一种剩余寿命预测方法、装置和存储介质

1.本发明涉及设备剩余寿命预测领域，尤其涉及一种剩余寿命预测方法、装置和存储介质。


背景技术：

2.故障预测和健康管理(prognostic and health management,phm)是指利用大量状态监测数据和信息，借助统计算法或模型来评估和管理装备的健康状态的技术，以提前对潜在故障进行预测，并结合各种装备信息提供维护决策，实现视情维护，从而提高生产过程的安全性及降低维护成本。剩余使用寿命(remaining useful life,rul)预测技术是phm的关键技术之一，通过分析传感器监测的运行数据或建立合适的退化模型对系统或部件的rul进行提前预测。数据驱动的方法提供了一种重要的rul预测手段通过数据获取、数据预处理、特征工程、模型建立、模型训练与预测，从而建立一个有效的rul预测模型对监测数据进行处理以实现rul预测。
3.在实际生产的rul预测中，如何使用数据驱动的方法准确预测设备部件的寿命，仍然面临很多挑战。首先，在不同工况下，设备部件(如轴承)寿命衰减行为不尽相同，即使同一工况下，由于部件出厂状态在统计上存在方差，个体之间初始差异导致衰减过程变化的不同，因此，设备寿命受环境影响深刻；其次，在剩余寿命预测任务中，不同采样段中采集的数据存在时间相关性，即除了单段连续采样的数据存在时序关系之外，时间上存在先后顺序的不同采样段之间的数据同样存在一定的时间相关性，例如不同衰减状态的数据有前后发生关系；再次，监测数据往往会存在数据不平衡问题，尤其在于健康-不健康的不平衡问题明显，需要找到一种方法来平衡处于健康状态的监测数据和不健康的剧烈衰减状态数据，这便需要引入时空双特征的阶段信息。


技术实现要素：

4.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种剩余寿命预测方法、装置和存储介质。
5.本发明所采用的技术方案是：
6.一种剩余寿命预测方法，包括以下步骤：
7.获取设备的原始数据；
8.对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签；
9.建立基于时空双细胞状态衰减阶段自适应感知的剩余寿命预测模型，根据伪标签对剩余寿命预测模型进行辅助自监督课程训练；
10.采集设备的实时数据，将实时数据输入训练后的剩余寿命预测模型进行预测，输出设备的剩余寿命的预测值和对应的阶段值。
11.进一步地，所述对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签，包括：
12.采用深度模型将原始数据转化为高维特征，对高维特征特征进行聚类，根据每次聚类结果获取伪标签；
13.将伪标签反馈给深度模型，并进行参数更新，最终得到深度聚类网络；
14.其中，所述深度聚类网络用于识别原始数据对应的衰减阶段。
15.进一步地，所述剩余寿命预测模型包括多层卷积嵌入的循环神经网络和一个预测层；
16.滑动窗口的方式对原始数据进行采样，获得窗口数据，作为剩余寿命预测模型的输入；
17.窗口数据经过循环神经网络和预测层后，输出剩余寿命预测值；
18.其中，循环神经网络的每层网络由时序状态转移和空间状态转移两部分组成，时序状态在水平方向上随着时间步传播，而空间状态则在垂直方向上以之字形穿梭于相邻时间步之间。
19.进一步地，所述剩余寿命预测模型为采用卷积循环神经网络，以卷积嵌入的带有双时空细胞状态的长短期记忆网络；
20.所述长短期记忆网络能够充分利用卷积网络对数据空间特征的提取的能力和循环神经网络的对时序特征的提取能力，将两者的优势结合起来，能够对带有时空特征的原始信号进行特征提取，最终建立对设备剩余寿命更加可靠的映射关系。
21.进一步地，所述剩余寿命预测模型采用长短期记忆网络作为主干，将长短期记忆网络原有的输入-隐藏和隐藏-隐藏的转移函数的点乘操作替换为卷积操作；
22.空间状态在垂直不同网络层次上传播，带有每层空间特征提取状态信息；时间状态在水平不同时间步上按时间顺序进行传播，带有每个时间步的时序上的长期依赖状态信息，另外配合隐藏状态实现长短期状态的传递；
23.在空间和时序双特征状态传递基础上，引入动态和静态子细胞差分机制，在动态子细胞中以上一层的当前时刻输出与上一时间步输出的差分值作为输入，经过计算后输出到静态子细胞中进行计算，得到关注在空间和时间上对预测的剩余寿命值更有贡献的不变特征；
24.最后，由空间和时序特征所提取到的健康因子经过一个全连接的回归网络，进行回归操作，得到一条拟合后的设备剩余使用寿命曲线；
