申请/专利权人：北京航空航天大学

申请日：2024-01-08

公开（公告）日：2024-04-19

公开（公告）号：CN117910345A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/047;G06N3/08;G06F119/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明涉及一种无寿命标签下设备剩余寿命间接预测方法，可以获取短期健康状态和长期剩余寿命RemainingUsefulLife,RUL的均值预测和概率预测结果。首先，构建了考虑随机不确定性和认知不确定性的贝叶斯神经网络，利用变分推断推理损失函数，采用蒙特卡洛采样方法输出退化表征量的概率预测结果；其次，基于退化表征量概率特征，通过抽样获取多组样本，采用非线性维纳过程开展退化建模，在考虑个体不确定性的条件下开展参数估计，从而实现长期RUL预测。最后，在在线运行过程中，根据滑动窗口方法生成新的退化表征量预测结果，利用在线估计方法更新随机过程参数，提高RUL预测精度。

主权项：1.一种无寿命标签下设备剩余寿命间接预测方法，其特征在于，包括以下步骤：步骤1：针对多维退化特征和退化表征量的数据集[Xt,Yt]按比例划分为训练集、测试集、验证集，并对数据集进行归一化等预处理操作；步骤2：对于深度学习模型中认知不确定性，采用无模型model-free的暂退dropout技术进行量化，定义第l层l＝1,2,...,L的暂退掩码参数对应的中间隐变量和映射函数k·，通过中间隐变量和映射函数建模，的分布类型可以自适应随数据发生变化；步骤3：对的先验分布开展建模，并利用极大似然估计算法开展参数估计；步骤4：计算添加暂退掩码后的网络权重参数ωl，构建对应的自适应变分分布qδW；步骤5：对于深度学习模型中随机不确定性，将输出设置为正态分布，即py|x,ω＝Nμx,ω,σ2；步骤6：构建考虑认知不确定性和随机不确定性的贝叶斯神经网络模型，根据变分推断推理对应的损失函数，设置网络超参数并训练预测模型，在测试阶段保持dropout处于打开状态，利用蒙特卡洛采样方法输出退化表征量短期的概率预测结果；步骤7：考虑长期退化过程中退化表征量的非线性特征，采用非线性维纳过程对退化表征量进行退化建模，将固定阈值的非线性维纳过程转换为可变阈值的标准布朗运动，从而得到RUL的分布函数；步骤8：根据退化量概率特征，通过抽样获取多组退化量样本，在考虑随机不确定性条件下利用极大似然估计和多维搜索开展参数估计；步骤9：根据RUL的分布函数预测RUL的均值和概率分布结果；步骤10：在在线运行阶段，根据新的监测量或监测量中提取的退化量，通过滑动窗口方法划分样本，输入贝叶斯神经网络中获取新的退化量预测结果，利用在线估计方法更新随机过程模型参数，输出更新后的RUL均值预测和概率预测结果。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种无寿命标签下设备剩余寿命间接预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD