一种基于时序图推理的设备剩余使用寿命预测方法

1.本发明属于计算机软件技术领域，涉及一种基于多变量分析的时序图推理模型推理设备剩余使用寿命方法，是通过深度学习模型拟合回归函数，推测设备的使用寿命。


背景技术：

2.设备的剩余使用寿命预测(remaining useful life,rul)作为设备健康管理(prognostics and health management,phm)的关键技术之一，其预测信息可避免灾难性故障，有效保障设备或系统的安全性和可靠性，并能够给维修人员的维修决策和备件订购等活动提供指导性依据，达到降低成本、提高效率的目的。
3.时序图(sequence diagram)是通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。它可以表示用例的行为顺序，当执行一个用例行为时，其中的每条消息对应一个类操作或状态机中引起转换的触发事件。
4.图神经网络(graph neural network，gnn)是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
5.随着高新技术的发展和生产工艺的进步，一大批科技含量高、结构复杂的设备已经投入到我国工业和国防等领域。但设备中某些部件在运行过程中由于疲劳磨损、腐蚀、老化等原因，设备性能的退化将无法避免，一旦因性能退化造成设备失效，可能会引起事故和不必要的人员伤亡，造成灾难性的后果以及重大的经济损失。如果在设备性能退化初期对其剩余使用寿命进行精确的预测，可为运维人员的预防性维修和备件订购等活动提供指导性依据，较大程度上减少不必要的停机时间，避免事故的发生，进而有效保障设备的安全性和可靠性、提高任务的完成率。
6.现有技术中，对rul技术的分类包括基于机理模型的预测方法、基于数据驱动的预测方法以及基于机理模型和数据混合驱动的预测方法。基于机理模型的rul预测方法通过设备的失效机理，结合设备先验知识构建数学模型，并通过实时采集的监测数据，实时对设备的使用寿命预估。随着传感器技术的快速发展，获取设备的状态监测数据变得愈发容易，这也给数据驱动的剩余使用寿命预测方法提供了契机。此类方法不依赖设备或系统的机理知识，可以缓解机理模型建模对复杂设备或系统建模困难的问题。该预测方法主要分为统计模型方法和机器学习方法。由于机器学习拥有强大的数据处理能力，且无需通过先验知识建立退化机理模型，采用机器学习的方法进行设备剩余使用寿命预测已经成为工业界和学术界的研究热点。基于机器学习的预测方法又可以进一步分为传统机器学习预测方法和深度学习预测方法。深度学习方法可以从大规模数据中自主发现深层数据特性，实现退化特征的自动提取，为rul预测提供分析依据。卷积神经网络基于不同大小的感受野组合，学习统一时间段内，不同感知节点间的关联关系，从中发现设备退化状态，进而预测剩余使用寿命。循环神经网络在处理具有时间依赖性的数据时有着较为明显的优势。为了充分挖掘设备状态监测数据的时序特征，部分研究人员采用传统循环神经网络模型或其扩展方法进
行设备的剩余使用寿命预测。但由于梯度消失或爆炸，使得其缺乏学习长期时间依赖的能力。为了解决该问题，部分学者采用lstm或其他改进方法进行复杂剩余使用寿命预测。近期，随着transformer网络模型的提出，该模型被广泛应用于机器翻译、交通流量预测等领域。由于该模型利用注意力机制处理序列数据，这使得它可以更好的捕获长期依赖关系，并且可以自主发现设备发生状态转变的关键时间节点。受益于注意力带来的序列长距离影响表示能力，transformer网络模型能够充分挖掘设备传感器数据间的时空关联，在设备剩余使用寿命预测中取得了卓越表现。
7.对于常见的用于rul预测的机理模型，随着设备或系统的结构复杂性变高以及设备运行环境的多样性，故障模式和失效机理也变的更为复杂，存在各种故障模式相互耦合的问题，导致很难建立合理的机理模型，无法在实际工程应用中得到广泛推广。
