本發(fā)明屬于失效預測模型構建領域，具體涉及一種失效預測模型構建方法、系統(tǒng)、設備及存儲介質。

背景技術：

1、關于機械剩余使用壽命(rul)的預測，人工神經(jīng)網(wǎng)絡(ann)是最常用的ai算法。預測結果是可能納入維護管理系統(tǒng)的關鍵數(shù)據(jù)來源。

2、人工神經(jīng)網(wǎng)絡可能在復雜系統(tǒng)的rul預測中表現(xiàn)良好，各種類型的人工神經(jīng)網(wǎng)絡，如循環(huán)神經(jīng)網(wǎng)絡(rnn)、模糊神經(jīng)網(wǎng)絡(fnn)和深度卷積神經(jīng)網(wǎng)絡，被用于機械rul估計和健康預測。

3、在對各種神經(jīng)網(wǎng)絡構成的模型進行訓練時，采用的算法通常為誤差反向傳播算法(ebp)和列文伯格-馬夸爾特(levenberg-marquardt，lm)算法。但是，ebp算法的學習速度較低，預測精度較低。lm算法與ebp算法相比，更加高效快捷。然而，lm算法只能訓練多層感知器(mlp)網(wǎng)絡架構，并解決有限數(shù)量的輸入模式。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種失效預測模型構建方法、系統(tǒng)、設備及存儲介質，可以訓練速度更快，減少對內存的消耗，具有高精度和高預測成功率。

2、本發(fā)明第一方面提供了一種失效預測模型構建方法，包括：

3、基于退化定律模擬機械部件的退化數(shù)據(jù)，根據(jù)所述退化數(shù)據(jù)得到訓練集；

4、基于累積神經(jīng)網(wǎng)絡構建失效預測模型，確定所述失效預測模型的初始權重、誤差函數(shù)和激活函數(shù)；

5、采用所述訓練集和nbn算法對失效預測模型進行訓練，訓練過程中計算各個神經(jīng)元的加權輸入，根據(jù)所述激活函數(shù)和各個神經(jīng)元的加權輸入計算各個神經(jīng)元的輸出，根據(jù)所述誤差函數(shù)更新權重，得到訓練完成后的失效預測模型。

6、在一些實施例中，所述計算各個神經(jīng)元的加權輸入，包括：

7、采用加權輸入計算公式計算各個神經(jīng)元的加權輸入，所述加權輸入計算公式為：

8、

9、其中，所述neti是第i個神經(jīng)元的加權輸入，是第i個神經(jīng)元的內部輸入的數(shù)量，是第i個神經(jīng)元的外部輸入的數(shù)量，所述wyn(i,j)是第j個內部輸入的第i個神經(jīng)元的權重，yiy(i,j)是第i個神經(jīng)元的第j個內部輸入，wxn(i,j)是第j個外部輸入的第i個神經(jīng)元的權重，wbn(i)是第i個神經(jīng)元的偏移權重，dn-δ(j)是第n個訓練樣本下第i個神經(jīng)元的退化值，xn-δ(j)是第n個訓練樣本下第j個外部輸入，no是o的基數(shù)，o是輸出神經(jīng)元的索引集。

10、在一些實施例中，所述根據(jù)所述誤差函數(shù)更新權重，包括：

11、采用權重更新公式更新權重，所述權重更新公式為：

12、

13、其中，所述w*是更新后權重，w是更新前權重，n是訓練集中的訓練樣本數(shù)量，i是神經(jīng)元輸出的數(shù)量，hn,i是第n個訓練樣本和第i個神經(jīng)元的輸出創(chuàng)建的準海森矩陣，μ是組合系數(shù)，e是單位矩陣，g是誤差函數(shù)的梯度向量。

14、在一些實施例中，所述根據(jù)所述激活函數(shù)和各個神經(jīng)元的加權輸入計算各個神經(jīng)元的輸出，包括：

15、將各個神經(jīng)元的加權輸入代入激活函數(shù)，計算得到各個神經(jīng)元的輸出，所述激活函數(shù)采用雙曲正切函數(shù)。

16、在一些實施例中，所述基于退化定律模擬機械部件的退化數(shù)據(jù)，包括：

17、根據(jù)機械部件的平均退化值選擇對應的退化定律計算得到退化數(shù)據(jù)；

18、在機械部件的平均退化值在時間上遞減，且在預設時間后變?yōu)楹愣ㄖ档那闆r下，所述退化定律為：

19、

20、在機械部件的平均退化值是非線性函數(shù)的情況下，所述退化平均值定律為：

21、

22、其中，所述表示平均退化值，t表示時間，d0表示最終退化值，αi表示退化參數(shù)。

23、在一些實施例中，所述基于退化定律模擬機械部件的退化數(shù)據(jù)，包括：

24、在機械部件的平均退化值不確定的情況下，所述退化定律為：

25、d(t)＝σ2γ(t)，

26、

27、其中，所述t表示時間，d(t)表示時刻t的模擬退化值，表示平均退化值，γ(t)表示具有尺度參數(shù)為1、形狀參數(shù)為的伽馬分布，σ2表示方差；

