一种用于剩余使用寿命预测退化数据的扩增方法

摘要

本发明公开了一种用于剩余使用寿命预测退化数据的扩增方法，首先将采集到的设备退化数据送入设计好的数据预处理策略进行处理，随后将处理之后的数据送入设计好的循环一致性对抗生成网络，训练其生成器网络作为数据的扩增网络，最后得到扩增数据，本发明实现了对退化数据的扩增，增加退化数据规模，以此达到提升RUL预测网络的预测效果。

说明书

技术领域

本发明涉及机器退化预测处理技术领域，特别是一种用于剩余使用寿命预测退化数据的扩增方法。

背景技术

随着技术的发展和生成工艺的进步，当前各类工业产品和装置设备的自动化程度和复杂程度日益提升，由于关键零部件的磨损，不可预知的外部冲击，腐蚀等原因，设备的性能将不可避免的产生退化，进而失效，突然的失效会造成严重的经济损失和人员伤亡。如果能在设备退化初期就对设备的寿命进行预测和评估，并且在此基础上确定设备检测和维修的最佳时机，制定相关的备件管理和维护方案，就能有效的提升整个相关系统的可靠性，降低设备的运行风险和运行成本。这种对设备剩余可使用时间的预测方法被称为剩余使用寿命（Remaining Useful Life, RUL）预测。

实现RUL预测的主要思想在于根据设备的失效机理，采集到的失效数据等构建RUL预测模型，实现实时或离线的剩余寿命预测。在大多数的RUL预测任务中，由于目标设备的性能退化速度慢使得采集退化数据耗时长，导致可以获取到目标设备的退化数据集普遍规模较小，小规模数据在一定程度上无法反映出设备整体退化过程的数据分布，基于这个前提，在对设备退化过程进行建模时，由于无法得知退化过程的完整数据分布，导致数据退化模型存在偏差，进而影响剩余寿命的预测性能。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供本发明提出一种基于循环一致性生成对抗网络（Cycle-consistent Generative Adversarial Network，CycleGAN）的退化数据扩增技术，该技术针对那些退化数据匮乏的RUL预测任务，通过深度学习技术对原始退化数据进行扩增，在不损失退化信息的情况下增加退化数据集的规模，丰富退化数据的样本空间，提升使用数据驱动建模的RUL预测网络的预测性能。

为解决上述问题，本发明采用如下的技术方案。

一种用于剩余使用寿命预测退化数据的扩增方法，包括以下步骤：

采集退化数据，给定已有多传感器退化数据

退化数据预处理，首先通过数理统计分析等方法获得该类设备快速退化阶段的初始值

扩增网络，扩增网络以CycleGAN为框架，训练其中的生成器作为数据扩增的扩增网络，将输入数据随机分为数量相等的两部分

获得扩增数据，将原始数据送入扩增网络进行数据扩增，获得扩增数据。

作为本发明的进一步改进，如果采集退化数据的长度大于

如果采集到的退化数据的长度小于

作为本发明的进一步改进，所述CycleGAN的价值函数如下所示，定义

组合上述两式得到循环一致性损失函数：

将上述公式组合可以得到CycleGAN的总的价值函数：

其中生成器网络的损失函数如下所示：

其中

根据损失函数训练网络模型，当训练多次直至损失函数值趋于稳定时完成网络的训练。

本发明的有益效果

相比于现有技术，本发明的优点在于：

在某些剩余使用寿命预测的任务，由于时间成本和经济成本的原因导致退化数据的稀少，直接使用数据驱动的方法进行RUL预测网络建模，可能效果不理想，本发明在此基础上实现了对退化数据的扩增，增加退化数据规模，以此达到提升RUL预测网络的预测效果。

附图说明

图1为本发明的流程示意图。

图2为本发明CycleGAN网络的结构示意图。

图3为本发明生成器网络的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

1、介绍已有退化数据

给定已有多传感器退化数据

该退化数据以矩阵形式表示，其中

2、介绍数据预处理策略

首先通过数理统计分析等方法获得该类设备快速退化阶段的初始值

指定扩增网络输入数据的长度

1）如果采集退化数据的长度大于

处理好之后的数据大小为

2）如果采集到的退化数据的长度小于

其中

其中，

3、扩增网络部分

扩增网络以CycleGAN为框架，训练其中的生成器作为数据扩增的扩增网络。相关网络结构如图2和图3所示。将输入数据随机分为数量相等的两部分

其中生成器网络使用的是长短期记忆网络（Long Short-Time Memory Network,LSTM）, 假设任务给定的输入数据维度为

CycleGAN的价值函数如下所示，为了简化公式，我们定义

组合6、7式得到循环一致性损失函数8。

将上述公式组合可以得到CycleGAN的总的价值函数。

其中生成器网络的损失函数如下所示：

其中

根据损失函数训练网络模型，当训练多次直至损失函数值趋于稳定时完成网络的训练。

4、获得扩增数据

将原始数据送入扩增网络进行数据扩增，获得的扩增数据将于原始数据一起，作为训练数据，参与到下一步的基于数据驱动的RUL预测模型建模过程中去。

以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。