8.基于数据驱动的深度学习方法中，卷积神经网络关注不同传感器节点间的关联关系，发现其退化特征信息，但对时序特征的提取能力不足，不利于预测设备剩余使用寿命这一具备时序特性的任务。当前深度学习模型主要关注各传感器局部时间范围的关联，未考虑在一个较长周期内，各传感器之间的关联关系模式及其影响、变化情况。实际上，不同传感器节点之间的感知数据，存在一定的关联，如正关联、负关联、传递关联等。而在设备运行的不同阶段，关联性也会随之改变，预示着设备性能的退化。以飞行器工作为例，在其运行早期，相近的部件之间可以保持震动模式的一致性、传递性；而随着工作架次的累积、部件的老化和结合部的松动，这种一致性会逐步减弱，并预示着潜在的设备故障的出现。为此，利用不同传感器节点间关联关系的模式规律、演变趋势，同样能够反映出设备的稳定性变化，进而为剩余使用寿命预测提供更加充分的佐证。同时，transformer模型仍未能利用设备在运行过程中的各部件的状态变化趋势，其具体体现为无法学习不同传感器关联关系的演变及变化规律。从而为图神经网络，特别是基于时序图神经网络的剩余使用寿命预测模型提供了动机。
9.综上所述，随着设备结构复杂性变高以及运行环境的多样性，导致采用基于机理模型的剩余使用寿命预测方法泛化性差、成本代价高、难以在实际工程应用中得到广泛推广。同时，基于数据驱动的方法虽然可以有效降低建模过程中对机理知识的依赖，有效解决复杂设备建模困难的问题，但现有的方法大多仅考虑了传感器监测数据的时序特征提取，而忽略了设备运行过程中传感器间关联关系的模式规律及演变趋势。所以需要一种既可以充分挖掘时序特征，又可以充分利用传感器间关联关系变化规律的剩余使用寿命预测方法，更深层次地挖掘蕴藏的设备退化信息，进而提升对设备剩余使用寿命预测的精确性。


技术实现要素：

10.针对现有技术中存在的问题，本发明的目的在于提供一种基于时序图推理的设备剩余使用寿命预测方法。本发明能够充分利用传感器运行状态耦合关系及其变化趋势，挖掘其中蕴含的设备性能退化信息，用于设备剩余使用寿命精确预测。通过构建多个连续时间切片内的传感器节点关系图，并基于连续的图结构进行表示学习，充分发现设备各部件间的状态时空关联，刻画不同传感器节点间关联关系的变化过程。该模型能够预测未来时刻的节点属性、关联、以及整体信息，从而作为剩余使用寿命预测的分析依据。
11.本发明的技术方案为：
12.一种基于时序图推理的设备剩余使用寿命预测方法，其步骤包括：
13.1)构建预测模型，以及获取运行中设备传感器的感知数据；其中，所述预测模型包括时序图构建模块、节点关联特征学习网络、剩余使用寿命映射模块；在所述的n个目标部位上分别设置一传感器，第i个传感器对应的感知数据序列为{d
i1
,d
i2
,...,d
ij
,...}，d
ij
表示第i个传感器在第j个运行时刻采集的感知数据，i＝1～n；
14.2)所述时序图构建模块将每一所述传感器作为一个节点，基于当前时刻t0各传感器对应的感知数据序列构建一个时序图序列g中的第j个图gj＝{vj,ej}为第j个运行时刻对应的时序图，vj表示第j个运行时刻对应的节点集合，ej表示节点集合vj内节点间的关联，其中e
jik
∈ej，表示第j个运行时刻节点vi和节点vj间的关联类型；根据节点vi第j个运行时刻及其之前采集的感知数据构成的子序列d
ij
和节点vk第j个运行时刻及其之前采集的感知数据构成的子序列d
kj
，计算得到e
jik
；
15.3)所述节点关联特征学习网络基于传感器感知数据和时序图序列g进行特征学习，得到各运行时刻的传感器节点特征矩阵和传感器关联特征；
16.4)所述剩余使用寿命映射模块通过回归分析，利用所得到各运行时刻的传感器节点特征矩阵和传感器关联特征，预测得到所述设备的剩余使用寿命t。
17.进一步的，所述节点关联特征学习网络首先采样图卷积网络对第t运行时刻对应的时序图g
t
进行特征聚合，得到节点关联特征和关系聚合特征r
′
t
；然后基于门控机制的循环神经网络gru根据节点关联特征和第t-1运行时刻对应的节点关联特征h
t-1
进行特征学习，得到第t运行时刻对应的传感器节点特征矩阵h
t
；然后根据第t-1时刻对应的关系特征矩阵r
t-1
和第t运行时刻对应的关系聚合特征r
′
t
