一种基于动态长短期记忆网络的设备性能退化预测方法与流程

1.本发明属于机械设备寿命预测技术领域，具体涉及一种基于动态长短期记忆网络的设备性能退化预测方法。


背景技术：

2.随着科技进步，国内炼油与化工生产装置规模大型化发展趋势明显，与其配套的旋转机械设备也向大型化、高速化、自动化和智能化方向发展，机械装备不断迈向大型化、复杂化、精密化，而设备故障导致的非计划停机不仅会造成巨大的经济损失，而且可能会带来灾难性的火灾、爆炸等安全事故，容易导致故障频发，不仅影响设备运行安全，给经济效益带来巨大损失，甚至严重威胁着人们的生命安全。因此，实现预测性维修对于确保设备安全、可靠运行具有重要作用，针对机械设备开展健康管理和剩余寿命预测，实现预防性维修尤为重要。故障类型按故障发生、发展的过程分为突发性故障和渐变性故障，一般渐变性故障具有可检测性与可预测性。研究设备性能退化预测技术并开展预测性维修，可使运行维护人员来预防故障或为故障的发生做好充足准备，并最大限度地减少计划外维修带来的损失，具有重要的工程应用价值和实践意义。
3.设备性能退化预测技术是剩余使用寿命预测技术的间接表达，通过预设报警阈值也可以达到寿命预测目的。在剩余寿命预测的方法中，从经济性、安全性等角度出发，基于退化建模的剩余寿命预测方法已成为主流，由于维纳过程具有良好的数学特性，适合描述工程实际中具有非单调退化趋势的随机退化过程，而且能够得到管理决策所需要的剩余寿命分布，已被广泛应用于退化建模和剩余寿命预测。然而，现有绝大多数退化建模和剩余寿命预测研究假定设备在其寿命剖面内没有经历任何维修活动(如零部件替换、校正、润滑等)，对于不可修设备或者经历维修活动后设备性能没有改善，即采用现有对剩余寿命预测方法对未维修或修复如旧的情况进行剩余寿命预测是合理的。但对大部分可修系统，这样的假设往往会影响退化建模和剩余寿命预测的准确性。例如，给旋转不稳定的机械部件添加润滑油改善不稳定状态、给行走机器人更换磨损严重的部件延长机器人工作时间，给绝缘性能不合格的电机清除积碳改善绝缘性能，对精度下降的陀螺仪进行力矩器动平衡调整减小陀螺仪漂移误差等等，以上修复非新维修活动可改善设备的退化状态，从而延长设备剩余寿命。因此，如何对存在修复非新这种不完美维修影响下的随机退化设备进行剩余寿命预测以及寿命预测，进而提高剩余寿命预测的准确性成为本领域亟需解决的技术问题。
4.目前剩余寿命预测方法总体上分为3类：基于机理模型的方法、数据驱动的方法和两者相融合的方法。基于机理模型的方法是在深入分析设备失效机理的基础上建立退化模型，但由于实际运行设备机理模型难以建立导致其应用并不广泛。随着传感技术的发展以及预测和健康管理理念的深入人心，基于数据驱动的退化预测方法引起国内外学者的重视。系统设备状态监测数据含有丰富的信息，基于数据驱动的退化预测的难点是保证中长期故障预测的准确性，预测方法主要分为统计学习方法与机器学习方法，其中机器学习方法在退化趋势预测中表现出良好的性能。然而利用机器学习中的浅层学习机(包括支持向
量回归、反向传播神经网络、极限学习机、多层感知机等)预测退化趋势，并未充分发掘数据中的隐含信息。随着人工智能的发展，深度学习理论在性能退化趋势预测或寿命预测领域逐渐得到应用。目前研究的热点均基于相似模型理论，通过对某一实验室数据或相似工况下的“运转到坏(run to failure)”数据训练后作退化趋势拟合，即知道失效时刻(标签数据)而后反推剩余寿命。然而在实际工厂活动中多变的工况会使实验室训练的模型无法直接应用到实际案例上，相似工况也并不能保障发生的故障相似。同时，目前基于深度学习理念的预测工作往往在模型训练完后再不断地进行预测，并未将预测的数据反馈给数据池重新训练模型以进行下一步预测，固定的模型将会导致累计误差不断增大。
5.本发明是针对设备退化趋势进行预测的，目前基于数据驱动的旋转机械退化状态预测中存在着时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题；同时，目前基于深度学习理念的预测工作往往在模型训练完后再不断地进行预测，并未将预测的数据反馈给数据池重新训练模型以进行下一步预测，固定的模型将会导致累计误差不断增大。
