本發(fā)明屬于機(jī)器學(xué)習(xí)，具體涉及一種制造業(yè)設(shè)備安全使用壽命預(yù)測(cè)方法。

背景技術(shù)：

1、制造業(yè)設(shè)備的安全使用壽命預(yù)測(cè)是確保工廠高效運(yùn)營(yíng)和避免意外停機(jī)的關(guān)鍵技術(shù)，傳統(tǒng)上，設(shè)備維護(hù)主要依靠定期檢查和經(jīng)驗(yàn)判斷，這種方法不僅耗時(shí)耗力，而且難以提前發(fā)現(xiàn)設(shè)備潛在的故障風(fēng)險(xiǎn)，此外，基于固定時(shí)間間隔的預(yù)防性維護(hù)策略可能導(dǎo)致不必要的停機(jī)和資源浪費(fèi)，無(wú)法最大化設(shè)備的使用壽命。

2、制造業(yè)設(shè)備安全使用壽命數(shù)據(jù)為多維時(shí)間序列數(shù)據(jù)，具有設(shè)備故障和使用壽命與多種因素之間存在復(fù)雜的非線(xiàn)性關(guān)系，且由于數(shù)據(jù)為傳感器提取數(shù)據(jù)，其可能包含大量噪聲與缺失值，使得預(yù)測(cè)變得困難，當(dāng)前機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)在處理時(shí)間序列數(shù)據(jù)和非線(xiàn)性關(guān)系方面表現(xiàn)出了顯著的優(yōu)勢(shì)，其通過(guò)特征提取和模型訓(xùn)練等技術(shù)手段來(lái)提升預(yù)測(cè)精度，適用于對(duì)制造業(yè)設(shè)備狀態(tài)分類(lèi)和設(shè)備安全使用壽命預(yù)測(cè)。

3、目前，設(shè)備安全使用壽命預(yù)測(cè)技術(shù)存在幾個(gè)不足，傳統(tǒng)機(jī)器學(xué)習(xí)方法難以處理海量的傳感器數(shù)據(jù)和復(fù)雜的設(shè)備運(yùn)行狀態(tài)，導(dǎo)致預(yù)測(cè)模型的準(zhǔn)確性和實(shí)時(shí)性較差；現(xiàn)有機(jī)器學(xué)習(xí)技術(shù)往往只關(guān)注設(shè)備的單一參數(shù)，缺乏對(duì)多種參數(shù)的綜合分析，無(wú)法全面反映設(shè)備的健康狀態(tài)；大多數(shù)機(jī)器學(xué)習(xí)預(yù)測(cè)模型在面對(duì)不同類(lèi)型的設(shè)備和工況時(shí)，需要進(jìn)行大量的調(diào)整和重新訓(xùn)練，適應(yīng)性和普遍性較差，本發(fā)明針對(duì)上述問(wèn)題，提出一種制造業(yè)設(shè)備安全使用壽命預(yù)測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種制造業(yè)設(shè)備安全使用壽命預(yù)測(cè)方法，旨在提出camenet預(yù)測(cè)模型，由復(fù)合注意力模塊、專(zhuān)家混合模塊和整合模塊組成，其中復(fù)合注意力模塊能夠同時(shí)關(guān)注局部和全局特征，提高模型的表達(dá)能力，專(zhuān)家混合模塊能夠根據(jù)輸入的設(shè)備安全使用壽命數(shù)據(jù)特性自適應(yīng)選擇路徑，提高模型的靈活性和泛化能力，整合模塊通過(guò)整合多尺度特征，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性。

2、本發(fā)明提出制造業(yè)設(shè)備安全使用壽命預(yù)測(cè)模型，具體包括以下步驟：

3、?s1、收集制造業(yè)設(shè)備安全使用壽命相關(guān)數(shù)據(jù)，包括特征和目標(biāo)變量，對(duì)收集的數(shù)據(jù)進(jìn)行預(yù)處理；

4、?s2、對(duì)預(yù)處理后的數(shù)據(jù)使用批歸一化法進(jìn)行歸一化操作，并劃分?jǐn)?shù)據(jù)集；

5、?s3、構(gòu)建復(fù)合注意力模塊，用于處理設(shè)備安全使用壽命數(shù)據(jù)的局部和全局信息，具體包括以下步驟：

6、?s31、將輸入的設(shè)備安全使用壽命時(shí)序數(shù)據(jù)劃分為不同大小的個(gè)片段；

7、?s32、引入片段內(nèi)的動(dòng)態(tài)縮放因子，在每個(gè)片段內(nèi)執(zhí)行注意力計(jì)算，并將所有片段注意力結(jié)果進(jìn)行連接；

