本發(fā)明屬于工業(yè)生產(chǎn)壽命(rul)預(yù)測，具體涉及基于知識引導(dǎo)的雙路徑多特征融合的機(jī)器剩余使用壽命預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、自從hinton等人在2006年引入深度學(xué)習(xí)的概念以來，深度學(xué)習(xí)已經(jīng)成為圖像處理、語音識別、故障診斷等許多領(lǐng)域的關(guān)鍵技術(shù)。深度學(xué)習(xí)利用多層神經(jīng)網(wǎng)絡(luò)的構(gòu)建，通過其強(qiáng)大的建模和表示能力，深入地挖掘數(shù)據(jù)中的隱藏特征，從而實現(xiàn)高精度的預(yù)測結(jié)果。

2、近些年來數(shù)據(jù)驅(qū)動的方法在壽命預(yù)測中越來越受關(guān)注。這些方法分為三類:基于cnn的方法、基于循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)的方法和混合方法?；赾nn的剩余使用壽命預(yù)測方法通過卷積層自動提取時間序列數(shù)據(jù)的局部特征，再通過全連接層整合這些特征，最終進(jìn)行rul值的回歸預(yù)測。而rnn是一種專門用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。與基于cnn的方法不同，rnn通過其循環(huán)結(jié)構(gòu)將之前的信息傳遞給當(dāng)前的輸入，從而捕獲時間依賴性，rnn具有多種變體，如長短期記憶(lstm)和門控循環(huán)單元(gru)，進(jìn)一步增強(qiáng)了其在處理長期依賴和序列數(shù)據(jù)中的表現(xiàn)。盡管這些方法可以有效的完成壽命的預(yù)測任務(wù)，但在實際應(yīng)用中仍然存在一些挑戰(zhàn)。

3、首先由于航空發(fā)動機(jī)的實際工況復(fù)雜且多變，現(xiàn)有的基于cnn的方法主要通過局部卷積操作進(jìn)行特征提取，這使得其在建模傳感器間的全局空間關(guān)系方面存在不足。這種局限性可能導(dǎo)致對發(fā)動機(jī)內(nèi)部復(fù)雜結(jié)構(gòu)和元件間相互作用的理解不夠全面，從而影響特征的準(zhǔn)確性和全面性，降低模型在預(yù)測潛在故障及性能衰退方面的能力。其次，現(xiàn)有的基于rnn的方法通常依賴最后一個時間步的輸出進(jìn)行預(yù)測，這可能導(dǎo)致對關(guān)鍵預(yù)測信息的丟失。實際上，不同時間步的特征對壽命預(yù)測的貢獻(xiàn)是不均等的，有些時間步的信息比其他時間步更為重要。再次，當(dāng)前的研究通常采用單一路徑進(jìn)行rul預(yù)測，在處理復(fù)雜數(shù)據(jù)任務(wù)時難以全面提取特征，如果忽略了這些淺層特征，那么在進(jìn)行rul預(yù)測任務(wù)時，就可能影響到模型預(yù)測的準(zhǔn)確性。因此有必要設(shè)計一種新的壽命預(yù)測方法，解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明的目的在于提供了基于知識引導(dǎo)的雙路徑多特征融合的機(jī)器剩余使用壽命預(yù)測方法，以通過減少對單一特征的依賴，增強(qiáng)了特征的多樣性和模型的解釋性，顯著提升了預(yù)測性能的同時增強(qiáng)了模型在不同工況下的魯棒性；

2、本發(fā)明的技術(shù)方案是：首先，本發(fā)明提供了基于知識引導(dǎo)的雙路徑多特征融合的機(jī)器剩余使用壽命預(yù)測方法，包括：

3、s1:數(shù)據(jù)預(yù)處理：利用min-max歸一化方法處理rul模型中航空發(fā)動機(jī)數(shù)據(jù)集的數(shù)據(jù)；

4、s2:特征提?。阂宰员O(jiān)督的方式采用領(lǐng)域知識增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)cnn進(jìn)行空間特征提取，采用自關(guān)注機(jī)制驅(qū)動的gru網(wǎng)絡(luò)進(jìn)行時間序列特征提取，并結(jié)合手工特征進(jìn)行特征融合。

5、具體地，s1中采取min-max歸一化方法將rul模型的數(shù)據(jù)維度映射到[-1,1]，使用以下特定方程來處理數(shù)據(jù)：

6、

7、其中，和分別表示歸一化前和歸一化后的第i個周期的第j個傳感器；和分別為同一發(fā)動機(jī)的第j個傳感器在數(shù)據(jù)中的最小值和最大值；

8、將rul閾值設(shè)置為125；

9、采用大小為d*w的時間窗口序列作為訓(xùn)練樣本，其中d表示數(shù)據(jù)維數(shù)，w表示窗口寬度：第一個滑動窗口樣本表示為t1＝[x1,x2,...,xw]，通過步長為l的滑動后，下一個序列樣本數(shù)據(jù)為t2＝[x1+l,x2+l,...,xw+l，其對應(yīng)的數(shù)據(jù)標(biāo)簽為最后一個時間步的ru預(yù)測標(biāo)簽。