6.循环神经网络中一个序列当前的输出与前面的输出是有关联的，这为解决具有时间序列的衰减数据的预测提供了可能。然而，传统循环神经网络的计算与前n次的所有计算均相关，这会导致计算量呈指数累积，导致训练耗时很长，而基于循环神经网络改进的长短期记忆网络(lstm)解决了长期记忆的问题，避免了前n次的所有计算结果均参与计算的问题。
7.本发明通过可靠性理论，利用可靠性函数构建了旋转机械的性能退化指标，采用模糊信息粒化技术提取历史退化指标的模糊退化边界，采用l1趋势滤波理论提取历史退化指标的主要退化趋势，利用动态长短期记忆网络对模糊退化边界与主要退化趋势进行预测，从不同的角度预测了旋转机械的性能退化，且预测的模糊退化边界作为预测的退化趋势的置信区间进一步验证退化的准确性，同时构建的动态长短期记忆网络具有寿命标签制定合理、累计误差小等优点，为进一步的工程应用提供了基础。解决了目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题。


技术实现要素：

8.针对现有技术中存在的上述技术问题，本发明提出了一种基于动态长短期记忆网络的设备性能退化预测方法，设计合理，克服了现有技术的不足，具有良好的效果。
9.为了实现上述目的，本发明采用如下技术方案：
10.一种基于动态长短期记忆网络的设备性能退化预测方法，包括如下步骤：
11.步骤1：选取机械设备正常状态监测数据为参考数据，根据谱距离指标函数提取机械设备的振动特征信号；
12.步骤2：采用l1趋势滤波技术，对振动特征信号进行趋势滤波处理，得到消除采集误差后平滑的机械真实振动趋势曲线；
13.步骤3：采用模糊信息粒化技术，将一个信息整体分解成若干个信息块，将机械退化预测分为窗口划分与信息模糊化两个步骤，模糊化后的最小值与最大值即为退化信息的模糊边界；
14.步骤4：利用动态lstm进行模型训练，最终给出综合的性能退化预测。
15.优选地，步骤1中，根据谱距离指标函数提取机械设备的振动特征信号，具体包括以下步骤：
16.步骤1.1：选取旋转设备正常状态监测数据x(t)以及振动特征信号中的实时监测数据y(t)，j
x,y
是运行“优秀”状态信号x(t)和待评估状态信号y(t)之间的j散度，表示为：
[0017][0018]
式中，s
x
(k)和sy(k)分别是信号x(t)和y(t)的自功率谱，n为功率谱线个数；
[0019]
步骤1.2：计算谱距离指标函数r(j
x,y
)：
[0020][0021]
式中，α为灵敏度系数，由设备性能退化趋势决定。
[0022]
优选地，步骤2中，采用l1趋势滤波技术，对振动特征信号进行趋势滤波处理，得到消除采集误差后平滑的机组真实振动趋势曲线，具体包括以下步骤：
[0023]
步骤2.1：设定趋势滤波的平滑度系数λ大小，根据对信号处理的实际需求对λ进行取值；
[0024]
步骤2.2：采用l1趋势滤波技术,对谱距离指标函数提取的振动特征信号进行滤波处理，得到消除采集误差后平滑的机械设备真实振动趋势曲线；
[0025]
步骤2.3：l1趋势滤波技术通过最小加权目标函数实现，即使下式最小，公式为：
[0026][0027]
式中，yi为标准时间序列，即振动特征信号，其中，i＝1,
…
,n，xi为基本趋势，n为振动特征信号组数，λ是一个非负参数来控制趋势线的平滑性和平衡余项的大小，控制估计的趋势和信号冗余之间的平衡。
[0028]
优选地，步骤3中，采用模糊信息粒化技术，将一个信息整体分解成若干个信息块，每个信息块中的信息元素由于相似、接近、或具有某种功能而结合在一起，具体包括以下两个步骤：
[0029]
步骤3.1：窗口划分就是将整个时间序列按时间尺度划分为若干个子序列，每个子序列作为一个操作窗口；
[0030]
步骤3.2：信息模糊化就是通过一定的模糊规则提取出每个操作窗口的有效退化信息，生成一个个模糊信息粒的过程，当采用三角形模糊粒子求得窗口数据的最大值、最小值和平均值，其隶属函数m表示为：
[0031][0032]
式中，x是窗口中的变量；a为窗口内的最大值，m为窗口内平均值、b为窗口最小值。