得到传感器关联特征r
t
。
18.进一步的，所述循环神经网络gru包括实体门控循环单元和关系门控循环单元；所述实体门控循环单元将第t-1运行时刻对应的时序图g
t-1
中最后一个时间戳的传感数据进行复制得到并将其与拼接得到然后将和第t-1运行时刻对应的传感器节点特征矩阵h
t-1
进行拼接得到第t运行时刻对应的传感器节点特征矩阵h
t
；所述关系门控循环单元将第t-1运行时刻对应的时序图g
t-1
中最后一个时间戳的传感数据进行复制得到并将其与第t-1运行时刻的r
′
t-1
拼接得到r
″
t-1
，将r
″
t-1
和t-1时刻对应的传感器关联特征r
t-1
输入所述循环神经网络gru得到第t运行时刻对应的传感器关联特征r
t
。
19.进一步的，步骤4)中，所述剩余使用寿命映射首先将各运行时刻的传感器节点特征矩阵和传感器关联特征转化为一维特征向量x＝flatten([h
t
；r
t
])；然后将该一维特征向量x输入单层神经网络，预测得到所述设备的剩余使用寿命t。
[0020]
进一步的，采用动态时间归整算法计算数据子序列为d
ij
和d
kj
之间的相似度之间的相似度作为得到e
jik
。
[0021]
进一步的，为归一化值，nr为划分出的区间个数，即关系数目，为向下取整。
[0022]
一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所
述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行上述方法中各步骤的指令。
[0023]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述方法的步骤。
[0024]
本发明的优点如下：
[0025]
1、本发明提出的mstkg模型，结合图结构和时序数据，通过捕捉设备各部件的运行状态耦合关系及其变化趋势，基于传感器节点关联特征和感知数据时序特征，挖掘其中蕴含的设备性能退化信息。
[0026]
2、本发明提出一种基于图推理的剩余使用寿命预测框架，能够利用并结合不同传感器在同一时段的关联关系、传感器在不同时段的关联关系和传感器中感知数据所蕴含的关联关系，发现设备性能的退化。
[0027]
3、本发明设计了一个时序图卷积神经网络，在聚合传感器节点特征、传感器关联关系特征两部分特征的基础上，引入原始传感器数据扩充特征语义，进行特征的扁平化处理和拼接操作，完成了节点关联关系的学习。此网络比使用单一特征学习的网络所取得的设备剩余使用寿命预测结果误差更小，鲁棒性更强。
附图说明
[0028]
图1为本发明的架构图。
[0029]
图2为dtw示意图。
具体实施方式
[0030]
下面结合附图对本发明进行进一步详细描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0031]
本发明提出了一种基于时序图推理的设备剩余使用寿命预测方法，以解决现有设备剩余使用寿命预测模型的准确率仍存在进步空间的问题，基于机理模型的方法泛化性差且成本高，难以在实际工程应用中得到推广；而基于数据驱动的方法虽然可以解决复杂设备建模困难的问题，但现有的方法大多仅考虑了传感器监测数据的时序特征提取，而忽略了设备运行过程中传感器间关联关系的模式规律及演变趋势。
[0032]
本发明提出基于多变量分析的时序图推理模型(multivariate similarity temporal knowledge graph,mstkg)，支撑剩余使用寿命预测。模型整体结构如图1所示，主要有3个部分组成：图构建模块(graph construction model)将传感器的感知数据划分为若干时间片，并构建按照时序排列的节点关联图；节点关联特征学习模块采用局部循环编码网络(local recurrent encoder)，分别针对传感器节点时空关联演变特征和原始感知数据信息进行建模与表示学习；最后，采用回归模型将设备状态特征映射到连续空间中，实现剩余使用寿命预测。
[0033]
为解决上述技术问题，本发明提供了如下技术方案：