10、具體地，s2包括：

11、s21：建模發(fā)動機(jī)元件物理關(guān)系，傳感器i與傳感器j之間的相關(guān)性ρ定義公示如下：

12、

13、其中，表示傳感器i代表的知識向量的方差，表示傳感器i和傳感器j之間的協(xié)方差；

14、s22：根據(jù)發(fā)動機(jī)元件物理關(guān)系，對傳感器進(jìn)行聚類，將其分為9組；

15、s23：使用cnn網(wǎng)絡(luò)，捕獲傳感器每個組中的空間特征，得到串聯(lián)的特征圖；

16、s24：采用自關(guān)注機(jī)制驅(qū)動的gru網(wǎng)絡(luò)對特征圖進(jìn)行時間序列特征提取，公式定義如下：

17、rt＝σ(urxt+wrht-1+br)

18、zt＝σ(uzxt+wzht-1+bz)

19、

20、其中，rt和zt分別表示更新門和復(fù)位門的輸出，xt是時間步長為t時的輸入，ht-1和ht分別是t-1和t時的隱藏狀態(tài)，ur、wr、uz、wz、uh和wh為權(quán)值，br、bz和bh為偏置，σ和tanh分別為sigmoid型和雙曲型正切函數(shù)；

21、s25：將深層空間提取到的特征xt放入gru網(wǎng)絡(luò)中，xt作為經(jīng)過結(jié)合領(lǐng)域知識的卷積神經(jīng)網(wǎng)絡(luò)提取的空間特征，經(jīng)過卷積和特征拼接處理后，最后一個維度為傳感器分組個數(shù)9，將9作為gru網(wǎng)絡(luò)的輸入維度，隱藏層數(shù)目設(shè)為50；

22、假設(shè)gru網(wǎng)絡(luò)對一個樣本學(xué)習(xí)到的特征表示為h＝[h1,h2,...,hn]t，t是轉(zhuǎn)置運算，n為gru網(wǎng)絡(luò)隱藏層神經(jīng)元個數(shù)，提取gru網(wǎng)絡(luò)中每個神經(jīng)元得到的信息；

23、基于自注意機(jī)制，將輸入hi的不同順序步驟的重要性表示為：

24、

25、其中，w和b分別是權(quán)重矩陣和偏置向量，φ(·)是激活函數(shù)sigmoid；

26、在得到第i個特征向量的分?jǐn)?shù)后，使用softmax函數(shù)計算權(quán)重如下：

27、

28、將每個得到的分?jǐn)?shù)αi和最初神經(jīng)元的輸出hi相乘，得到最終的特征輸出向量，自注意機(jī)制的最終輸出特征o表示為：

29、

30、其中，αi代表第i個時間步的注意力權(quán)重，hi代表gru在該時間步的相應(yīng)輸出。

31、具體地，還包括：在rul領(lǐng)域公開可用的航空發(fā)動機(jī)數(shù)據(jù)集c-mapss上對所述方法進(jìn)行評估。

32、本發(fā)明還提供了基于知識引導(dǎo)的雙路徑多特征融合的機(jī)器剩余使用壽命預(yù)測系統(tǒng)，包括：

33、數(shù)據(jù)預(yù)處理模塊：用于對原始傳感器數(shù)據(jù)進(jìn)行歸一化處理；

34、特征提取模塊：用于以自監(jiān)督的方式采用結(jié)合領(lǐng)域知識的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行空間特征提取，采用自關(guān)注機(jī)制驅(qū)動的gru網(wǎng)絡(luò)進(jìn)行時間序列特征提取，結(jié)合傳統(tǒng)手工特征實現(xiàn)特征融合；

35、評估模塊：在rul領(lǐng)域公開可用的航空發(fā)動機(jī)數(shù)據(jù)集c-mapss上對預(yù)測方法的有效性進(jìn)行評估。

36、優(yōu)選地，所述特征提取模塊包括深層特征提取模塊和淺層特征提取模塊；

37、其中所述深層特征提取模塊采用時空漸進(jìn)方法，使用領(lǐng)域知識增強(qiáng)的cnn捕獲空間特征，并通過自我注意驅(qū)動的gru捕獲時間特征；

38、所述淺層特征提取模塊中采用特征融合框架，該框架集成了深度學(xué)習(xí)提取的時空特征和手工提取的特征。

39、本發(fā)明提供了基于知識引導(dǎo)的雙路徑多特征融合的機(jī)器剩余使用壽命預(yù)測方法，該方法應(yīng)用于rul預(yù)測領(lǐng)域中，在數(shù)據(jù)預(yù)處理階段，對原始傳感器數(shù)據(jù)進(jìn)行歸一化處理，通過標(biāo)簽添加和滑動窗口攔截來消除量綱影響，提高模型收斂速度，并且減少異常值的影響。在特征提取階段，以自監(jiān)督的方式采用了結(jié)合領(lǐng)域知識的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行空間特征提取和自關(guān)注機(jī)制驅(qū)動的gru網(wǎng)絡(luò)進(jìn)行時間序列特征提取，并結(jié)合傳統(tǒng)手工特征實現(xiàn)特征融合。同時在rul領(lǐng)域公開可用的c-mapss數(shù)據(jù)集上對該方法的有效性進(jìn)行了全面評估。實驗結(jié)果表明，該方法在應(yīng)對rul預(yù)測任務(wù)中的增強(qiáng)了特征的多樣性和模型的解釋性，顯著提升了預(yù)測性能。