模糊化后的最小值与最大值即为退化信息的模糊边界。
[0033]
优选地，步骤4中，lstm即为长短期记忆网络，单个lstm区块是由遗忘门、输入门、输出门3个门结构和细胞状态构成；其中，
[0034]
遗忘门—决定从“细胞状态”中丢弃什么信息；
[0035]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0036]
式中，wf,bf为遗忘门的权重矩阵和偏置项；σ为sigmoid函数；x
t
为是序列信息；
[0037]
输入门—决定放什么新信息到“细胞状态”；
[0038]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0039][0040]
式中，wi,bi为输入门的权重矩阵和偏置项；wc,bc为更新信息时的权重矩阵和偏置项；x
t
为是序列信息；tanh为tanh函数；
[0041]
更新“细胞状态”；
[0042][0043]
式中，c
t
为当前细胞状态，c
t-1
为上一时刻细胞状态，为当前输入的细胞状态。f
t
为遗忘门，i
t
为输入门；
[0044]
输出门—基于“细胞状态”得到输出；
[0045]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0046]ht
＝o
t
×
tanh(c
t
)。
[0047]
式中，wo,bo为输出门的权重矩阵和偏置项，c
t
为当前细胞状态，o
t
为输出门，h
t
为标签信息。
[0048]
优选地，步骤4中，采用动态改进的长短期记忆网络，在lstm训练模型中，采取的数据处理方式为多步动态预测，多步是指采用前n个时刻数据预测未来l个时刻数据，动态是指将预测l个时刻的数据返回数据池，重新学习模型进行下一次预测，直到达到预测需求，具体步骤如下：
[0049]
选择n＝5，l＝2时，t时刻构造的训练数据为x
t
＝[x
t-4
,x
t-3
,x
t-2
,x
t-1
,x
t
]，训练标签为y
t
＝[x
t+1
,x
t+2
]；
[0050]
xm＝[x
m-n
,x
m-n+1
,
…
,xm]
[0051]
x
train
＝[x0,x1,
…
,xm]
[0052]ytrain
＝[[x1,
…
,x
l
],[x2,
…
,x
l+1
],
…
,[x
m+1
,
…
,x
l+m+1
]]
[0053]
式中，xm为m时刻的输入数据，x
train
为模型的训练数据集，y
train
为训练数据集的标签。
[0054]
优选地，以西安交通大学滚动轴承加速寿命实验数据集即xjtu-sy轴承数据集进行验证，选取该轴承运转到坏的全部数据作为监测数据，计算该轴承全生命周期内的谱距离指标。
[0055]
优选地，λ选择100。
[0056]
优选地，在模糊信息粒化过程中，选择窗口的大小根据传感器采样间隔与需求决定，窗口越大，模糊区间代表的信息也就越多，区间预测波动也会减小，区间更具代表性；窗口越小，模糊区间代表的信息也就越少，区间预测波动会增大，区间更具准确性。
[0057]
优选地，窗口的大小为10。
[0058]
本发明所带来的有益技术效果：
[0059]
本发明通过可靠性理论，利用可靠性函数构建了旋转机械的性能退化指标，采用模糊信息粒化技术提取历史退化指标的模糊退化边界，采用l1趋势滤波理论提取历史退化指标的主要退化趋势，利用动态长短期记忆网络对模糊退化边界与主要退化趋势进行预测，从不同的角度预测了旋转机械的性能退化，且预测的模糊退化边界作为预测的退化趋势的置信区间进一步验证退化的准确性，同时构建的动态长短期记忆网络具有寿命标签制定合理、累计误差小等优点，为进一步的工程应用提供了基础。解决了目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题。
附图说明
[0060]
图1为本发明方法流程图。
[0061]
图2为谱距离指标系数退化曲线示意图。
[0062]
图3为谱距离主要趋势与模糊边界示意图。
[0063]
图4为退化趋势与模糊区间预测示意图。
具体实施方式
