一种基于KPCA-LSTM的机械设备剩余使用寿命预测方法

本发明涉及设备寿命预测，具体涉及一种基于kpca-lstm的机械设备剩余使用寿命预测方法。

背景技术：

1、任何机械设备经过长时间运行都不可避免地退化，退化量达到一定程度就会发生故障、甚至失效。研究机械设备的健康机理，建立机械设备寿命预测与健康状态评估模型，评估机械设备当前和未来健康状态，合理地安排机械设备维修计划，对于保障机械设备安全、稳定运行具有重要意义。随着传感器与检测技术的不断发展，数据驱动的机械设备剩余使用寿命(remaining useful life，rul)方法发展迅速。其中基于单一类型传感器的rul方法，在预测机械设备结构复杂、工作条件突变等随机因素的影响下的剩余使用寿命时效果不佳，很可能高估或低估剩余使用寿命。多传感器融合的设备剩余使用寿命预测已成为设备故障预测与健康管理的研究热点。

2、众多学者在剩余使用寿命预测方法方面进行了深入的研究。并将基于机器学习的剩余使用寿命预测方法分为浅层机器学习和深度学习两种。浅层机器学习的研究，ramezani s等利用自回归马尔可夫状态转换方法，提取的基于振动的设备健康指标，确定设备健康状态，估计旋转设备的剩余使用寿命。深度学习方面的研究，王国锋等根据谐波减速器退化趋势的变化，建立基于gamma过程的多阶段退化模型，对谐波减速器进行可靠性评估和剩余使用寿命预测。深度学习方法中长短时记忆神经网络可以有效的预测剩余使用寿命。李卓漫等采用粒子群优化算法(pso)选择合适的lstm超参数，建立pso-lstm滚动轴承剩余使用寿命预测模型，根据该模型拟合轴承的剩余使用寿命曲线，pso-lstm模型能更好地拟合轴承在复杂工况下的寿命退化趋势。但是以上剩余使用寿命预测方法，未考虑多信息冗余，模型的训练时间过长导致预测精度降低的问题。

技术实现思路

1、为解决上述问题，本发明提出了一种基于kpca-lstm的机械设备剩余使用寿命预测方法，该方法使用多传感器数据级融合的方法，使得融合的结果能表征设备的退化过程，得到了准确的寿命预测结果。

2、为实现上述目的，本发明提供了如下的技术方案。

3、一种基于kpca-lstm的机械设备剩余使用寿命预测方法，包括以下步骤：

4、采集机械设备的多传感器退化数据，进行k-means聚类和z-score标准化处理，并求解处理后的多传感器退化数据的斜率绝对值，将绝对值排序选择其中绝对值较大的传感器，确定其为退化趋势明显的传感器信息；

5、将退化趋势明显传感器信息进行核主成分分析，获得各主元的贡献率；分析各主元的贡献率，确定第1主元和第2主元对应的数据，并进行融合；

6、将融合后的数据进行归一化处理，获得综合健康指标，对综合健康指标进行多项式曲线拟合；

7、将曲线拟合后的综合健康指标进行一阶求导，确定机械设备状态变化区间；将曲线拟合后的综合健康指标进行二阶求导，找到机械设备状况不再起伏波动且二阶导数小于零的点，为设备的退化点；根据机械设备的退化点和综合健康指标，确定机械设备的剩余寿命；

8、构建基于贝叶斯参数优化的lstm模型，将第1主元和第2主元对应的数据作为输入，机械设备的剩余寿命作为输出进行训练，获得训练后的lstm模型；

9、将待预测的机械设备的多传感器数据进行处理，获得第1主元和第2主元对应的数据，通过训练后的lstm模型进行预测，预测机械设备剩余使用寿命的退化趋势。

10、优选地，还包括：通过小波降噪和异常值剔除完成多传感器退化数据的初步筛选。

11、优选地，所述k-means聚类包括以下步骤：

12、通过k-means算法将样本d＝{x1,x2,…,xn}集划分为c＝{c1,c2,…,cn}集合，使平方误差e最小，且e的表达式：

13、

14、其中μi是集合ci的均值，表达式为：

15、

16、聚类中心为对应类别中各数据点的平均值。最终根据传感器种类将全部传感器分为若干类型。

17、优选地，所述z-score标准化处理如下式所示：

18、

19、μ表示某一个状态参数在所有的运动时刻下的，σ为方差，xi(t)表示当前时刻的真实值，xi'(t)表示标准化之后的量值。

20、优选地，所述将退化趋势明显传感器信息进行核主成分分析，包括以下步骤：

21、根据退化趋势明显传感器信息构建数据集x＝{x1,x2,……,xn}，其中n为数据总数，每个样本xi为d维向量；

22、非线性函数φ(·)将非线性问题转化为线性处理，协方差矩阵cf表示为：

23、

24、对矩阵cf进行特征分解：

25、λv＝cfv                             (5)

26、给个样本数据的映射φ(xi)分别与式(5)做内积可得：

27、λ(φ(xk)·v)＝φ(xk)·cfv                       (6)

