期里的完整退化趋势进行复原；计算出测试样本的RUL。上述技术方案通过MSWR‑LRCN网络，构造了两条不同的路径，对两条路径提取的特征进行融合，使提取的特征更加多样化，并将融合后的特征输入到双向长短期记忆网络中进行进一步的处理和分析，以获得更多的RUL预测细节，实现了旋转类机械的RUL预测新方法。

技术领域

本发明涉及旋转机械剩余寿命预测技术领域，尤其涉及一种基于MSWR-LRCN的旋转类机械寿命预测方法。

背景技术

随着传感器技术的快速发展，健康状况在线监测可用于多种工业设备，为预测和健康管理技术(prognostics and health management，PHM)提供足够的数据支持。剩余使用寿命(remaining useful life，RUL)作为PHM的一个重要组成部分,为工作人员提供了关于设备退化趋势和RUL的更新信息，促进了成本效益和基于安全工作状态的维护计划。

目前，RUL预测方法可以分为基于模型驱动的预测方法和基于数据驱动的预测方法。基于模型驱动的预测方法在很大程度上依赖于对退化机制和演化规律的全面理解，这通常受到故障机制和操作环境复杂性的限制。另一方面，基于数据驱动的预测方法主要要求数据的大小和质量，很少受到特定模型结构的限制。数据驱动的一种代表性方法是深度学习(deep learning，DL)，它由于能够处理复杂的非线性数据结构而受到了极大的关注。近年来，多种DL结构已成功应用于RUL预测。其中卷积神经网络(convolution neuralnetworks，CNN)具有权值共享、卷积操作和空间池化等特性，能够挖掘大量数据中的深层特征，在旋转机械设备内部组件的RUL预测方面同样表现出色。

有资料显示，虽然基于深度学习的RUL预测方法提供了很好的预测结果，但在大多数情况下，仍然需要进行复杂的信号处理来提前提取特征，深度学习自动提取深度特征的优势不能充分利用。

中国专利文献CN110555230A公开了一种“基于集成GMDH框架的旋转机械剩余寿命预测方法”。包括以下步骤：S1，采集多个同一种类旋转机械从正常运行到故障失效过程中的多个传感器数据，通过数据处理，得到训练数据集合W；S2，将数据集通过不同的划分，分别用于构建三个具有差异性的GMDH预测网络；S3，将三个GMDH网络在训练样本上的预测输出作为三层BP神经网络的输入对BP神经网络进行训练，该BP神经网络用于对三个GMDH网络的预测结果进行集成；S4，利用所述集成GMDH框架对旋转机械剩余寿命进行预测，计算并输出剩余寿命预测值。上述技术方案需要进行复杂的信号处理来提前提取特征，运算量大，耗时长。

发明内容

本发明主要解决原有的技术方案受到故障机制和操作环境复杂性限制大的技术问题，提供一种基于MSWR-LRCN的旋转类机械寿命预测方法，通过MSWR-LRCN网络，构造了两条不同的路径，一条是残差收缩路径，一条是具有注意力机制的长短期记忆网络路径，残差收缩路径保留与当前任务相关的特征并进行压缩，有助于加深网络，抑制过拟合，使用长短期记忆网络路径来提取跨越大量时间步长的动态时间特征的压缩信息，对两条路径提取的特征进行融合，使提取的特征更加多样化，并将融合后的特征输入到双向长短期记忆网络中进行进一步的处理和分析，以获得更多的RUL预测细节，实现了旋转类机械的RUL预测新方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

(1)采集数据构成原始数据集并分为训练数据和测试数据；

(2)将训练数据和测试数据进行标准化处理；用于提升模型的收敛速度。