25.其中，下一时间步的空间状态可由上一时间步最后一层的空间状态通过上采样逐层累加等到，如下公式所示：
[0026][0027]
其中，是第一层的空间状态输入，upsamplinq是指上采样算法，一般采用线性插值，是指第i层的空间状态。
[0028]
进一步地，所述根据伪标签对剩余寿命预测模型进行辅助自监督课程训练，包括:
[0029]
通过设计一种新型深度模型损失函数，基于辅助任务学习来提高主任务的性能的基础，在剩余寿命预测任务学习的同时学习设备健康阶段分类任务；随着时间推移，从健康状态到最终进入到剧烈衰减期期间，逐渐将学习重心从阶段分类任务到剩余寿命预测任务
转移，以达到更好地服务剩余寿命预测这个主任务。
[0030]
进一步地，损失函数的表达式如下:
[0031][0032]
式中，λ是一个随时间变化的参数，代表辅助学习的偏重权重，采用以下公式计算获得
[0033]
λ(i)＝max(ζ，λ(0)-∈
·
i)
[0034]
其中，ζ是λ最大值，∈是衰减速率因子；
[0035]
均方误差和交叉墒损失函数的表达式如下:
[0036][0037][0038]
式中，是剩余寿命真实值，是剩余寿命预测值，n是样本总数，yi是第i个真实值，是第i个预测值，p(y
ij
)是真实类别标签的分布，是值为0或1的one-hot向量，是预测类别的分布，是一个向量，其值介于[0,1]之间，p是样本总数，q是类别总数。
[0039]
进一步地，所述根据伪标签对剩余寿命预测模型进行辅助自监督课程训练，包括：
[0040]
根据无监督阶段获得的伪标签，解决主任务和辅助任务双任务的形式强化模型对阶段的感知能力，从而强迫时间和空间状态遵循阶段变化而发挥作用；其中，时间和空间状态相互影响而又受到阶段信息的制约。
[0041]
本发明所采用的另一技术方案是：
[0042]
一种剩余寿命预测装置，包括：
[0043]
至少一个处理器；
[0044]
至少一个存储器，用于存储至少一个程序；
[0045]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0046]
本发明所采用的另一技术方案是：
[0047]
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
[0048]
本发明的有益效果是：本发明以无监督的方式得到衰减阶段信息，以及以自监督辅助学习的方式加强模型对衰减状态学习的能力，从而能让模型更好地融合衰减阶段的概念于剩余寿命预测任务中，进一步提高模型的预测效果。
附图说明
[0049]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在
无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0050]
图1是本发明实施例中轴承1_1水平方向原始振动信号的示意图；
[0051]
图2是本发明实施例中轴承1_1垂直方向原始振动信号的示意图；
[0052]
图3是本发明实施例中原始振动信号阶段划分示意图；
[0053]
图4是本发明实施例中聚类效果示意图；
[0054]
图5是本发明实施例中损失函数损失值下降曲线图；
[0055]
图6是本发明实施例中工况1中的轴承1_3剩余寿命预测结果曲线图；
[0056]
图7是本发明实施例中一种剩余寿命预测方法的流程示意图；
[0057]
图8是本发明实施例时空双细胞衰减状态感知的自适应剩余寿命预测模型结构示意图；
[0058]
图9是本发明实施例中一种剩余寿命预测方法的结构流程图；
[0059]
图10是本发明实施例中带有状态的循环模型训练批处理数据组织示意图。
具体实施方式
[0060]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0061]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0062]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0063]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0064]
基于现有的问题，本发明的目的在于提供一种基于时空双细胞状态自适应感知的剩余寿命预测方法，根据工业实际生产中生产设备传感器实时产生的原始数据，通过对该种设备的原始数据直接进行建模，不依赖任何需要专家先验经验的预处理步骤，构建一种“虚拟”健康因子，采用一种时间状态和空间状态并存的内嵌卷积操作的循环网络预测模型，结合时空双细胞状态和子细胞状态差分机制，并通过辅助自监督的课程学习机制带有状态地进行模型训练，进行对设备衰减状态的自适应感知，实现对实际生产中设备寿命的准确预测。
