基于BLS和LSTM的剩余使用寿命预测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115688601A(43)申请公布日2023.02.03(21)申请号202211426550.0(22)申请日2022.11.15(71)申请人合肥工业大学地址230009安徽省合肥市屯溪路193号(72)发明人王晓佳黄婷薛子睿毕缘媛朱克毓徐晟刘军航(74)专利代理机构北京睿智保诚专利代理事务所(普通合伙)11732专利代理师韩迎之(51)Int.Cl.G06F30/27(2020.01)G06N3/0442(2023.01)G06N3/08(2023.01)G06F18/214(2023.01)G06F119/04(2020.01)权利要求书1页说明书6页附图3页(54)发明名称基于BLS和LSTM的剩余使用寿命预测方法及系统(57)摘要本发明公开了一种基于BLS和LSTM的剩余使用寿命预测方法及系统，属于智能学习领域，包括：LSTM通过门控机制控制数据信息的传输，保留的信息生成映射特征并形成特征节点；然后将激活函数作用于随机特征节点，生成表达能力更强的增强节点，增加网络中的非线性因子；最终将特征节点和增强节点共同连接到输出层。本发明提出了一个基于宽度学习系统(BLS)的集成B‑LSTM模型，并嵌入了长短期记忆网络(LSTM)，以提高模型提取时间序列信息特征的能力，与几种主流方法的比较结果显示，本发明使用的模型的可解释性和准确性更高；在对剩余使用寿命进行预测时，预测结果表征数据的能力，预测的性能和精度明显高于现有的主流方法。CN115688601ACN115688601A权利要求书1/1页1.一种基于BLS和LSTM的剩余使用寿命预测方法，其特征在于，包括以下步骤：步骤1、获取待测设备的原始数据，并将所述原始数据输入到LSTM中，基于时间序列对所述原始数据进行特征信息提取，生成特征节点；步骤2、将所述特征节点输入激活函数中对所述特征节点进行非线性转换，生成增强节点；步骤3、将所述特征节点与所述增强节点合并，作为BLS的输入，得到所述BLS的输出的动态方程；步骤4、计算所述BLS输出的动态方程的输出权重，并带入所述动态方程中，进行剩余使用寿命预测。2.根据权利要求1所述的一种基于BLS和LSTM的剩余使用寿命预测方法，其特征在于，所述步骤1中，所述特征节点的表达式为：其中，oi为LSTM结构的输出数据；Ci为LSTM结构中的当前状态信息；tanh()为激活函数。3.根据权利要求1所述的一种基于BLS和LSTM的剩余使用寿命预测方法，其特征在于，所述步骤2中，所述增强节点的表达式为：nHj＝ξj(ZWhj+βhj),j＝1,2,…mn其中，Z为Z1到Zn的集合，ξj为非线性激活函数；Whj为权重系数；βhj为偏差。4.根据权利要求1所述的一种基于BLS和LSTM的剩余使用寿命预测方法，其特征在于，所述步骤3中，所述BLS的输出的动态方程为：其中，为输出权重。5.根据权利要求1所述的一种基于BLS和LSTM的剩余使用寿命预测方法，其特征在于，所述步骤4中，所述输出权重通过伪逆矩阵和岭回归算法得到。6.一种基于BLS和LSTM的剩余使用寿命预测系统，其特征在于，包括信息采集模块、特征提取模块、特征增强模块、特征融合模块、模型输出模块以及预测模块；所述信息采集模块用于获取预测设备或系统中各部分信息数据，并将获取的数据输入至所述特征提取模块；所述特征提取模块对输入的数据进行特征信息提取，并生成对应的特征节点；所述特征增强模块用于将所述特征提取模块生成的特征节点进行增强操作，生成增强节点；所述特征融合单元用于融合所述特征节点和所述增强节点；所述模型输出模块用于将融合后的所述特征节点和所述增强节点输入至BLS中，输出剩余寿命预测模型；所述预测模块用于计算所述BLS输出权重，并根据所述预测模型进行剩余使用寿命的预测。2CN115688601A说明书1/6页基于BLS和LSTM的剩余使用寿命预测方法及系统技术领域[0001]本发明涉及智能学习领域，更具体的说是涉及一种基于BLS和LSTM的剩余使用寿命预测方法及系统。背景技术[0002]剩余使用寿命(RemainingUsefulLife，RUL)是指设备组件或系统从当前时间点开始运行到不能再执行特定功能的时间点的时间长度。在设备运行过程中，由于内外因素的综合作用，其零部件的性能和健康状况会逐渐恶化。如果在部件失去功能之前没有采取适当的维护措施，不仅会影响设备的正常运行，还可能会因部件损坏导致设备损毁的风险。剩余使用寿命预测通过持续监测和分析设备的运行数据，帮助管理者在零部件损坏前做出维修或更换决策，确保设备或系统运行的可靠性和安全性，减少经济损失。因此，准确的预测设备和系统的剩余使用寿命对于维持正常的生产至关重要。目前对设备和