8、?s33、引入片段間的動(dòng)態(tài)縮放因子，在片段間執(zhí)行注意力計(jì)算，將片段內(nèi)和片段間的注意力結(jié)果加權(quán)融合；

9、?s4、構(gòu)建專(zhuān)家混合模塊，用于處理設(shè)備安全使用壽命數(shù)據(jù)的周期性和趨勢(shì)模式，具體步驟如下：

10、?s41、進(jìn)行周期分解，使用快速傅里葉變換將設(shè)備安全使用壽命時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域，選擇幅度最大的個(gè)頻率分量進(jìn)行逆變換得到周期量；

11、?s42、進(jìn)行趨勢(shì)分解，對(duì)剩余部分，使用不同核的平均池化進(jìn)行指數(shù)移動(dòng)平均，得到趨勢(shì)量；

12、?s43、進(jìn)行專(zhuān)家選擇，使用分解結(jié)果生成專(zhuān)家權(quán)重，并選擇權(quán)重最大的值；

13、?s5、構(gòu)建整合模塊，對(duì)復(fù)合注意力模塊和專(zhuān)家混合模塊的輸出進(jìn)行加權(quán)聚合，得到輸出；

14、?s6、使用全連接層對(duì)不同尺度的特征進(jìn)行處理，并獲得制造業(yè)設(shè)備安全使用壽命的預(yù)測(cè)值。

15、優(yōu)選地，所述步驟s1中，制造業(yè)設(shè)備安全使用壽命相關(guān)數(shù)據(jù)包括設(shè)備運(yùn)行時(shí)間、設(shè)備使用頻率、設(shè)備工作環(huán)境溫度、設(shè)備負(fù)載情況、設(shè)備震動(dòng)數(shù)據(jù)、設(shè)備電流和電壓傳感器數(shù)據(jù)、設(shè)備維護(hù)歷史數(shù)據(jù)、設(shè)備保養(yǎng)周期數(shù)據(jù)，使用原則處理制造業(yè)設(shè)備安全使用壽命數(shù)據(jù)中的異常值，具體公式如下：

16、?；

17、式中，為異常值，為設(shè)備安全使用壽命數(shù)據(jù)的均值，為備安全使用壽命數(shù)據(jù)的標(biāo)準(zhǔn)差。

18、優(yōu)選地，所述步驟s2中，對(duì)預(yù)處理后的數(shù)據(jù)使用層歸一化法進(jìn)行歸一化操作，并按比例劃分?jǐn)?shù)據(jù)集，具體公式如下：

19、?；

20、式中，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)，為小批次的均值，為小批次的標(biāo)準(zhǔn)差，為可學(xué)習(xí)的縮放參數(shù)，為可學(xué)習(xí)的偏移參數(shù)。

21、優(yōu)選地，所述步驟s3，s31中定義個(gè)片段大小值的集合為，每個(gè)片段大小對(duì)應(yīng)片段一個(gè)分割操作，其將設(shè)備安全使用壽命時(shí)序數(shù)據(jù)分割為個(gè)片段，分別為，具體公式如下：

22、?；

23、式中，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)長(zhǎng)度，為片段大小，則每個(gè)片段為，為設(shè)備安全使用壽命的特征維度，為第個(gè)片段的大小。

24、優(yōu)選地，片段化處理通過(guò)將長(zhǎng)時(shí)間的設(shè)備安全使用壽命時(shí)序數(shù)據(jù)分割為多個(gè)較小的片段，使得模型能夠更加細(xì)致地處理每個(gè)片段的數(shù)據(jù)特征，有助于模型在局部范圍內(nèi)捕捉數(shù)據(jù)的細(xì)節(jié)，同時(shí)保留整體的時(shí)間順序信息，具體地，每個(gè)片段代表設(shè)備在某一時(shí)間段內(nèi)的運(yùn)行狀態(tài)，多個(gè)片段組合起來(lái)反映設(shè)備的整體使用情況，不僅提升了數(shù)據(jù)的表達(dá)能力，還使得模型能夠處理不同長(zhǎng)度和時(shí)間步長(zhǎng)的數(shù)據(jù)，提高了模型的靈活性和適應(yīng)性，片段的劃分使得模型能夠在局部范圍內(nèi)更好地捕捉數(shù)據(jù)的細(xì)節(jié)，提高了特征提取的準(zhǔn)確性。

25、優(yōu)選地，所述步驟s3，s32中對(duì)第個(gè)片段，首先將其沿著特征維度進(jìn)行嵌入變換，使其轉(zhuǎn)換為新的特征嵌入維度，得到片段內(nèi)的表示，通過(guò)線(xiàn)性變換獲得查詢(xún)、鍵和值，并引入動(dòng)態(tài)縮放因子，進(jìn)行片段內(nèi)的注意力計(jì)算，具體公式如下：

26、?；

27、式中，、、為片段內(nèi)的查詢(xún)矩陣、鍵矩陣和值矩陣，為嵌入后的特征嵌入維度，為片段內(nèi)的動(dòng)態(tài)縮放因子，可以根據(jù)輸入數(shù)據(jù)動(dòng)態(tài)調(diào)整注意力權(quán)重，經(jīng)過(guò)片段內(nèi)的注意力計(jì)算后，第個(gè)片段的大小由轉(zhuǎn)變?yōu)椋唇铀衅蝺?nèi)的注意力結(jié)果，具體公式如下：

28、?；

29、式中，為所有片段內(nèi)部的注意力機(jī)制結(jié)果的拼接輸出，維度為，為第個(gè)片段的片段內(nèi)部注意力結(jié)果，為拼接操作。

30、優(yōu)選地，動(dòng)態(tài)縮放因子使得模型能夠根據(jù)每個(gè)時(shí)間步的重要性動(dòng)態(tài)調(diào)整注意力權(quán)重，從而提高特征表示的準(zhǔn)確性，增強(qiáng)了模型對(duì)不同時(shí)間步重要性的識(shí)別能力，使得模型在處理局部特征時(shí)能夠更加靈活和精準(zhǔn)，在每個(gè)片段內(nèi)通過(guò)線(xiàn)性變換獲得查詢(xún)、鍵和值，并進(jìn)行注意力計(jì)算，將各片段的注意力結(jié)果進(jìn)行連接，能夠有效地捕捉局部特征，通過(guò)連接操作綜合各片段的特征信息，進(jìn)一步提升了特征提取的效果。

31、優(yōu)選地，所述步驟s3，s33中對(duì)劃分為片段的設(shè)備安全使用壽命時(shí)序數(shù)據(jù)沿著特征維度嵌入到特征嵌入維度，并將嵌入后的數(shù)據(jù)重新排列，將片段大小和特征嵌入組合，得到片段間的表示，其中，通過(guò)線(xiàn)性變換獲得查詢(xún)、鍵和值，并引入動(dòng)態(tài)縮放因子，進(jìn)行片段間的注意力計(jì)算，具體公式如下：

32、?；

33、式中，、、為片段間的查詢(xún)矩陣、鍵矩陣和值矩陣，為嵌入后的特征組合維度，為片段間的動(dòng)態(tài)縮放因子，結(jié)合自適應(yīng)權(quán)重策略，通過(guò)線(xiàn)性層將片段內(nèi)的表示和片段間的表示與設(shè)備安全使用壽命時(shí)序數(shù)據(jù)組合生成自適應(yīng)權(quán)重，具體公式如下：

34、?；

35、?；

36、式中，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)，為片段內(nèi)的表示，為片段間的表示，為自適應(yīng)權(quán)重的輸入數(shù)據(jù)，為可學(xué)習(xí)權(quán)重矩陣，為偏置項(xiàng)，通過(guò)自適應(yīng)權(quán)重對(duì)片段內(nèi)和片段間的注意力結(jié)果加權(quán)融合，具體公式如下：

37、?；

38、式中，、為自適應(yīng)權(quán)重，片段內(nèi)的注意力結(jié)果，為片段間的注意力結(jié)果。

39、優(yōu)選地，片段間的動(dòng)態(tài)縮放因子使得模型能夠動(dòng)態(tài)調(diào)整片段間的注意力權(quán)重，從而增強(qiáng)對(duì)全局特征的捕捉能力，提高了模型在處理全局特征時(shí)的靈活性和準(zhǔn)確性在片段間的注意力計(jì)算中，通過(guò)線(xiàn)性變換獲得查詢(xún)、鍵和值，結(jié)合自適應(yīng)權(quán)重策略，將片段內(nèi)和片段間的注意力結(jié)果加權(quán)融合，能夠綜合考慮不同尺度上的特征，提升對(duì)數(shù)據(jù)的全面理解。

40、優(yōu)選地，所述步驟s4，s41中利用快速傅里葉變換將設(shè)備安全使用壽命時(shí)序數(shù)據(jù)分解為頻域，并計(jì)算頻域中每個(gè)頻率分量的幅度，具體公式如下：