[0065]
如图7和图9所示，本实施例提供一种剩余寿命预测方法，包括以下步骤：
[0066]
s1、获取设备的原始数据。
[0067]
其中，步骤s1还包括数据预处理步骤：根据工业生产设备和所部署传感器的类型，可确定采集的是何种数据，以便于对数据的存储和集成，并转化为能够用于作为系统输入的可用形式，包括但不限于将离群数据剔除，对空值数据的处理等操作。
[0068]
s2、对所述原始数据进行无监督聚类训练，获得对应衰减阶段的伪标签。
[0069]
根据生产中原始传感数据或预处理特征进行无监督的阶段聚类分析，即无需任何人为标注的信息自动根据算法进行深度聚类特征学习，得到具有数据特征辨别和聚类能力的深度模型。
[0070]
作为一种可选的实施方式，根据工业生产设备传感器实时产生的原始数据，对该种设备的原始数据直接进行建模，初始化深度聚类模型和对应的传统聚类算法，通过深度聚类模型得到初始特征，采用传统聚类算法进行聚类，后对深度模型进行反馈，最终达到传统聚类算法的收敛条件即停止算法。该算法能够得到可自适应根据高层抽象特征判别原始数据属于哪一类别(阶段)的模型，而这些高层特征是经过深层卷积模型得到的最终特征，是在高维延展空间中能够分辨的，簇间具有明显边界的特征，因而能够被分辨成不同类别，即聚类成不同的阶段的簇。
[0071]
由于设备健康衰减阶段一般是无法得知的，在传统上，一般采用统计分析等方法判断，如使用3倍标准差的方法来判定设备是否处于剧烈衰减状态，当传感数据(如振动数据)的标准差达到累计标准差的三倍或以上时，则可判定设备当前处于剧烈衰减状态。但是，该方法并不能很好地区分一般衰减状态和健康状态，一般衰减状态和剧烈衰减状态，而且不同工况下的不同设备会存在一定的差异，加之有环境因素的影响，类似的简单统计方法指标往往不能准确地指示设备所处的健康衰减状态。因此，需要一种能够准确将设备的传感数据作为依据对其进行分类或聚类的有效算法。基于无监督的深度聚类学习是近年来研究的热门，其不需要任何人工标注的标签信息便能对未聚类的数据进行有效的深度聚类分析，将相似的数据自动归为同一类，对深度模型的预测分析有很大的帮助。本方法是基于深度网络的无监督聚类算法，主要是由深度模型对原始输入数据的映射为隐态空间特征，然后对此特征进行基于高维距离度量的聚类分析，然后将结果反馈给深度网络从而进行基于反向传播的参数更新。
[0072]
s3、建立基于时空双细胞状态衰减阶段自适应感知的剩余寿命预测模型，根据伪标签对剩余寿命预测模型进行辅助自监督课程训练。
[0073]
s31、基于深度学习的剩余寿命预测建模：
[0074]
参见图8，本实施例的数据建模步骤将采用卷积循环神经网络，以卷积嵌入的带有双时空细胞状态的长短期记忆网络。该网络能够充分利用卷积网络对数据空间特征的提取的能力和循环神经网络的对时序特征的提取能力，将两者的优势以一种原生的方式结合起来，能够更有效准确地对带有时空特征的原始信号进行特征提取，最终建立对设备剩余寿命更加可靠的映射关系。该网络主要是利用了长短期记忆网络作为主干，将其原有的输入-隐藏和隐藏-隐藏的转移函数的点乘操作替换为卷积操作。本发明在以上所述卷积嵌入长短期记忆网络基础上，引入双时空细胞状态，状态自适应感知则由动态和静态空间子细胞作差分得到。对于卷积操作而言，最核心的操作有卷积层和以及各自的反向传播权值更新，使用公式表达则为：
[0075]
卷积操作：
[0076][0077]
卷积反向传播：
[0078][0079]
全连接层：
[0080]
x
l
＝σ(w
l
x
l-1
b
l
)
[0081]
全连接层反向传播：
[0082][0083]
卷积嵌入的长短期记忆网络公式为：
[0084]
遗忘门：
[0085]ft
＝σ(wf*[x,h
t-1
] bf)
[0086]
输入门：
[0087]it
＝σ(wf*[x,h
t-1
] bi)
[0088]
输出门：
[0089]ot
＝σ(wf*[x,h
t-1
] bo)
[0090]
细胞状态：
[0091][0092][0093]
隐藏状态：
[0094]ht
＝o
t
⊙
tanh(c
t
)
[0095]
带有时空双状态自适应感知的长短期记忆网络，时序状态部分计算公式如下：
[0096]
输出候选：
[0097][0098]
输入门：
[0099][0100]
动态子状态：