[0064]
本发明是针对设备退化趋势进行预测的，目前基于数据驱动的旋转机械退化状态预测中存在着时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题；同时，目前基于深度学习理念的预测工作往往在模型训练完后再不断地进行预测，并未将预测的数据反馈给数据池重新训练模型以进行下一步预测，固定的模型将会导致累计误差不断增大。
[0065]
循环神经网络中一个序列当前的输出与前面的输出是有关联的，这为解决具有时间序列的衰减数据的预测提供了可能。然而，传统循环神经网络的计算与前n次的所有计算均相关，这会导致计算量呈指数累积，导致训练耗时很长，而基于循环神经网络改进的长短期记忆网络(lstm)解决了长期记忆的问题，避免了前n次的所有计算结果均参与计算的问题。
[0066]
一种基于动态长短期记忆网络的设备性能退化预测方法，包括如下步骤：
[0067]
步骤1：选取所述旋转设备正常状态监测数据为参考数据，根据谱距离指标函数提取设备振动特征信号；具体包括以下步骤：
[0068]
步骤1.1：选取旋转设备正常状态监测数据x(t)以及振动特征信号中的实时监测数据y(t)，j
x,y
是运行“优秀”状态信号x(t)和待评估状态信号y(t)之间的j散度，表示为：
[0069][0070]
式中，s
x
(k)和sy(k)分别是信号x(t)和y(t)的自功率谱，n为功率谱线个数；
[0071]
步骤1.2：计算谱距离指标函数r(j
x,y
)：
[0072][0073]
式中，α为灵敏度系数，由设备性能退化趋势决定。
[0074]
步骤2：采用l1趋势滤波技术对振动特征信号进行趋势滤波处理，得到消除采集误差后平滑的机组真实振动趋势曲线；
[0075]
具体包括以下步骤：
[0076]
步骤2.1：设定趋势滤波的平滑度系数λ大小，根据对信号处理的实际需求对λ进行取值；
[0077]
步骤2.2：采用l1趋势滤波技术,对谱距离指标函数提取的振动特征信号进行滤波处理，得到消除采集误差后平滑的机械设备真实振动趋势曲线；
[0078]
步骤2.3：l1趋势滤波技术通过最小加权目标函数实现，即使下式最小，公式为：
[0079][0080]
式中，yi为标准时间序列，即振动特征信号，其中，i＝1,
…
,n，xi为基本趋势，n为振动特征信号组数，λ是一个非负参数来控制趋势线的平滑性和平衡余项的大小，控制估计的趋势和信号冗余之间的平衡。
[0081]
步骤3：求取模糊边界值，模糊化后的最小值与最大值即为退化信息的模糊边界；
[0082]
采用模糊信息粒化技术，将一个信息整体分解成若干个信息块，每个信息块中的信息元素由于相似、接近、或具有某种功能而结合在一起，具体包括以下两个步骤：
[0083]
步骤3.1：窗口划分就是将整个时间序列按时间尺度划分为若干个子序列，每个子序列作为一个操作窗口；
[0084]
步骤3.2：信息模糊化就是通过一定的模糊规则提取出每个操作窗口的有效退化信息，生成一个个模糊信息粒的过程，当采用三角形模糊粒子求得窗口数据的最大值、最小值和平均值，其隶属函数m表示为：
[0085][0086]
式中，x是窗口中的变量；a为窗口内的最大值，m为窗口内平均值、b为窗口最小值。模糊化后的最小值与最大值即为退化信息的模糊边界。
[0087]
步骤4：利用动态lstm进行模型训练，最终给出综合的性能退化预测。
[0088]
lstm即为长短期记忆网络，单个lstm区块是由遗忘门、输入门、输出门3个门结构和细胞状态构成；其中，
[0089]
遗忘门—决定从“细胞状态”中丢弃什么信息；
[0090]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0091]
式中，wf,bf为遗忘门的权重矩阵和偏置项；σ为sigmoid函数；x
t
为是序列信息；
[0092]
输入门—决定放什么新信息到“细胞状态”；
[0093]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0094][0095]