[0034]
s1，获取运行中设备传感器的感知数据，定义模型的输入，输出及优化目标；
[0035]
表1为部分传感器的描述信息
[0036][0037]
如表1所示为部分传感器的描述，本实施例所采集的感知数据包括震动幅度、温度、风速，具体为：运行中的设备，在不同部分共集成了n个传感器，定义为{s1,s2,...,sn}；每个传感器以t0频率进行数据采集，记录其所在部件的工作状态参数，所有的感知数据形成数据集合{{d
11
,d
12
,...},{d
21
,d
22
,...},...,{d
i1
,d
i2
,...},...,{d
n1
,d
n2
,...}}，其中，d
ij
表示第i个传感器在第j个运行时刻采集的感知数据。比如对于发动机设备，传感器a采集发动机风扇进口温度，传感器b采集低压压气机出口温度；传感器的感知数据是时序的，所以存在不同传感器在不同时刻的数据。
[0038]
进一步地，定义模型输入为感知数据的集合其中t0为当前时刻；模型输出为即在t0时刻，对设备剩余使用寿命时间的预测值；模型优化目标为假设其中f()为预测模型，假如设备在工作t个运行时刻后出现故障，则在任意当前时刻t0，设备的剩余使用寿命记为|t-t0|，则优化目标为最小化
[0039]
s2，设计时序图结构，实现不同时段下，传感器节点的关联表示；
[0040]
具体时序图结构定义如下：为一个时序图序列，其中，每个gj＝{vj,ej}为对应第j个时间段的时序图，vj表示j时间段的节点集合，记为vj＝{v
j1
,...}，ej表示节点集合vj内节点间的关联，其中e
jik
∈ej，表示j时刻节点vi和vk的关系类型。每个时间段的节点集合均为上述n个传感器。
[0041]
时序图模型能够刻画节点在不同时段的关联关系，从而建模其变化趋势，为剩余使用寿命预测提供相关信息；
[0042]
时序图中节点的定义方式如下：将时序图中节点定义为各个传感器，即：
[0043][0044][0045]
…
[0046][0047]
为便于记录，略去时间段下标，简记为{v1,v2,...,vn}。
[0048]
时序图中边的定义方式如下：假设任意两个节点间存在关联性，通过边的权值表示。具体的，针对e
jik
，即第j个时间段内，传感器vi与vk的关联，首先截取数据子集：
[0049]dij
＝{d
i(j-1)*p+1
,d
i(j-1)*p+2
,...,d
i(j-1)*p+p
}
[0050]dkj
＝{d
k(j-1)*p+1
,d
k(j-1)*p+2
,...,d
k(j-1)*p+p
}
[0051]
对于每一对数据子序列d
ij
和d
kj
，采用动态时间归整算法计算数据子序列之间的相似度，作为节点关联度量。
[0052][0053]
dtw是一种常用的序列距离度量方法，能够衡量两个序列的模式相似度，并允许存在模式的偏移和拉伸。如图2所示，dtw方法会自适应的寻找两个序列的最佳匹配模式。dtw度量方法能够刻画两个序列间的模式关联性，并且不受时间偏移的影响，能够更好的表示传感器节点间的状态关系，如震动在设备不同部分的传递情况以及震动周期变化等。具体计算过程中，dtw通过动态规划方法，找到两个序列的最近距离匹配模式，并计算出距离，动态规划计算公式为：
[0054][0055]
其中，代表时间序列x[1:j1]和y[1:j2]之间的dtw距离，对应于时序图中的d
ij
与d
kj
，abs为绝对值函数。假设时间序列x的总长度为n，y的总长度为m，则x与y的dtw距离为dtw
n,m
，该距离具有速度无关性，即不会受到时间序列形状伸缩的影响。随后，对同一时间段内所有节点对计算其感知数据子集的dtw距离，并对相似度进行归一化处理。将相似度取值范围均匀划分为nr个区间，分别标记为针对每一对传感器节点，通过将相似度归入相应的区间，并采用相应区间标志，实现从连续相似度到离散关系的转化。dtw相似度的归一化计算及关系类别转化公式如下：
[0056][0057][0058]
其中，nr为划分出的区间个数，即关系数目，为向下取整，e
jik
