[发明专利]基于概率化深度神经网络模型的机电设备性能预测方法

权利要求书

1.一种基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，包括以下步骤：

构建概率化深度神经网络的预测模型；

获取机电设备的性能参数向量，通过所述性能参数向量训练所述预测模型；

基于训练好的预测模型，对机电设备的性能数据和可靠度进行预测。

2.根据权利要求1所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，所述预测模型包括：输入模块、运算模块、集成决策模块及输出模块，其中所述输入模块、所述运算模块、所述集成决策模块及所述输出模块串联连接。

3.根据权利要求2所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，构建所述运算模块的过程包括：

将若干个循环神经网络并联连接，构建所述运算模块。

4.根据权利要求3所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，构建所述集成决策模块的过程包括：

基于Monte Carlo算法对所述循环神经网络的预测结果进行统计，统计结果构成所述集成决策模块。

5.根据权利要求1所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，获取机电设备的性能参数向量的过程包括：

机电设备的不同位置上安装振动传感器；

通过所述振动传感器，得到机电设备的性能参数向量。

6.根据权利要求5所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，通过所述性能参数向量训练所述预测模型的过程包括：

计算所述性能参数向量的特征向量；

基于所述振动传感器监测的时间单元，对所述特征向量进行矩阵构建，得到特征矩阵；

将所述特征矩阵输入至所述预测模型中，对所述预测模型进行训练，直至输出的误差减小到期望值，得到训练好的预测模型。

7.根据权利要求6所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，对机电设备的性能数据进行预测的过程包括：

将机电设备的性能数据输入至训练好的预测模型中，对机电设备的性能数据进行预测；

基于训练好的预测模型输出的预测值，计算机电设备的性能在概率1-α下的置信区间，通过所述置信区间，得到机电设备的性能预测结果。

8.根据权利要求6所述的基于概率化深度神经网络模型的机电设备性能预测方法，其特征在于，对机电设备的可靠度进行预测的过程包括：

获取机电设备的性能数据；

将所述性能数据输入至训练好的预测模型，对机电设备的可靠度进行预测，得到机电设备的性能失效阈值，所述性能失效阈值的置信区间概率边界为机电装备的可靠度。