CN110377984A 一种工业设备剩余有效寿命预测方法、系统及电子设备 （中国科学院深圳先进技术研究院）

本申请涉及一种工业设备剩余有效寿命预经验模态分解方式对归一化处理后的振动信号型分解提取并丰富原始信号的数据特征再用时序卷积神经网络训练预测得到剩余有效使用寿22.根据权利要求1所述的工业设备剩余有Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据3.根据权利要求2所述的工业设备剩余有效寿命预测上述公式中，N表示耽搁时间片内的信号长度；c(i是在任意时刻点，局部最大值的上包络线和局部最小值的下包络线的平均值必须为0或者5.根据权利要求1至4任一项所述的工业设备剩余3特征提取模块：用于使用经验模态分解方式对归一化Xmax分别是原始振动信号数据的均方差、最小值和最大值，假设归一化后的振动信号数据scaled减去该包络线均值上述公式中，N表示耽搁时间片内的信号长度；c(i与恒等映射封装为一个包含RELU函数的残差模块，由残差模块堆叠起深度的时序卷积网4所述存储器存储有可被所述一个处理器执行的指令，所5[0005]2、数据驱动的方法：旨在将设备的检测和运行数据转换成与设备退化有关的信方法可以应用于一些获取并处理检测数据易于构建[0007]1、基于模型的预测方法依赖于分析模型(代数或微分方程)来代表工业设备运转6值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xsca7对归一化处理后的振动信号数据进行特征扩充具体：找出振动信号数据Xscaled的所有极大一化后振动信号数据Xscaled和x1相减，得到一个新的信号序列，并对新的信号继续往下分分解得到的若干个本征模函数信号序列或者余项，经过计算得到每个时间片的分量的能8[0056]图5是本申请实施例提供的工业设备剩余有效寿命预测方法的硬件设备结构示意[0061]步骤200中，由于不同数据的规格单位不同，因此需要对原始振动信号数据进行9min[0082]得到更深层次的卷积特征后再次通过权重归一化，RELU非线性函数以及Dropout[0083]将模型的预测结果和真实的轴承剩余有效寿命ActRULi通过两个度量指标预测出RUL(即Eri>0或)，而较差的预测性能则是模型产生了高于实minX＝[x(1),x(2),…x(N)]，经过每次EMD分解得到的函数称之为本征模函数(Intrinsic值点，并通过三次样条插值函数拟合所有的极小值点，形成振动信号数据Xsca时刻点，局部最大值的包络(上包络)和局部最小值的包络(下包络)平均值必须为0或者接[0101]模型构建模块：用于根据提取的数据特征训练时序卷积网络(TCN，Temporal时序卷积网络的输入为X＝{x0,,xT}的时序数据，网络的输出也是一样大小的Y={y0,,yT}的预测；时序预测要求对时刻t的预测yt只能通过t时刻无关。[0107]得到更深层次的卷积特征后再次通过权重归一化，RELU非线性函数以及Dropout[0108]将模型的预测结果TT,和真实的轴承剩余有效寿命ActRULi通过两个度量预测出RUL(即Eri>0或)，而较差的预测性能则是模型产生了高于实际RUL的预测值(即Eri<0或ActRULi)。因此RUL的精度分值及最终所有的测试[0114]图5是本申请实施例提供的工业设备剩余有效寿命预测方法的硬件设备结构示意分解提取并丰富原始信号的数据特征再用时序卷积神经网络训练预测得到剩余有效使用寿命预测模型。时序卷积网络的应用将工业设备原始信号的时序特点进行考虑并加以利[0136]对所公开的实