本发明属于机械设备状态监测和寿命预测技术领域，更具体地，涉及一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法。
背景技术：
伴随着制造业向自动化、网络化、绿色化、智能化的方向发展，机械设备结构越来越复杂，组成单元之间关联度越来越高，且功能复合。一旦其发生故障，将难以及时准确地诊断出故障原因。此外，机械设备的运行环境复杂、工况多变，其组成单元可能发生不同程度的故障，造成机械设备的损坏甚至造成重大的安全事故。因此，需要对机械设备开展寿命预测，以在设备发生故障前及时采取预防性维修策略，避免故障突发。这一方面保障了机械设备的安全可靠运行，提高经济效益，另一方面为维修提供了重要依据，降低了维修的成本。
循环神经网络模型作为一种深度学习方法，得到了越来越多研究机构的关注。长短期记忆网络作为一种新型的循环神经网络模型，具有较高的泛化能力、较强的非线性映射能力和良好的自组织自学习能力等优点，目前被广泛地应用于机械设备的状态监测与寿命预测领域。然而，现有的文献大多是表述使用单个网络模型去预测，忽视了预测样本由于加工过程的微变化和加工环境变化等原因造成的样本性能的多样性，这给机械设备剩余使用寿命的准确预测带来了挑战。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法。所述的设备寿命预测方法运用多重长短期记忆网络模型对采集的传感器信号进行分析，实现并行预测；结合经验贝叶斯算法，估计出最可能的剩余使用寿命，实现对设备剩余使用寿命的在线预测。
为实现上述目的，按照本发明，提供了一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，其特征在于，包括以下步骤：
1)获取机械设备的多种状态监测信号，并采用指数移动平均法对采集的状态监测信号进行平滑处理，处理公式如下：
其中，α为平滑系数，xt是数据平滑前t时刻的采样数据，yt是数据平滑后t时刻的数据；
2)以下列公式(2)中sc为筛选依据，对所获取的多种状态监测信号进行筛选，选取能较好反应机械设备退化过程的状态监测信号，其中
其中，mon表示状态监测信号的单调性，corr表示状态监测信号和运行时间之间的线性相关性，并且mon和corr表示如下：
其中，k是采样点的总数，δ(·)是符号函数，ft(t)是t时刻的平均趋势特征值，并且ft(t)表式如下：
其中，fu(t)和fl(t)是状态监测信号数的上包络线和下包络线在t时刻的值；
3)构建多重长短期记忆网络模型：在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，以实现多个网络同步训练；
4)在测试阶段，将实时采集的状态监测信号输入到训练好的多重长短期记忆网络模型中，多重长短期记忆网络模型的多个网络进行并行预测，得到多个预测结果；
5)利用经验贝叶斯算法对预测结果的概率分布进行估计，得到最可能的设备剩余使用寿命。
优选地，所述状态监测信号包括振动、噪音、位移、加速度、电流、压力和温度。
优选地，所述多重长短期记忆网络模型由多个长短期记忆网络组合而成，以实现并行预测，该多重长短期记忆网络模型分为三个层，分别为输入层、lstm层和输出层，其中，输入层负责将每个数据块与长短期记忆网络进行对应并将数据输入网络，lstm层负责对数据进行循环处理，输出层负责输出每一步的预测结果。
优选地，所有长短期记忆网络的结构相同，每个长短期记忆网络均由三个层组成，分别为：输入层、隐藏层和输出层，其中，隐藏层中神经元细胞采用lstm细胞结构。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明针对机械设备的剩余预测问题，基于多重长短期记忆网络和经验贝叶斯建立了一种机械设备剩余寿命在线预测方法，能够对机械设备的剩余使用寿命进行实时精确预测，实现机械设备故障的提前感知，保障机械设备的安全、稳定、长周期运行。
附图说明
图1是本发明方法的流程图；
图2是多lstm网络模型结构图；
图3a是单调性和相关性结果图；
图3b是传感器筛选结果图；
图4是测试发动机的剩余使用寿命与实际值对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照各附图，一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，包括以下步骤：
1)获取机械设备的多种状态监测信号，并采用指数移动平均法对采集的状态监测信号进行平滑处理，处理公式如下：
其中，α为平滑系数，xt是数据平滑前t时刻的采样数据，yt是数据平滑后t时刻的数据；优选地，所述状态监测信号包括振动、噪音、位移、加速度、电流、压力和温度。
2)以下列公式(2)中sc为筛选依据，对所获取的多种状态监测信号进行筛选，选取能较好反应机械设备退化过程的状态监测信号，其中