28、根據(jù)所述退化定律計算得到平均退化值和模擬退化值。

29、在一些實施例中，所述根據(jù)所述退化數(shù)據(jù)得到訓練集，包括：

30、對所述退化數(shù)據(jù)中每個退化周期進行過濾，得到退化有效數(shù)據(jù)，其中，所述退化有效數(shù)據(jù)包括：非連續(xù)常數(shù)數(shù)據(jù)點和預設數(shù)量的常數(shù)數(shù)據(jù)點；

31、將所述退化有效數(shù)據(jù)作為訓練集。

32、本發(fā)明第二方面提供了一種失效預測模型構建系統(tǒng)，包括：

33、數(shù)據(jù)模擬模塊，用于基于退化定律模擬機械部件的退化數(shù)據(jù)，根據(jù)所述退化數(shù)據(jù)得到訓練集；

34、模型構建模塊，用于基于累積神經(jīng)網(wǎng)絡構建失效預測模型，確定所述失效預測模型的初始權重、誤差函數(shù)和激活函數(shù)；

35、模型訓練模塊，用于采用所述訓練集和nbn算法對失效預測模型進行訓練，訓練過程中計算各個神經(jīng)元的加權輸入，根據(jù)所述激活函數(shù)和各個神經(jīng)元的加權輸入計算各個神經(jīng)元的輸出，根據(jù)所述誤差函數(shù)更新權重，得到訓練完成后的失效預測模型。

36、本發(fā)明第三方面提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述的方法的步驟。

37、本發(fā)明第四方面提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述的方法的步驟。

38、本發(fā)明所提供的技術方案具有以下的優(yōu)點及效果：采用模擬的機械部件的退化數(shù)據(jù)得到訓練集，可以避免對實際機械部件進行長時間、高成本的退化試驗，減少安裝成本和維護成本，靈活性和適用性更高。采用nbn算法對失效預測模型進行訓練，nbn算法能夠處理任意連接的神經(jīng)網(wǎng)絡，且訓練速度更快，能減少對內存的消耗，具有高精度和高預測成功率，并且可以保持退化路徑的單調趨勢。

技術特征：

1.失效預測模型構建方法，其特征在于，包括以下步驟：

2.如權利要求1所述的失效預測模型構建方法，其特征在于，所述計算各個神經(jīng)元的加權輸入，包括：

3.如權利要求1所述的失效預測模型構建方法，其特征在于，所述根據(jù)所述誤差函數(shù)更新權重，包括：

4.如權利要求1所述的失效預測模型構建方法，其特征在于，所述根據(jù)所述激活函數(shù)和各個神經(jīng)元的加權輸入計算各個神經(jīng)元的輸出，包括：

5.如權利要求1所述的失效預測模型構建方法，其特征在于，所述基于退化定律模擬機械部件的退化數(shù)據(jù)，包括：

6.如權利要求1所述的失效預測模型構建方法，其特征在于，所述基于退化定律模擬機械部件的退化數(shù)據(jù)，包括：

7.如權利要求1所述的失效預測模型構建方法，其特征在于，所述根據(jù)所述退化數(shù)據(jù)得到訓練集，包括：

8.失效預測模型構建系統(tǒng)，其特征在于，包括：

9.計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求1-7中任一項所述的方法的步驟。

10.計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1-7中任一項所述的方法的步驟。

技術總結
本發(fā)明公開了一種失效預測模型構建方法、系統(tǒng)、設備及存儲介質，其技術方案要點在于，基于退化定律模擬機械部件的退化數(shù)據(jù)，根據(jù)所述退化數(shù)據(jù)得到訓練集；基于累積神經(jīng)網(wǎng)絡構建失效預測模型，確定所述失效預測模型的初始權重、誤差函數(shù)和激活函數(shù)；采用所述訓練集和NBN算法對失效預測模型進行訓練，訓練過程中計算各個神經(jīng)元的加權輸入，根據(jù)所述激活函數(shù)和各個神經(jīng)元的加權輸入計算各個神經(jīng)元的輸出，根據(jù)所述誤差函數(shù)更新權重，得到訓練完成后的失效預測模型。本發(fā)明可以訓練速度更快，減少對內存的消耗，具有高精度和高預測成功率。

技術研發(fā)人員：沈陽,袁偉偉
受保護的技術使用者：廣州工程技術職業(yè)學院
技術研發(fā)日：
技術公布日：2025/5/8