一种基于DCNN-LSTM混合模型的RUL预测方法

发布时间：2021-11-06 04:41

　　提出一种结合深度卷积神经网络（DCNN）和长短时记忆（LSTM）网络实现剩余使用寿命的准确预测方法。首先按滑动时间窗口的方法对采集到的复杂设备数据进行输入样本的制备,并使用网格搜索法寻找模型最优参数;然后构建DCNN网络实现自动融合多传感器数据并提取抽象空间特征;最后固定卷积层数不变,采用多层LSTM网络记忆时间序列前后之间的关系。在公开的C-MAPSS数据集上进行了验证,并与单一的CNN、单一的LSTM算法在相同数据集上进行比较,预测精度提高10%以上,证明了所提出算法的优越性。 

【文章来源】：兵器装备工程学报. 2020,41(12)北大核心

【文章页数】：7 页

【部分图文】：

一维卷积原理示意图

图2中，表示当前临时记忆单元，h(t)表示状态输出单元，i(t)表示输入门，o(t)表示输出门，f(t)表示遗忘门。设输入时间序列为x(t)，为当前时刻，则各个控制门限的状态可用下面公式来表示。当前时刻临时记忆单元:

为了提高深度学习模型的预测准确度，需要在模型构建之前确认样本输入大小。复杂系统设备产生的故障数据往往是时间序列的，而研究基于剩余寿命预测的多变量时间序列的问题与研究在单个时间步长内多变量数据值相比，通常能从多变量时间序列数据中获取更多信息。时间序列处理具有更大的潜力，可以提供更好的预测性能。本文采用时间窗口进行数据准备以处理多变量时间信息。如图3所示，不同传感器监测的传感器数据代表不同的特征，把设备多个传感器值作为网络的输入并利用滑动窗口来构建DCNN-LSTM模型的训练样本。输入形式为(batch＿size,time＿step,feature＿nums)，分别表示训练过程中批处理的样本数量、时间序列长度、特征维度。时间窗口的长度为DCNN-LSTM模型的时间步长time＿step，窗口的高度为传感器维数n，窗口以n*time＿step的大小沿着时间轴滑动，每滑动一个时间步长，就得到一个训练样本。

【参考文献】：
期刊论文
[1]基于PSO-BP神经网络的刀具寿命预测[J]. 王虎,刘佩松,叶润章,李阳,徐培嘉.  现代制造技术与装备. 2017(11)
[2]基于改进网格搜索法的支持向量机在气体定量分析中的应用[J]. 曲健,陈红岩,刘文贞,李志彬,张兵,应亚宏.  传感技术学报. 2015(05)

硕士论文
[1]基于机器学习的故障预测与健康管理（PHM）方法研究[D]. 李永亮.电子科技大学 2017
[2]基于机器学习方法的航天器在轨状态异变趋势预测算法研究[D]. 许寅.电子科技大学 2017



本文编号：3479183