申请/专利权人：山东大学

申请日：2020-09-16

公开（公告）日：2024-04-26

公开（公告）号：CN112069738B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0442;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2020.12.29#实质审查的生效;2020.12.11#公开

摘要：本发明公开了一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法及系统，包括：获取电动舵机实时监测数据；对获取的实时监测数据进行预处理；将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；其中，所述舵机状态退化模型对预处理后的数据通过深度置信网络提取特征规律，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命。本发明采用基于DBN和多层模糊LSTM的深度学习网络模型进行电动舵机剩余寿命预测，可以有效地提取多维电动舵机传感器监测数据中的特征规律和序列的时间特征，提高剩余寿命预测的精度；提高舵机在运行时的安全性和可靠性。

主权项：1.一种基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法，其特征在于，包括：获取电动舵机实时监测数据；对获取的实时监测数据进行预处理；将预处理后的数据输入到训练好的舵机状态退化模型，输出预测的电动舵机剩余寿命；其中，所述舵机状态退化模型对预处理后的数据通过DBN深度置信网络提取特征规律，同时降低数据的特征维度，然后通过多层模糊LSTM网络提取数据序列中的时间特征；基于所述特征规律和时间特征，得到预测的电动舵机剩余寿命；其中，所述舵机状态退化模型的训练过程包括：获取电动舵机历史监测数据，构建训练数据集；对获取的历史监测数据进行预处理；采用平移时间窗的方法生成训练样本，具体方法为：每次输入模型的数据为num_time*num_sensor大小的二维张量；num_sensor为传感器变量选择方法选择的传感器维数，num_time为时间窗口大小，取值为30，每次向前滑动一个时间步，时间窗内最后时刻所对应的剩余寿命作为该样本的标签；将所述训练样本输入到舵机状态退化模型将进行训练，输出电动舵机的预测剩余寿命；其中，所述多层模糊LSTM网络，模糊化的具体方法为： 将应力算子整体应用于模型M，从而影响LSTM单元和RUL预测深度学习网络的层的权重，在LSTM模型M的输入门，输出门，遗忘门和组件节点上施加应力，ρ应力强度影响每层LSTM单元权重，数学表达式如下： 其中，ft表示遗忘门控单元，it表示输入门控单元，表示单元格状态的候选值，ot表示输出门控单元，σ表示每个门的激活函数，Wf、Wf'、Wi、Wi'、Wo、Wo'、WC、WC'表示权重，ht表示隐藏层状态，bf、bi、bo、bC表示偏差，xt表示当前时刻的输入；其中，所述多层模糊LSTM网络后面接一个全连接层，全连接层最终输出预测的电动舵机的剩余寿命。

全文数据：

权利要求：

百度查询： 山东大学 基于DBN和多层模糊LSTM的电动舵机剩余寿命预测方法及系统

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