28、由于特征值λ≠0，在高纬度特征空间，特征向量v可以用所有样本的映射φ(xi)进行线性表示：

29、

30、将式(7)代入式(6)中：

31、

32、非线性变换和高维空间内积的计算，采用核函数的方法解决，定义：

33、kij＝k(xi,xj)＝φ(xi)·φ(xj)                    (9)

34、则式(8)可以表示：

35、

36、进一步化简为：

37、nλα＝kα                            (11)

38、α＝[α1,α2,……,αn]t；对矩阵cf的特征向量的求取转换为线性表达系数α，它也是核函数矩阵k的特征向量；对于式(10)进行求解得到k的特征值λ1≥λ2≥……≥λn和对应的特征向量α1,α2,……αn；

39、通过下式进行评估主元的贡献率：

40、

41、主元的数目n通过累计贡献率来进行选择:

42、

43、任一测试样本x的主元通过计算φ(x)在各主元方向上的投影获得，即

44、

45、核主成分分析的核函数为径向基核函数：

46、

47、其中，主元的数目n的cpv(n)满足cpv(n)≥95％，满足核主成分分析的选取标准的主元，将输入lstm模型进行剩余使用寿命的预测。

48、优选地，所述将融合后的数据进行归一化处理，如下式所示：

49、

50、xi,j(t)、xi',j(t)表示当前时刻，某一参数在某状态下的真实值和某参数归一化之后的值。

51、优选地，所述lstm模型为循环网络的改进网络模型，包括三个门结构，分别为输入门、遗忘门以及输出门；

52、所述遗忘门为，上一时刻输出ht-1与当前时刻输入xt,通过sigmoid激活函数将数值变换至[0,1]区间内，生成ft与上一时刻状态ct-1进行内积运算，在运算期间由于存在0，内积后结果会出现零值，即起到遗忘的作用。

53、ft＝σ(wf·[ht-1,xt]+bf) (17)

54、所述输入门为，将上一时刻输出ht-1与当前时刻输入xt，通过sigmoid以及tanh进行处理，最后将输出传递给记忆细胞，提供当前时刻的记忆信息；

55、it＝σ(wi·[ht-1,s(xt)]+bi) (18)

56、ct'＝tanh(wa·[ht-1,xt]+ba)                     (19)

57、所述输出门为，将更新后的记忆信息传递给当前时刻的输入以及上一时刻的输出，生成当前时刻的输出值ht；

58、ot＝σ(wo·[ht-1,xt]+bo)                      (20)

59、

60、wf，wi，wa，wo表示模型的权值参数，bf，bi，ba，bo表示模型的偏差。ct-1表示t-1时刻的输出状态，ht-1表示上一时刻lstm模块输出值。xt代表当前时刻的输入值，ct代表当前时刻的输出状态，ht代表当前时间的输出值。

61、优选地，还包括：

62、通过贝叶斯参数优化lstm模型的超参数，所述超参数包括学习速率、隐藏层神经元个数、批处理大小和迭代次数，包括以下步骤：

63、贝叶斯优化算法的后验分布：

64、

65、f表示未知的目标函数；d表示已观测到的参数和观测值的集合(d＝{(x1,y1),···,(xt,yt)})；

66、假设待优化的超参数组合是x＝{x1,···,xn}，贝叶斯优化的目标函数是训练完成的lstm对测试集的误差，将其表示为f(x)，在贝叶斯优化的t-1次迭代后获得一组数据(xt-1,f(xt-1))；预测xt处的观测值f(xt)，其中t个观测点是某个t维高斯分布的一个样本：

67、

68、gp表示高斯分布；μ代表均值，k(x,x)为协方差函数：

69、k＝[(x1,x1),(x1,x2),···,(x1,xt-1)]                    (24)

70、其中由此可得ft的分布：

71、p(ft|d,xt)＝gp(u(xt),δ2(xt))                  (25)

72、则第t个观测点的数据(xt,f(xt))。通过ei(expected improvement)来确定下一次迭代的超参数xt。能够改进目标函数概率最大的x，即最大采集函数ei(x)的x就是被选取的下一个超参数：

73、xt＝maxx∈χαt(x；d1；t-1)                     (26)

74、函数α是由决策空间χ、观测空间r和超参数空间映射到实数空间得到。

75、本发明的有益效果：

76、本发明采用多传感器数据级融合，数据级融合相较于特征级和决策级的融合，可以融合其它融合层次不能提供的细微信息，能够得到准确的预测结果。

77、本发明使用多传感器数据级融合的方法，使得融合的结果能表征设备的退化过程，得到的预测结果也是准确的。核主成分分析处理非线性数据，将与设备退化密切相关的多个传感器数据融合降维，降低了多信息冗余，降维之后的数据输入预测模型，使模型训练过程合理。通过贝叶斯参数优化的lstm设备剩余使用寿命预测方法，全局的参数调优选择最优的超参数，实现设备剩余使用寿命的准确预测。