式中，wi,bi为输入门的权重矩阵和偏置项；wc,bc为更新信息时的权重矩阵和偏置项；x
t
为是序列信息；tanh为tanh函数；
[0096]
更新“细胞状态”；
[0097][0098]
式中，c
t
为当前细胞状态，c
t-1
为上一时刻细胞状态，为当前输入的细胞状态。f
t
为遗忘门，i
t
为输入门；
[0099]
输出门—基于“细胞状态”得到输出；
[0100]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0101]ht
＝o
t
×
tanh(c
t
)。
[0102]
式中，wo,bo为输出门的权重矩阵和偏置项，c
t
为当前细胞状态，o
t
为输出门，h
t
为标签信息；
[0103]
采用动态改进的长短期记忆网络，在lstm训练模型中，采取的数据处理方式为多步动态预测，多步是指采用前n个时刻数据预测未来l个时刻数据，动态是指将预测l个时刻的数据返回数据池，重新学习模型进行下一次预测，直到达到预测需求，具体步骤如下：
[0104]
选择n＝5，l＝2时，t时刻构造的训练数据为x
t
＝[x
t-4,x
t-3,x
t-2
,x
t-1
,x
t
]，训练标签为y
t
＝[x
t+1
,x
t+2
]；
[0105]
xm＝[x
m-n
,x
m-n+1
,
…
,xm]
[0106]
x
train
＝[x0,x1,
…
,xm]
[0107]ytrain
＝[[x1,
…
,x
l
],[x2,
…
,x
l+1
],
…
,[x
m+1
,
…
,x
l+m+1
]]
[0108]
式中，xm为m时刻的输入数据，x
train
为模型的训练数据集，y
train
为训练数据集的标签。
[0109]
下面结合附图以及具体实施方式对本发明作进一步详细说明：
[0110]
一种基于动态长短期记忆网络的设备性能退化预测方法，其流程如图1所示，包括如下步骤：
[0111]
步骤1：选取所述旋转设备正常状态监测数据为参考数据，根据谱距离指标函数提取设备振动特征信号；
[0112]
具体地，以西安交通大学滚动轴承加速寿命实验数据集(xjtu-sy轴承数据集)进行验证，以编号bearing 3_2的数据集为例展示具体实验过程。选取该轴承运转到坏的全部数据作为监测数据，计算该轴承全生命周期内的谱距离指标。
[0113]
步骤2：采用l1趋势滤波技术对振动特征信号进行趋势滤波处理，得到消除采集误差后平滑的机组真实振动趋势曲线；
[0114]
在趋势滤波的过程中，λ是一个非负参数用来控制x的平滑性和平衡余项的大小。由于本发明只需要提取主要趋势，且波动状况由模糊边界描述，所以λ可选择尽量大，推荐选择100。
[0115]
图2为谱距离指标系数退化曲线示意图。
[0116]
步骤3：求取模糊边界值，模糊化后的最小值与最大值即为退化信息的模糊边界；
采用模糊信息粒化技术，将一个信息整体分解成若干个信息块，每个信息块中的信息元素由于相似、接近、或具有某种功能而结合在一起。
[0117]
在模糊信息粒化过程中，选择模糊窗口的大小应根据传感器采样间隔与需求决定，一般模糊窗口的大小为10。模糊窗口越大，模糊区间代表的信息也就越多，区间预测波动也会减小，区间更具代表性；模糊窗口越小，模糊区间代表的信息也就越少，区间预测波动会增大，区间更具准确性。结果如图3所示。
[0118]
步骤4：利用动态lstm进行模型训练，最终给出综合的性能退化预测。
[0119]
lstm即为长短期记忆网络，单个lstm区块是由遗忘门、输入门、输出门3个门结构和细胞状态构成；其中，
[0120]
遗忘门—决定从“细胞状态”中丢弃什么信息；
[0121]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0122]
式中，wf,bf为遗忘门的权重矩阵和偏置项；σ为sigmoid函数；x
t
为是序列信息；
[0123]
输入门—决定放什么新信息到“细胞状态”；
[0124]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0125][0126]
