[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

说明书

本发明公开了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，包括：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。本发明能够同时预测机电装备性能和可靠性的演化趋势，弥补传统方法在可靠性预测和风险控制上的不足，实现机电装备健康状态准确、快速的预测。

技术领域

本发明属于健康管理与故障预测领域，特别是涉及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。

背景技术

机电设备的性能预测是健康管理与故障预测技术(Prognostics and HealthManagement，PHM)中最为重要的一环，机电设备的性能优劣直接影响剩余寿命预测的有效范围和准确率。现有技术中，传统的深度神经网络预测方法仅能完成某一机电系统装备的性能参数进行学习与预测，无法实现机电设备可靠性的计算，难以满足预测性维护对机电装备可靠性的风险控制。

发明内容

本发明的目的是提供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，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了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，包括：

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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

本发明的技术效果为：