41、?；

42、?；

43、式中，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)，為快速傅里葉變換，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)在頻域中的表示，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)在頻域中第個(gè)頻率分量的復(fù)數(shù)值，、為頻率分量的實(shí)部和虛部，然后對(duì)幅度進(jìn)行排序，選擇幅度最大的個(gè)頻率分量的索引，具體公式如下：

44、?；

45、?；

46、式中，為對(duì)頻率分量的幅度進(jìn)行升序排序后得到的索引數(shù)組，為在升序排序后的索引中選擇幅度最大的個(gè)頻率分量的索引，構(gòu)建頻域掩碼，保留最顯著的個(gè)頻率分量，并對(duì)掩碼后的頻域表示進(jìn)行逆快速傅里葉變換，得到周期量，具體公式如下：

47、?；

48、?；

49、式中，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)在頻域中第個(gè)頻率分量的復(fù)數(shù)值，為逆快速傅里葉變換，為掩碼后的頻域表示。

50、優(yōu)選地，使用快速傅里葉變換將設(shè)備安全使用壽命時(shí)序數(shù)據(jù)轉(zhuǎn)換為頻域，選擇幅度最大的頻率分量進(jìn)行逆變換得到周期量，快速傅里葉變換能夠?qū)r(shí)間序列數(shù)據(jù)轉(zhuǎn)換為頻域表示，從而識(shí)別出數(shù)據(jù)中的周期性成分，使模型能夠準(zhǔn)確捕捉設(shè)備運(yùn)行中的周期性變化，增強(qiáng)了對(duì)數(shù)據(jù)周期性的理解和預(yù)測(cè)能力，且此類(lèi)周期分解方法有助于揭示數(shù)據(jù)中的周期性模式，為后續(xù)的趨勢(shì)分析提供基礎(chǔ)。

51、優(yōu)選地，所述步驟s4，s42中從原始設(shè)備安全使用壽命時(shí)序數(shù)據(jù)中減去周期量，得到殘差部分，具體公式如下：

52、?；

53、式中，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)，為設(shè)備安全使用壽命數(shù)據(jù)的周期量，使用不同的核對(duì)剩余部分，進(jìn)行指數(shù)移動(dòng)平均操作，對(duì)于每個(gè)核，進(jìn)行指數(shù)移動(dòng)平均操作和平均池化操作，具體公式如下：

54、?；

55、?；

56、式中，為指數(shù)移動(dòng)平均函數(shù)，為使用第個(gè)核進(jìn)行指數(shù)移動(dòng)平均的結(jié)果，為平均池化函數(shù)，為使用第個(gè)核進(jìn)行平均池化的結(jié)果，為剩余部分，對(duì)不同核的數(shù)移動(dòng)平均結(jié)果和平均池化結(jié)果進(jìn)行加權(quán)操作，具體公式如下：

57、?；

58、式中，為線(xiàn)性變換函數(shù)，為核的數(shù)量，為剩余部分，為使用第個(gè)核進(jìn)行平均池化的結(jié)果，為使用第個(gè)核進(jìn)行指數(shù)移動(dòng)平均的結(jié)果。

59、優(yōu)選地，對(duì)剩余部分使用不同核的平均池化進(jìn)行指數(shù)移動(dòng)平均得到趨勢(shì)量，趨勢(shì)分解方法通過(guò)對(duì)數(shù)據(jù)中的長(zhǎng)期趨勢(shì)成分進(jìn)行提取，結(jié)合不同核的平均池化和平滑操作，能夠有效去除數(shù)據(jù)中的噪聲，提取出數(shù)據(jù)的趨勢(shì)特征，提高對(duì)數(shù)據(jù)趨勢(shì)的捕捉能力，且此類(lèi)方法有助于模型在長(zhǎng)期預(yù)測(cè)中表現(xiàn)更佳。

60、優(yōu)選地，所述步驟s4，s43中將原始設(shè)備安全使用壽命時(shí)序數(shù)據(jù)中加入設(shè)備安全使用壽命數(shù)據(jù)的周期量和設(shè)備安全使用壽命數(shù)據(jù)的趨勢(shì)量進(jìn)行線(xiàn)性變換，沿時(shí)間維度進(jìn)行變換合并，具體公式如下：

