买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:天津大学
摘要:本发明属于工业大数据、PHM和机器学习领域,为实现在实时监测数据带有这种缺失值的情况下进行较为准确的RUL预测。为此,本发明,基于多任务的传感器故障情况下的RUL预测方法,步骤如下:首先,对带有缺失值的数据进行滑动窗口预处理,以将其构造为序列形式的数据样本;然后,使用深度LSTM模块从数据中充分地融合时空信息,以便提取出包含完整退化信息的隐表示;然后,利用多任务学习的方法,将从深度LSTM模块中提取的隐表示并行地输入到缺失值填充和RUL预测任务模块中,从而在缺失值填充任务的辅助下使隐表示包含尽可能完整的退化信息,以便获得精确的RUL预测结果。本发明主要应用于剩余使用寿命预测场合。
主权项:1.一种基于多任务的传感器故障情况下的RUL预测方法,其特征是,步骤如下:首先,对带有缺失值的数据进行滑动窗口预处理,以将其构造为序列形式的数据样本;然后,使用深度LSTM模块从数据中充分地融合时空信息,以便提取出包含完整退化信息的隐表示;然后,利用多任务学习的方法,将从深度LSTM模块中提取的隐表示并行地输入到缺失值填充和RUL预测任务模块中,从而在缺失值填充任务的辅助下使隐表示包含尽可能完整的退化信息,以便获得精确的RUL预测结果;详细步骤如下:A.数据预处理所收集的一组监测数据使用矩阵X=[x1,x2,x3,x4,x5,...,xT]表示,其中T表示收集的信号的长度,其中的向量表示t时刻从S个传感器上收集的监测信号构成的向量,向量中每个元素表示t时刻从s传感器上收集的信号,不同的传感器代表了不同的监测特征,使用0值代表缺失值;滑动窗口处理使用一个长度为w的滑动窗口沿着时间维度以步长1对监测数据X进行切割,获得若干样本其中Xt=[xt-w+1,xt-w+2,...,xt],对于每个样本Xt再将其展开为向量其维度为w×S,对于第n组含有T个时刻监测数据的X可以通过滑动窗口处理获得T-w+1个向量,将这些向量按时间顺序排列就构成了第n个样本序列Sn={zw,zw+1,...,zT},若干样本序列构成训练和测试模型使用的数据集;B.时空信息融合使用深度LSTM模型从输入数据中充分地融合时空信息:对于一个输入数据序列Sn={zw,zw+1,...,zT},将其中的元素按照时间顺序迭代地输入深度LSTM模块中,从而在t时刻最后一层LSTM对应的t时刻的cell输出的隐表示向量ht融合了t时刻及之前的所有输入数据即{zw,zw+1,...,zt}中的信息;C.多任务学习采用多任务学习的方法,缺失数据填充和RUL预测任务并行进行,通过缺失值填充任务的辅助以获得包含了完整信息的隐表示ht,从而利用ht中的完整信息获得较好的RUL预测精度;具体来说,对于C步骤中t时刻输出的隐表示ht,将其并行地同时输入到两个任务对应的模块中:缺失值填充模块和RUL预测模块,其中缺失值填充模块由一个多层全连接神经网络构成,其输出维度与输入数据zt的维度是对应的;假设缺失值填充模块的输出值为带有缺失值的输入数据zt对应的完整数据为那么缺失值填充模块的目标是尽可能的缩小与之间的距离,即对t时刻的输入值zt中的缺失数据进行填充,使用均方差loss计算缺失值填充模块的误差: 其中D=w×S,为缺失值填充模块输出向量的维度,通过优化以上loss函数,实现缺失值填充模块恢复zt中的缺失数据,从而保证输入的隐表示向量ht包含了t时刻完整数据中的完整信息;同时,包含了t时刻完整数据中完整信息的隐表示ht被并行地输入到RUL预测模块中,实现RUL预测任务,RUL预测模块由一维卷积神经网络层1d-CNN和全连接层构成,其中1d-CNN层的目的是从隐表示ht中进一步充分地提取退化特征,然后将提取的特征向量送入全连接层获得精准的RUL预测结果,由于RUL预测模块的输入ht是在与其并行的缺失值填充模块的辅助下获得的,因此它包含了t时刻的完整信息,因而,使用ht进行RUL预测以获得良好的预测精度,假设RUL预测模块在t时刻输出的预测值为t时刻的真正RUL值为yt,由于RUL预测任务是一个回归问题,因而使用回归问题中常用的MSEloss计算RUL预测误差: 所提出方法的最终loss函数为:L=Lpred+α·Limp其中α为超参数,用于平衡Lpred与Limp,需要通过实验确定。
全文数据:
权利要求:
百度查询: 天津大学 基于多任务的传感器故障情况下的RUL预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。