[0101][0102]
静态子状态：
[0103][0104]
时序细胞体状态输出：
[0105][0106]
其中，表示动态子细胞状态，,表示静态子细胞状态，表示当前时刻上层的隐藏状态，
[0107]
带有时空双状态自适应感知的长短期记忆网络，空间状态部分计算公式如下：
[0108]
空间输出候选：
[0109][0110]
空间输入门：
[0111][0112]
空间遗忘门：
[0113][0114]
空间细胞体状态输出：
[0115][0116][0117]
模型总细胞体输出的计算公式如下：
[0118]
总体输出门：
[0119][0120]
总体隐藏状态输出：
[0121][0122]
其中，静态子细胞状态的计算公式如下：
[0123]
输出候选：
[0124][0125]
输入门：
[0126][0127]
遗忘门：
[0128][0129]
静态细胞状态：
[0130][0131]
输出门：
[0132][0133]
静态隐藏状态：
[0134][0135]
其中，动态子细胞的计算公式如下：
[0136]
动态输出候选：
[0137]
[0138]
输入门：
[0139][0140]
遗忘门：
[0141][0142]
动态细胞状态：
[0143][0144]
输出门：
[0145][0146]
动态隐藏状态：
[0147][0148]
其中*表示卷积操作，
⊙
表示哈达玛积，σ表示sigmoid激活函数，tanh表示tanh激活函数，softmax表示softmax激活函数。
[0149]
作为可选的实施方式，具体步骤为：首先，根据预处理后的的原始数据，作为网络的输入，组织形式可以是多维向量的数据点，也可以是多维向量组成的二维矩阵。然后，网络结构包含了空间方向的状态传递和时间方向的状态传递。空间状态在垂直不同网络层次上传播，带有每层空间特征提取状态信息；时间状态在水平不同时间步上按时间顺序进行传播，带有每个时间步的时序上的长期依赖状态信息，另外配合隐藏状态能够实现长短期状态的传递。在空间和时序双特征状态传递基础上，引入动态和静态子细胞差分机制，在动态子细胞中以上一层的当前时刻输出与上一时间步输出的差分值作为输入，经过门计算激活后，输出到静态子细胞中进行进一步计算，能够得到关注在空间和时间上哪一个状态是对预测的剩余寿命值更有贡献的不变特征，从而能对有效特征进行偏好地选择。最后，由空间和时序特征所提取到的健康因子经过一个全连接的回归网络，进行回归操作，得到一条拟合后的设备剩余使用寿命(rul)曲线。
[0150]
参见图10，其中，原始数据或数据特征x∈rm×n，m为数据维度，n为数据长度，为样本总数，以滑动窗口的形式采样成数据窗作为模型的输入，经过所提出的多层卷积嵌入的卷积循环神经网络，最后经过一个预测层输出剩余寿命预测值。每层网络由时序状态转移和空间状态转移两部分组成，对应了水平和垂直方向上的状态转移，时序状态在水平方向上随着时间步传播，而空间状态则在垂直方向上以之字形穿梭于相邻时间步之间，即上一时间步的空间状态输出作为下一时间步状态的输入。而且，这两部分分别包含输入门、遗忘门、输出门，两部分分别以对应当前时刻输入和当前层隐层输入作为状态转移的输入参数，均参与各门阀和输出值的计算，最后通过联立两个状态输出结果作为最终的输出结果；同时引入空间细胞状态和时间细胞状态，既能感知垂直方向上空间特征的提取状态，也能根据时序状态获得时序特征，从而不会忽略任一方向上的状态信息，使得提取的数据特征更能反映设备真实的状态。同时，在剩余寿命预测任务的时序建模上，引入了细胞中的细胞概念，在总体细胞状态计算中引入了两种子细胞状态，分别是动态子细胞状态(coc-d)和静态子细胞状态(coc-s)，对于当前网络层来说，对上一层空间相关的隐藏状态输出进行时序上的差分计算，得到于时序上动态噪音无关的空间特征，进一步降低外界的
干扰对预测结果影响，能够得到更鲁棒的剩余寿命预测结果。
[0151]
s32、基于辅助自监督学习的模型训练：
[0152]
采用辅助自监督的课程学习机制，分别学习主修任务和辅修任务两种任务，以辅修任务辅助主修任务的学习。通过设计一种新型深度模型损失函数，基于辅助任务学习来提高主任务的性能这一假设，在剩余寿命预测任务学习的同时学习设备健康阶段分类任务，在随着时间推移，从健康状态到最终进入到剧烈衰减期期间，逐渐将学习重心从阶段分类任务到剩余寿命预测任务转移，以达到更好地服务剩余寿命预测这个主任务。该步骤主要是利用了步骤s2中的无监督阶段聚类信息，和双状态流动机制模型进行对设备的剩余寿命进行阶段感知的建模，而步骤s2中得到的聚类模型能够为该步骤提供阶段伪标签，以解决双任务的形式强化模型对阶段的感知能力，从而强迫时间和空间状态遵循阶段变化而发挥作用，时间和空间状态相互影响而又受到阶段信息的制约，模型训练的过程在这样的互相作用下会进一步趋向提高剩余寿命预测的准确率。