61、?；

62、式中，為線(xiàn)性映射函數(shù)，為設(shè)備安全使用壽命時(shí)序數(shù)據(jù)，為設(shè)備安全使用壽命數(shù)據(jù)的周期量，為設(shè)備安全使用壽命數(shù)據(jù)的趨勢(shì)量，之后使用專(zhuān)家函數(shù)生成專(zhuān)家權(quán)重，并選擇權(quán)重最大的值，具體公式如下：

63、?；

64、?；

65、式中，為周期和趨勢(shì)分解結(jié)果，、為權(quán)值生成的可學(xué)習(xí)參數(shù)，為正態(tài)分布的噪聲項(xiàng)，為平滑版的relu函數(shù)，用于確保輸出的非負(fù)性，為專(zhuān)家函數(shù)生成的專(zhuān)家權(quán)重。

66、優(yōu)選地，使用分解結(jié)果生成專(zhuān)家權(quán)重，并選擇權(quán)重最大的值，專(zhuān)家選擇機(jī)制通過(guò)根據(jù)周期和趨勢(shì)分解的結(jié)果生成專(zhuān)家權(quán)重，動(dòng)態(tài)選擇最適合的片段劃分大小，從而優(yōu)化特征表示，其能夠自適應(yīng)地選擇最優(yōu)的特征表示，提高了模型的靈活性和泛化能力，通過(guò)選擇權(quán)重最大的值，模型能夠動(dòng)態(tài)調(diào)整自身結(jié)構(gòu)，適應(yīng)不同的數(shù)據(jù)特性，提高預(yù)測(cè)精度，同時(shí)提升了模型的適應(yīng)性和靈活性。

67、優(yōu)選地，所述步驟s5中，對(duì)復(fù)合注意力模塊和專(zhuān)家混合模塊的輸出進(jìn)行加權(quán)聚合，具體公式如下：

68、?；

69、式中，為專(zhuān)家權(quán)重選擇的不同片段大小的注意力結(jié)果，為特征對(duì)齊操作，為指示函數(shù)，當(dāng)專(zhuān)家權(quán)重大于0時(shí)輸出1，否則輸出0，為周期和趨勢(shì)分解結(jié)果。

70、優(yōu)選地，對(duì)復(fù)合注意力模塊和專(zhuān)家混合模塊的輸出進(jìn)行加權(quán)聚合，加權(quán)聚合通過(guò)綜合利用不同模塊的輸出，確保模型在多尺度特征提取過(guò)程中能夠自適應(yīng)地整合有用的信息，增強(qiáng)模型對(duì)多尺度特征的整合能力，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性，通過(guò)對(duì)不同模塊輸出的加權(quán)處理，模型能夠更全面地捕捉數(shù)據(jù)中的特征，提升對(duì)數(shù)據(jù)的全面理解和預(yù)測(cè)效果。

71、優(yōu)選地，所述步驟s6中，通過(guò)全連接層對(duì)加權(quán)聚合后的輸出進(jìn)行處理，并獲得制造業(yè)設(shè)備安全使用壽命的預(yù)測(cè)值，具體公式如下：

72、?；

73、式中，為加權(quán)聚合后的輸出，為全連接層的權(quán)重矩陣，為全連接層的偏置向量，為設(shè)備安全使用壽命的預(yù)測(cè)值。

74、綜上所述，由于采用本技術(shù)方案，本發(fā)明的有益效果為：本發(fā)明提出camenet預(yù)測(cè)模型，應(yīng)用于制造業(yè)設(shè)備安全使用壽命預(yù)測(cè)場(chǎng)景，由復(fù)合注意力模塊、專(zhuān)家混合模塊和整合模塊組成，其中復(fù)合注意力模塊通過(guò)融合片段內(nèi)注意力和片段間注意力，使模型能夠同時(shí)掌握局部和全局的時(shí)間依賴(lài)性，提高模型的表達(dá)能力，同時(shí)引入動(dòng)態(tài)縮放因子，使得模型能夠根據(jù)每個(gè)時(shí)間步的重要性動(dòng)態(tài)地調(diào)整注意力權(quán)重，從而提高預(yù)測(cè)性能，專(zhuān)家混合模塊能夠根據(jù)輸入的設(shè)備安全使用壽命數(shù)據(jù)特性自適應(yīng)生成專(zhuān)家權(quán)重，動(dòng)態(tài)選擇最優(yōu)的片段劃分大小，提高了模型的靈活性和泛化能力，整合模塊根據(jù)專(zhuān)家權(quán)重進(jìn)行加權(quán)聚合，確保模型在多尺度特征提取過(guò)程中能夠自適應(yīng)地整合有用的信息。