式中，wi,bi为输入门的权重矩阵和偏置项；wc,bc为更新信息时的权重矩阵和偏置项；x
t
为是序列信息；tanh为tanh函数；
[0127]
更新“细胞状态”；
[0128][0129]
式中，c
t
为当前细胞状态，c
t-1
为上一时刻细胞状态，为当前输入的细胞状态。f
t
为遗忘门，i
t
为输入门；
[0130]
输出门—基于“细胞状态”得到输出；
[0131]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0132]ht
＝o
t
×
tanh(c
t
)。
[0133]
式中，wo,bo为输出门的权重矩阵和偏置项，c
t
为当前细胞状态，o
t
为输出门，h
t
为标签信息；
[0134]
采用动态改进的长短期记忆网络，在lstm训练模型中，采取的数据处理方式为多步动态预测，多步是指采用前n个时刻数据预测未来l个时刻数据，动态是指将预测l个时刻的数据返回数据池，重新学习模型进行下一次预测，直到达到预测需求，具体步骤如下：
[0135]
选择n＝5，l＝2时，t时刻构造的训练数据为x
t
＝[x
t-4
,x
t-3
,x
t-2
,x
t-1
,x
t
]，训练标签为y
t
＝[x
t+1
,x
t+2
]；
[0136]
xm＝[x
m-n
,x
m-n+1
,
…
,xm]
[0137]
x
train
＝[x0,x1,
…
,xm]
[0138]ytrain
＝[[x1,
…
,x
l
],[x2,
…
,x
l+1
],
…
,[x
m+1
,
…
,x
l+m+1
]]
[0139]
式中，xm为m时刻的输入数据，x
train
为模型的训练数据集，y
train
为训练数据集的标签。
[0140]
在lstm训练模型中，采取的数据处理方式为多步动态预测，多步是指采用前n个时刻数据预测未来l个时刻数据，动态是指将预测l个时刻的数据返回数据池，重新学习模型
进行下一次预测，直到达到预测需求。
[0141]
在lstm模型中，模型的搭建有多种方式，选取了简单的单层lstm模型，由于运行可靠性数据本身已经在[0,1]区间，所以lstm不添加归一化层，但为保证批数据的快速运算，添加批归一化层(batch normalization)。优化器采用adam优化器，参数均为默认。lstm模型中的超参数用交叉验证方法且结合实际需求(如单次预测与总预测长度)择优。
[0142]
初次趋势预测模型训练后，以历史数据的最后128组数据作为输入，预测未来64组数据，而后预测数据返回模型继续训练，共预测未来192组的训练结果。如图4所示，模糊边界预测模型预测方法同趋势预测，预测未来20个模糊粒子,每个模糊粒子代表10组数据，即代表未来200组数据的边界变化情况。
[0143]
如图4所示，在预测退化趋势时，设备谱距离指标趋势从0.45下降到0.35左右，虽然第二次模型训练完毕后预测的64组数据距离原始趋势较远，但由于模型的更新，第三次预测就较好地贴合了设备的趋势变化，体现了动态模型的优势。
[0144]
本发明是针对设备退化趋势进行预测的，目前基于数据驱动的旋转机械退化状态预测中存在着时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题；同时，目前基于深度学习理念的预测工作往往在模型训练完后再不断地进行预测，并未将预测的数据反馈给数据池重新训练模型以进行下一步预测，固定的模型将会导致累计误差不断增大。
[0145]
本发明通过可靠性理论，利用可靠性函数构建了旋转机械的性能退化指标，采用模糊信息粒化技术提取历史退化指标的模糊退化边界，采用l1趋势滤波理论提取历史退化指标的主要退化趋势，利用动态长短期记忆网络对模糊退化边界与主要退化趋势进行预测，从不同的角度预测了旋转机械的性能退化，且预测的模糊退化边界作为预测的退化趋势的置信区间进一步验证退化的准确性，同时构建的动态长短期记忆网络具有寿命标签制定合理、累计误差小等优点，为进一步的工程应用提供了基础。
[0146]
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。