[0153]
本实施例设计的新型深度模型损失函数，具体公式如下所示：
[0154]
总的学习损失函数如下：
[0155][0156]
λ是一个随时间变化的参数，代表辅助学习的偏重权重，如下公式计算所得：
[0157]
λ(i)＝max(ζ,λ(0)-∈
·
i)
[0158]
其中，ζ是λ最大值，∈是衰减速率因子。
[0159]
具体基本的均方误差和交叉熵损失函数如下公式所示：
[0160][0161][0162]
在模型训练每个轮次的初期，以较大的权重进行对辅修任务的学习，以较小权重来学习主修任务，随着时间的推移，逐渐减轻辅修任务的学习而同时加强主修任务的学习，直到该轮次结束。在整个训练过程中，随着时间的推移，按照时间顺序从设备稳定运行状态到一般状态再到剧烈衰减状态到最后失效这段期间，学习的重心逐渐从阶段预测逐渐转移到剩余寿命预测上。抑或是根据训练轮次从低轮次开始随着轮次的推进，实现同样的学习重心转移。通过辅助自监督训练方法，能够让模型中的状态记忆体获得更多关于设备健康衰减状态转移的信息，以便在线上预测中能够动态地根据设备所在阶段而自适应地进行数据特征提取，让预测结果更准确。
[0163]
s4、采集设备的实时数据，将实时数据输入训练后的剩余寿命预测模型进行预测，输出设备的剩余寿命的预测值和对应的阶段值。
[0164]
在训练获得预测模型后，采集设备的实时数据，将实时数据输入模型中进行预测，并输出预测结果。
[0165]
以下结合附图及具体实施例对上述方法进行详细解释说明。
[0166]
本实施例提供一种基于时空双细胞状态自适应感知的剩余寿命预测方法。1)获取
原始轴承监测数据并进行相应的数据预处理；2)将获得的原始数据或数据特征进行无监督聚类训练获得对应初始阶段伪标签；3)利用已有的数据和伪标签对模型进行辅助自监督课程训练；4)训练时空双细胞状态模型得到基于设备衰减状态的时空特征；5)利用特征经过rul预测层对设备剩余寿命进行建模，得到最终的映射关系模型；6)线上进行实时数据的真实预测。具体的步骤如下：
[0167]
步骤1.数据准备。
[0168]
采集相关传感数据并进行一定的预处理操作后得到原始传感数据，本实施例采用phm2012比赛的pronostia轴承数据集为例。该数据集的采集方式是间隔采样，每10s进行0.1秒的采样，采样频率为25.6khz，即每次采样2560个数据点。该数据集包含三种工况状态的数据，每种工况状态数据均包含竖直和水平方向上的振动信号，以及温度信号，由于振动信号包含较多衰减信息，故一般会采用振动信号作为模型的输入数据。因此，每个样本数据大小为2560x2。其中，工况1的水平方向振动信号如图1所示，垂直方向振动信号如图2所示。
[0169]
步骤2.无监督的阶段聚类。
[0170]
在该步骤中，是采用深度模型将原始信号转化为高维特征，然后根据该特征而采用传统聚类算法进行聚类，将每次聚类结果作为“伪标签”反馈给深度模型进行参数更新，当满足聚类算法收敛条件时即代表无监督的阶段聚类过程结束；其中，如图3所示，图3为原始振动信号阶段划分示意图。具体来说，是将步骤1得到的2560x2大小的数据输入到若干一维卷积层网络，每层卷积层后会经过核大小为2的池化层，最后一层池化层为全局池化，最终将数据长度压缩到一定大小，这里取卷积层数为4，卷积核数量分别取16、32、64、128，大小均为10，则最终输出特征大小为1x128。在得到特征后，利用传统聚类算法如k-means，进行高维向量的聚类，然后根据单次聚类结果反馈给深度网络，聚类结果采用one-hot编码机制，而特征和聚类结果的转换则需要一个线性变换层具体上可用全连接层作为连接聚类结果和深度网络的线性映射层，这里取全连接输入为128，输出为3，其中3是人为根据经验假定的设备全生命周期中可能经历的阶段数。最终，可得到一个能够分辨原始高频数据的深度聚类网络，能够自动将原始数据判定属于哪一个阶段。聚类结果可视化如图4所示，即原本无法通过深度模型映射为特征向量簇分明通过训练后能够得到一个较好的聚类效果。
[0171]
步骤3.时空双细胞状态模型的训练。
[0172]
