(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110518516.5 (22)申请日 2021.05.12 (65)同一申请的已公布的文献号 申请公布号 CN 113051839 A (43)申请公布日 2021.06.29 (73)专利权人 中国人民解 放军海军航空大 学 地址 264001 山东省烟台市芝罘区二马路 188号 (72)发明人 王瑞奇　徐廷学　李海君　顾钧元　 (74)专利代理 机构 深圳国联专利代理事务所 (特殊普通 合伙) 44465 专利代理师 张锋 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01)G06F 119/02(2020.01) (56)对比文件 CN 110851980 A,2020.02.28 CN 105225010 A,2016.01.0 6 CN 111310355 A,2020.0 6.19 US 20191389 26 A1,2019.0 5.09 李建华.基 于随机过程建模的机 械装备剩余 寿命预测研究. 《中国优秀硕士学位 论文全文数 据库信息科技 辑》 .2020, 陈远航.滚动轴承剩余寿 命预测算法研究及 监测软件开发. 《中国优秀硕士学位 论文全文数 据库信息科技 辑》 .2021, 朱磊.基于 Wiener 过程的民用航空发动机 性能可靠性预测. 《航空动力学》 .2013, 曾聿赟.基 于状态监测数据的核电厂设备寿 命预测算法研究. 《中国优秀硕士学位 论文全文 数据库信息科技 辑》 .2019, 审查员 袁爽 (54)发明名称 一种基于深度学习的设备剩余寿命预测模 型构建方法 (57)摘要 本发明公开了一种基于深度学习的设备剩 余 寿 命 预 测模 型 构建 方 法 。该 方 法 基 于 Transformer的多头注意力机制的深度学习模 型， 通过深度学习模型挖掘多维监测数据与产品 性能指标之间的耦合关系， 并通过Transformer 捕捉时序变化过程中的性能变化信息， 将试验样 本全寿命监测数据 ， 通过位置编码 ， 输入 Transformer模型进行再训练和预测， 通过n台样 本可靠性增长试验数据以及Wiener过程模型， 得 到Wiener过程的未知参数μ和σ的似然 函数， 得 到设备失效概率随时间变化的分布密度函数， 通 过积分求解 设备从健康到故障的预测时间， 最后 通过贝叶斯公式与后验概率求解设备基于可靠 性与性能一体化的剩余寿 命预测结果。 权利要求书3页 说明书8页 附图1页 CN 113051839 B 2022.09.30 CN 113051839 B 1.一种基于深度学习的设备剩余寿命预测模型构建方法， 其特 征在于以下步骤： 步骤S10： 收集产品可靠性增长试验数据， 初始化n台样品设备全寿命周期监测数据， 包 括任务剖面、 环境应力、 试验时间、 各项性能参数， 通过滑 窗将每台设备的数据分为多个监 测批次， 设第i台设备监测批次为mi； 取各设备前两批数据， 并标注其性能退化量为0.01～ 0.05的随机数， 取各设备的最后一批数据， 标注其性能退化量为0.9～0.91的随机数， 倒数 第二批数据， 标注其 性能退化 量为0.89～0.9之间的随机数； 步骤S20： 选用基于Transformer的多头注意力机制的深度学习模型， 将各设备首尾批 监测数据、 环境应力、 性能退化量标签值， 以及试验时间的位置编码， 输入性能退化仿真模 型进行训练； 步骤S30： 将试验样本全寿命监测数据， 通过位置编码， 输入Transformer模型进行再训 练和预测， 模 型最终预测结果即为试验样 本全寿命周期里的性能退化指标D HI； 然后画出所 有样品设备全寿命周期中性能退化指标， 选择产品性能退化的早期阶段， 即D HI变化不大的 剩余寿命区间[rulwmin,rulwmax]， 并以样本在剩余寿命区间[rulwmin,rulwmax]的DHI的均值加 2倍方差， 作为 早期退化过程的失效阈值， 其计算如下： DHIfault＝ μwmin+2σwmin； 其中 为剩余寿命区间最后阶段rulwmin的各样本性能退化指标， DHIfault为早期 退化过程的失效阈值， μwmin为剩余寿命区间最后阶段r ulwmin的各样本性能退化指标的均值， σwmin为剩余寿命区间最后阶段rulwmin的各样本性能退化指标的方差； 步骤S40： 对性能退化指标变化不大的剩余寿命区间[rulwmin,rulwmax]， 采用n台样本可 靠性增长试验数据以及Wiener过程模型， 得到Wiener过程的未知参数μ和σ 的似然函数， 并 计算参数 μ和σ 的极大似然估计值如下： 其中Wiener过程模型模型如下： 其中Δxij＝DHIij+1‑DHIij为i设备j+1时刻与j时刻性能退化的差值， σ 和 μ为Wiener过程 待求解参数， rulj为i设备j时刻的剩余寿命； 利用以下 方程组求 解参数 μ和σ 的极大似然估计值 和 步骤S50： 将所述的均值和方差参数估计值 和 以及设备性能失效阈值DHIfault， 代入权　利　要　求　书 1/3 页 2 CN 113051839 B 2Wiener过程损伤累积模 型的失效概率密度函数f(t)， 计算设备失效概率随时间变化的分布 密度函数如下： 其中MTBF(DHIfault)表示设备从性能退化指标为0的健康状态退化到故障失效阈值 DHIfault的预测时间； f(t)为Wiener过程损伤累积模型的失效概率密度函数； DHIfault为设备 性能失效阈值； 与 为基于Wiener过程的设备 退化性能指标均值和方差参数估计值； 步骤S60： 根据所述的设备退化性能指标均值和方差参数估计值与Wiener过程损伤累 积模型， 计算任意时刻i的设备状态到故障状态的平均故障时间MTBFi如下： MTBFi＝MTBF(DHIfault)‑MTBF(DHIi)， 其中DHIi表示设备当前的性能退化指标值； MTBFi为设备i时刻的平均故障时间， 即设备 的可靠性指标； DHIfault为设备从性 能退化指标为0的健康状态退化到故障失效阈值的预测 时间， MTBFi为设备i时刻的可靠性指标； 步骤S70， 通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布P(L)， 并 计算各剩余寿命条件下， 可靠性指标和性能指标的联合条件概 率分布函数如下： 权　利　要　求　书 2/3 页 3 CN 113051839 B 3