一种结合LSTM网络和维纳过程的剩余寿命预测方法

技术特征：
1.一种结合lstm网络和维纳过程的剩余寿命预测方法，其特征在于，包括以下步骤：(1)、获取待测器件在不同时刻的退化量；通过加速n个待测器件的寿命实验，采样每个待测器件在不同时刻的特征量，再将每个待测器件在不同时刻的特征量与初始特征量做差，获得每个待测器件在不同时刻特征量的退化量，其中，第i个待测器件在不同时刻特征量的退化量记为退化量，其中，第i个待测器件在不同时刻特征量的退化量记为表示第i个待测器件的初始特征量退化量，表示第i个待测器件在第t个时刻的特征量退化量，t＝1,2,
…
,t，t表示采样时刻数；(2)、构建待测器件在每个采样时刻的维纳过程模型；x(t)＝x0 f(t) σ
b
b(t)其中，x0表示待测器件的初始特征量退化量，f(t)表示待测器件特征量退化量的趋势函数，σ
b
是维纳过程的扩散系数，b(t)为标准布朗运动；(3)、利用历史数据训练一个长短期记忆神经网络lstm；利用最小二乘拟合的方法，分别对n组特征量退化量数据进行平滑，得到n组平滑数据，其中，第i组平滑数据记为中，第i组平滑数据记为表示第i组特征量退化量在第t个时刻的平滑数值；利用所有的平滑数据训练一个lstm神经网络，记为lstm
all
；(4)、待测器件剩余寿命的实时预测；(4.1)、获取当前时刻待测器件的特征量退化量数据；用步骤(1)中方法，获取当前时刻下待测器件特征量的退化量数据x＝{x0，x1，x2...x
t
}，判断x
t
是否超过了失效阈值w，若超过，则转至步骤(5)，算法结束；若未超过，则转至步骤(4.2)；(4.2)、利用迁移学习调整神经网络lstm
all
；利用最小二拟合的方法平滑x，得到平滑数据x
smooth
＝{x
smooth，0
，x
smooth，1
，x
smooth，2
…
x
smooth，t
}；取历史数据中前t个时刻的历史数据分别与x
smooth
计算距离e
i
：将神经网络lstm
all
除全连接层之外的所有层之间参数的学习率设置为0，全连接层与其他层之间的参数学习率设置为1，选取最小的e
i
对应的平滑数据来对lstm
all
进行再一次的训练，得到微调后的神经网络lstm
all，fine-tune
；(4.3)、利用lstm
all，fine-tune
预测第t时刻的预测数据取步骤(4.2)中x
smooth
的最后m个数据{x
smooth，t-m
，x
smooth，t-m 1
...x
smooth，t-1
，x
smooth，t
}，作为神经网络lstm
all，fine-tune
的输入，得到预测输出再将x
smooth
的最后m-1个数据与预测数据作为神经网络lstm
all，fine-tune
的输入，得到预测数据然后以此类推，重复上述过
程，直到得到预测数据时，预测停止；(4.4)、计算待测器件的剩余寿命概率密度函数f(l)：将数据作为函数f(t)在时刻0～t的值；在t时刻，计算待测器件的剩余寿命概率密度函数为：其中，l表示剩余寿命时刻数，l∈[1，t-t]；x
t
为t时刻待测器件特征量的退化量；w为待测器件特征量退化量的失效阈值；(4.5)、遍历l的所有取值，从而计算出待测器件的多个剩余寿命概率密度函数值，然后选取f(l)中最大值对应的时刻l作为当前时刻下待测器件的剩余寿命预测值，然后再令t＝t 1，重新返回至步骤(4.1)；(5)、待测器件特征量的退化量达到失效阈值w，预测终止，算法结束。2.根据权利要求1所述的一种结合lstm网络和维纳过程的剩余寿命预测方法，其特征在于，所述维纳过程的扩散系数σ
b
满足：其中，为第i组特征量退化量数据的一阶差分，为第i组特征量退化量平滑数据的一阶差分，i为n阶单位矩阵，t为数据δx
i
的长度。

技术总结
本发明公开了一种结合LSTM网络和维纳过程的剩余寿命预测方法，本发明一种结合长短期记忆神经网络和维纳过程的剩余寿命预测新方法，通过加速待测器件的寿命实验，获取待测器件在不同时刻的退化量；然后利用退化数据训练一个LSTM网络；接着通过迁移学习的方法对训练好的LSTM网络进行微调，并将微调后的LSTM网络用于代替维纳过程中的退化趋势函数；最后通过逆高斯分布计算出当前时刻下待测器件RUL的概率密度函数，具有预测精度高、实时性好、预测速度快等特点。度快等特点。度快等特点。


技术研发人员：刘震 陈啸午 龙兵 周秀云
受保护的技术使用者：电子科技大学
技术研发日：2022.03.10
技术公布日：2022/6/21