(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210736162.6 (22)申请日 2022.06.27 (71)申请人 中国人民解 放军海军工程大 学 地址 430000 湖北省武汉市硚口区解 放大 道717号 (72)发明人 闫啸家　梁伟阁　王旋　张钢　 佘博　 (74)专利代理 机构 西安方诺专利代理事务所 (普通合伙) 61285 专利代理师 景丽娜 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 一种机械设备剩余寿 命区间预测方法 (57)摘要 本发明公开了一种机械设备剩余寿命区间 预测方法， 针对统计数据驱动的剩余寿命预测模 型难以描述多维传感器数据之间的耦合关系以 及数据驱动融合模型存在关键信息丢失的问题， 首先， 利用特征注意力机制(Featureattention, FA)从多维度、 非线性和大规模的传感器信号中 提取出关键 特征向量； 然后， 采用Bi GRU网络从前 向和后向两个方向对注意力加权特征的时变特 性进行建模 学习， 并通过最大似然估计损失函数 来训练网络参数， 获得隐含状态输出向量的概率 分布， 从而计算出基于LN 分布的PDF， 实现部件不 确定性的衡量的剩余寿命区间预测方法。 仿真结 果表明本发明提出的基于 FA‑LN‑BiGRU融合模型 的剩余寿命区间预测方法能够可靠、 准确地得到 RUL预测区间。 权利要求书3页 说明书13页 附图7页 CN 115204362 A 2022.10.18 CN 115204362 A 1.一种机 械设备剩余寿命区间预测方法， 其特 征在于， 包括以下步骤： 步骤1： 获取机 械设备的传感器监测数据； 步骤2： 构建FA ‑LN‑BiGRU预测模型； 步骤3： 将得到 的传感器数据输入至FA ‑LN‑BiGRU预测模型中， 通过所述预测模型计算 并输出航空发动机的RUL的P DF参数预测值； 步骤4： 根据P DF参数预测值对发送机的剩余寿命区间进行 预测。 2.如权利 要求1所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 所述FA ‑LN‑ BiGRU预测模型包括依次连接的输入层、 特 征加权层、 特 征学习层和输出层； 输入层， 用于将得到的航空发动机的历史传感器监测数据输入到特 征加权层； 特征加权层， 用于通过轻量级特征注意力 机制提取输入的传感器监测数据的注意力加 权特征向量； 特征学习层， 用于通过双向BiGRU网络提取注意力加权特 征向量的时序依赖关系； 输出层， 用于计算 航空发动机的RUL的P DF参数预测值。 3.如权利要求2所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 所述特征加 权层包括全局平均池层、 两层全连接层和sigmo id激活函数； 全局平均池化层， 用于将获取到的传感器监测数据进行平均池化操作， 得到每个时间 样本的均值信息； 全连接层， 用于量 化各个特 征对应的注意力权 重； sigmoid激活函数， 用于注意力权 重做归一 化处理。 4.如权利要求3所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 步骤3的具 体操作步骤 包括： 步骤31： 输入层获取不同运行工况和类型的机械设备历史传感器数据， 将所述传感器 数据表示 为多维特 征时间序列矩阵： 其中， 为在t时刻的F个特征数值序列， 为第f个多维特 征在T个历史时刻的数值序列； 步骤32： 所述特征加权层利用特征注意力 机制提取多维特征时间序列与目标建模参数 之间的关联关系， 通过循环迭代对所有时刻各个特征分别 分配注意力权重， 得到输入的多 维特征时间序列的注意力加权特 征； 步骤33： 特征学习层将输入的注意力加权特征向量分时刻输入至双向BiGRU网络的前 向层和反向层， 得到t时刻前向输出和后向输出， 再将前向层和反向层的输出合并得到总输 出； 步骤34： 输出层根据得到的特征学习层的总输出， 实现特征学习层输出向量对最终参 数输出的映射， 得到当前时刻下的对数均值 μt和对数方差σt， 从而计算此时RUL的P DF； 步骤35： 构建最终参数与目标输出的损失函数， 通过损失函数更新网络参数， 再通过更 新后的网络循环迭代 求解下一时刻的对数均值和对数方差， 最终实现对数正态分布参数的权　利　要　求　书 1/3 页 2 CN 115204362 A 2最大似然估计。 5.如权利要求2所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 步骤32的具 体操作步骤 包括： 步骤321： 将输入的多维特征时间序列x通过全局平均池进行池化操作， 得到每个时间 样本的均值信息， 将维度为T ×F的多维特 征时间序列降维至1 ×F， 该计算过程记为： 其中， yf表示通过全局平均池 化后得到的向量； g( ·)为特征维度的全局平均池 化操作； Xf为第f个特 征所有时间点的数据； 为第f个特 征的第t个时间点的数据； 步骤322： 通过两层全连接层量化各个特征对应的注意力权重， 并通过sigmoid激活函 数对权重做归一 化处理， 得到归一 化后的注意力权 重αf： αf＝σ(W2δ(W1yf+b1)+b2)                    (2) 根据式(1)将式(2)改写为： 其中， e＝[e1,e2,…,eF]∈RF×1； 步骤323： 将注意力权重与相应的多维特征时间序列x相乘， 得到多维特征时间序列的 注意力加权特 征X′： X′＝e⊙X＝[e1x1,e2x2,…,eFxF]               (8) 其中， X′可记为 其中F为注意力加权特 征的维度， T为时间长度。 6.如权利要求4所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 步骤33的具 体操作步骤 包括： 步骤331： 将1时刻得到的注意力加权特 征同时输入至前向层和后向层， 直至T时刻； 步骤332： 分别计算从0时刻到t时刻正向计算出 向前隐含层的输出hf， 以及从t时刻到0 时刻反向计算出向后隐含层的输出hb； 步骤333： 将hf和hb通过式(5)计算得到最终特 征学习层的总输出H h＝f(hf,hb)                             (5) 其中， f(·)是全连接层的映射 函数。 7.如权利要求6所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 步骤34所述 计算RUL的P DF的公式为： y′＝[ μt, σt]＝woH+bo                        (9) 其中， y′t为第t时刻模型的预测值； μt为当前时刻的对数均值， σt为当前时刻的对数方 差； wo为权重矩阵； bo为偏置系数。 8.如权利要求7所述的一种机械设备剩余寿命区间预测方法， 其特征在于， 步骤35的具 体操作步骤 包括： 步骤351： 计算t0时刻对数均值和对数 方差： 权　利　要　求　书 2/3 页 3 CN 115204362 A 3