该步骤是为了训练得到一个结合了阶段伪标签和双细胞状态机制的模型，模型训练上采用的是自监督辅助训练机制，分别学习辅任务和主任务，具体来说，是采用复合损失函数，该损失函数由两个项相加而得到，分别对应rul预测网络的输出和阶段预测的输出，并加入一个权重因子，用于随着时间的推移将学习的重点逐渐从辅助任务转移到主任务，即剩余寿命(rul)预测中来，具体来说就是权重因子乘以rul预测损失项，从一个较小值开始以一定方式随着时间递增(线性、非线性)，最终达到最大值。如图5所示，是经过200轮次训练后的损失下降结果曲线图。
[0173]
步骤4.线上预测。
[0174]
该步骤主要是将训练得到的模型用于接受训练集外的未知数据以计算出其对应的设备剩余寿命值，具体来说，首先需要对未知的实时数据进行一定的预处理，然后输入到时空双细胞状态模型中，分别得到其剩余寿命的预测值和对应的阶段值。如图6所示为剩余寿命预测结果的曲线图和阶段预测结果图。至此，本算法全部步骤结束，得到最终的剩余寿
命预测结果。
[0175]
综上所述，本实施例相对于现有技术，具有如下优点及有益效果：
[0176]
(1)本发明基于一种双衰减信息捕捉框架。该框架分别在时间和空间维度上对设备监测数据进行特征状态捕捉，在原有的时间状态基础上辅以空间状态，以子细胞状态差分的形式捕捉不变的状态特征，使得该时空双细胞状态的结合能以一种更精细的方式描述设备衰减过程，更关注衰减状态中静态不变特征从而得到准确的剩余寿命预测结果。
[0177]
(2)本发明以一种带有状态的预测框架来进行设备剩余寿命预测，并以辅助自监督的课程学习机制辅以加强。该框架比一般假设样本之间是独立的框架更能反映设备寿命衰减过程的状态变化，即在全局的尺度上让不同衰减时刻都有了在时间上的状态流动关系，而不是让时序细胞状态只存在于单个输入窗口内。该方法不仅能突出全局上的时间先后关系，而且能让循环模型原生地捕捉到这些状态从而自适应地利用过去上文的状态，而影响当前时刻的特征提取。
[0178]
(3)本发明以一种无监督的方式得到衰减阶段信息以及以一种自监督辅助学习的方式加强模型对衰减状态学习的能力，即同时带有剩余寿命预测和衰减状态预测的双学习目标，从而能让模型更好地融合衰减阶段的概念于剩余寿命预测任务中，进一步提高后者的预测效果。
[0179]
本实施例还提供一种剩余寿命预测装置，包括：
[0180]
至少一个处理器；
[0181]
至少一个存储器，用于存储至少一个程序；
[0182]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图9所示方法。
[0183]
本实施例的一种剩余寿命预测装置，可执行本发明方法实施例所提供的一种剩余寿命预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0184]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图9所示的方法。
[0185]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种剩余寿命预测方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0186]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0187]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块
中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0188]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0189]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0190]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0191]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0192]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0193]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在
不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0194]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。