为j时间段内，节点vi与vk之间的关系，max、min分别表示最大值和最小值。
[0059]
基于上述方法，构建出用于剩余使用寿命预测的时序图序列对应j个时间段的时序图为gj＝{vj,ej}；获取其中一段时间t，其中为一段时间t的特征属性，s为头节点，e
tso
为节点关系，o为目标节点；一段时间t的节点集合v
t
＝
[h
s,t
,h
o,t
]，其中h
s,t
是头节点的实体嵌入表达，h
o,t
是目标节点的实体嵌入表达作为推理模型的输入。
[0060]
s3，节点关联特征学习网络基于传感器感知数据和时序图结构进行特征学习，主要包含两个特征维度：传感器节点特征矩阵h
t
和传感器关联特征r
t
。
[0061]
提出并使用局部循环编码器，基于同一时段不同传感器、以及传感器在不同时段的状态关联关系，通过传感器节点状态表示，学习关联特征变化趋势，为剩余使用寿命预测提供依据。其输入为前一步骤构建的时序图序列以及图中各个节点的特征属性特征属性采用图卷积网络，从节点数据相关性角度，对时序图中的信息进行聚合，并在多个时间片段之间使用门控循环单元进行演化，学习传感器节点不同时间段的关联关系变化。图卷积神经网络的输入为t段时间时序图g
t
的特征属性的特征属性s为t段时间的头节点，e
tso
为t段时间的节点关系，o为t段时间的目标节点；其对应的嵌入表达为：代表t段时间第一层的实体嵌入；r
t
代表t段时间的关系嵌入。在t时间段内，图卷积网络通过如下公式聚合多个关系、以及多跳传感器邻居节点的信息，输出是t时间段目标传感器节点的特征表示：
[0062][0063]
其中，(s,e
tso
,o)分别代表头节点、关系、目标节点，代表t时间段第l层的实体嵌入，r
t
代表t时间段的关系嵌入，为可学习的权重参数，c0是用于归一化的系数，其值等于实体o的入度，ψ是一位卷积操作，σ是relu激活函数。
[0064]
通过上述公式在t时间段经过神经网络完成聚合后，得到t时间段节点关联特征表达
[0065]
其次，在多个时间段之间，使用两个门控循环单元：实体门控循环单元和关系门控循环单元进行演化特征的学习，刻画传感器节点在设备运行过程中的状态变化情况，即关联关系变化趋势。
[0066]
基于门控机制的循环神经网络gru，针对实体门控循环单元，输入为t时间段经过图神经网络聚合后的节点关联特征其具体演化特征表示公式如下：
[0067][0068]ht
，h
t-1
分别为t时刻、t-1时刻的d维传感器节点特征矩阵，为t时间段经过gcn聚合后的节点特征表达，分别对应于标准gru结构的t时刻隐藏状态、t-1时刻隐藏状态、t时刻输入。
[0069]
相应的，关系门控循环单元的演化特征表示公式如下：
[0070][0071]rt
＝gru(r
t-1
,r
′
t
)
[0072]
其中，r
′
t
是t时刻的关系聚合的特征表示，是t时刻所有与关系r连接的实体，分别为t时刻、t-1时刻的d维传感器关联特征，分别对应于标准gru结构的
t时刻隐藏状态、t-1时刻隐藏状态、t时刻输入。针对具体的关系r，其在当前时间段t的表示由两部分组成：前一时段所有关系r连接的实体表征的池化，以及关系r的全局表示。
[0073]
通过上述gcn和gru模块的计算，最终的输出为传感器节点特征矩阵h
t
，传感器关系特征矩阵r
t
。
[0074]
接着，在时序图推理的基础上，引入对传感器节点特征矩阵h
t
和传感器关联特征矩阵r
t
学习获取数据时序特征；
[0075]
具体步骤如下：在实体和关系门控循环单元对实体嵌入和关系嵌入进行演化学习时，引入原始传感器数据，扩充特征语义。实体门控循环单元的特征联合公式改进如下：
[0076][0077][0078]
其中，是数据时序特征，为构造g
t-1
的原始传感器数据中最后一个时间戳的数据，经过复制得到[；]为拼接操作，拼接后得到的[；]为拼接操作，拼接后得到的将作为实体门控循环单元的实际输入，将拼接得到的和h
t-1
输入gru，输出得到h
t
。
[0079]
关系门控循环单元的特征联合公式如下：
[0080][0081][0082]
其中，是经过相同复制操作得到的，r