其中，mon表示状态监测信号的单调性，corr表示状态监测信号和运行时间之间的线性相关性，并且mon和corr表示如下：
其中，k是采样点的总数，δ(·)是符号函数，ft(t)是t时刻的平均趋势特征值，并且ft(t)表式如下：
其中，fu(t)和fl(t)是状态监测信号数的上包络线和下包络线在t时刻的值；
3)构建多重长短期记忆网络模型：在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，以实现多个网络同步训练；
4)在测试阶段，将实时采集的状态监测信号输入到训练好的多重长短期记忆网络模型中，多重长短期记忆网络模型的多个网络进行并行预测，得到多个预测结果；
5)利用经验贝叶斯算法对预测结果的概率分布进行估计，得到最可能的设备剩余使用寿命。
进一步，所述多重长短期记忆网络模型由多个长短期记忆网络组合而成，以实现并行预测，该多重长短期记忆网络模型分为三个层，分别为输入层、lstm层和输出层，其中，输入层负责将每个数据块与长短期记忆网络进行对应并将数据输入网络，lstm层负责对数据进行循环处理，输出层负责输出每一步的预测结果。
所有长短期记忆网络的结构相同，每个长短期记忆网络均由三个层组成，分别为：输入层、隐藏层和输出层，其中，隐藏层中神经元细胞采用lstm细胞结构。
构建如图2所示的多重长短期记忆网络模型。在训练阶段，将采集的历史状态监测信号划分成不同的数据块，使得每个数据块和多重长短期记忆网络模型中各个网络相对应，实现并行训练。在单长短期记忆网络中，为充分利用连续时间信息之间的关联，隐藏层细胞之间也相互传输信息。此外，由于长短期记忆细胞独特的记忆功能，长短期记忆网络可以实现对过去信息的记忆和利用。长短期记忆细胞具有去除或添加信息到单元状态的能力，这取决于三个精心设计的门结构，它们精确地控制长短期记忆网络中的信息流动。具体过程如下：
其中，wgx,wnx,wfx和wox分别是长短期记忆细胞的输入数据xi的权值，wgh,wnh,wfh和woh是上一时刻长短期记忆细胞输出值hi-1重新进入长短期记忆细胞的权值。bg,bn,bf和bo分别是输入节点、输入门、遗忘门和输出门的偏置值。gi,ni,fi,oi分别是输入节点、输入门、遗忘门和输出门的输出值。xi是当前时刻长短期记忆细胞的输入值。hi是当前时刻长短期记忆细胞的输出值。si和si-1分别是当前时刻和上一时刻长短期记忆细胞的状态值。⊙代表点乘，σ是sigmoid函数，
为证明所提出方法的有效性，使用nasa的c-mapss航空发动机实验数据进行验证。
该数据集包括了26个信号，其中21个是传感器监测信号，其他3个表示操作条件的设置。数据集中，每个时间序列代表来自同一复杂系统的不同引擎。每个引擎由不同的元件组成，如压力压缩器、涡轮机等。数据集是在一种操作条件下采集的且只包含了一种故障模式，共有三个文本文件组成：(1)“train_fd001”：包含100个训练单元，测量记录被认为是从健康状态开始并在达到失败时停止；(2)“test_fd001”：包含100个测试单元，数据只包含了从开始状态随机长度的数据，目标是让使用者预测剩余使用寿命；(3)“rul_fd001”：包含实际的剩余使用寿命值。train_fd001被用来训练和检验模型，模型训练完成后用来对test_fd001中发动机进行预测，预测的剩余使用寿命最终和rul_fd001中给定值进行对比。
对train_fd001中100台发动机的各传感器数据分别采用指数移动平均法进行平滑处理，然后计算每个传感器的单调性和相关性的平均值，最后利用sc指标对传感器数据进行筛选。传感器的单调性和相关性结果以及传感器的筛选结果如图3a、图3b所示。可以看出s2、s3、s4、s7、s8、s11、s12、s13、s15、s17、s20和s21共12个传感器的sc值大于阈值0.75，因此选择出来作为多重长短期记忆网络模型的训练数据。然后利用100台发动机筛选出的信号数据对多重长短期记忆网络模型进行训练，然后用训练好的模型来预测test_fd001中的发动机得到多个预测结果，经验贝叶斯算法估计最可能的剩余使用寿命。
为了验证本方法的优势，基于本方法的结果与其他文献中基于区分形状提取的预测方法、基于相似性的预测方法和基于极限学习机和模糊聚类的预测方法等三种方法进行了对比。预测的结果通过得分值和可决系数两个指标来衡量。
得分值(score)的表达公式如下：
其中，n是测试发动机的总数。
可决系数(r2)的表达公式如下：
式中的分子为实际剩余使用寿命ruli与预测值
本方法预测的100台发动机的剩余使用寿命与实际值对比如图4所示，从图4可以看出预测的剩余使用寿命曲线和实际的剩余使用寿命曲线有较高相似性，这反映了本方法预测的精准性。此外四种方法对比的结果如表1所示，我们可以看到本方法相对于其他三种方法拥有更低的score和更高的r2，这也反映了本方法优于其他三种方法。
表1各预测方法的预测值
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。