′
t-1
是t-1时刻的关系嵌入。拼接后得到的将作为关系门控循环单元的实际输入，将拼接得到的r
″
t-1
和r
t-1
输入gru，输出得到r
t
。基于上述编码，将原始感知数据融入特征表示，并结合门控循环单元充分学习其时间变化特性，支撑剩余使用寿命预测。
[0083]
s4，在剩余使用寿命映射部分，通过回归分析，利用时序图推理所得到的传感器节点特征矩阵h
t
和传感器关系特征矩阵r
t
，获得对设备剩余使用寿命的预测。
[0084]
回归分析包含两个步骤：原始特征拼接，将特征矩阵转化为一维特征向量，支持后续回归分析，其具体公式为：
[0085]
x＝flatten([h
t
；r
t
])
[0086]
rul估值分析，将该一维特征向量x输入单层神经网络，输出rul预测值，其公式为：
[0087][0088]
其中为rul的预测值，[；]代表拼接操作，w和b是可学习参数，σ(
·
)是sigmod函数。此外，为了计算稳定性，对rul实现了归一化操作。
[0089]
最后，rul预测任务的损失函数为root mean square error(rmse)，损失函数如下：
[0090]
[0091]
本发明中模型需要对时序数据进行采样来构造时序图。采样窗口以固定的步长在每一个数据单元内滑动采样，并且将窗口内最后一个时间戳的rul作为生成的知识图谱快照的rul标签。由于系统在运行初期不会发生退化，故系统退化在其生命周期的早期阶段可以忽略不计，本文参照现有工作，采用分段线性模型为数据集打上rul标签，即对rul的最大上限值设定为125(rul
max
＝125)。
[0092]
综上，本实例提出了一种基于多变量分析的时序图推理模型的设备剩余使用寿命预测方法。该方法使用以设备各部分传感节点的感知数据为输入的模型，分别从传感器工作状态的关联及演化关系、传感器原始感知数据的变化趋势等角度，估计设备可以健康工作的剩余时长。模型首先将不同传感器的感知数据划分入多个时间窗口，并针对每个窗口构建节点关联图，构成时序图序列。随后，采用图卷积神经网络学习传感器节点特征，并通过门控循环单元实现不同时间窗口间节点状态的传递。在预测部分，通过解码得到的时序图特征，通过多层映射回归分析，预测其对应的剩余使用寿命估计值。基于基准数据的实验结果表明，所提出的模型能够提升预测的精度，特别是针对工况较复杂的设备。
[0093]
效果对比分析：
[0094]
分别选取基于卷积神经网络、循环神经网络和编码解码机制的代表性模型作为对比算法。
[0095]
cnn、cnn-fnn沿时间维度对传感器数据进行卷积操作，利用fnn对rul进行预测。
[0096]
dcnn-fnn使用空洞卷积dilated cnn替换上述工作中的cnn，扩大卷积核的感受野来提高模型的预测精度。
[0097]
lstm-fnn使用lstm直接对传感器数据进行建模，以自回归的方式训练模型，并且通过fnn提高rul的预测精度。
[0098]
rbm-lstm-fnn在lstm之前附加了一个受限玻尔兹曼机，以无监督的方式进行预训练，自动从未标记的原始训练数据中提取退化相关的特征。
[0099]
auto-encoder通过无监督的方式训练一个双向lstm对健康指数曲线进行建模，然后结合基于相似度的曲线匹配技术以及零中心规则来计算rul。
[0100]
gcu-transformer通过卷积门控提取局部特征，利用transformer的编码层对高维传感器数据以及局部特征进行编码，最后使用单层神经网络解码得到rul。
[0101]
1、理论
[0102]
目前预测设备剩余使用寿命模型的特征取方式大多采用对传感器数据进行时间或者空间维度上的特征提取，忽略了传感器之间关联关系的特征；同时单一维度的特征提取可能会造成特征表达的不完全，对后续预测结果产生负面影响。
[0103]
本发明中所述模型以设备各部分传感器节点的感知数据为输入，从传感器工作状态的关联及演化关系、传感器原始感知数据的变化趋势角度，不局限于现有方法的仅基于时序数据特征或仅基于传感器间的关联关系特征进行学习。本发明所述模型将不同传感器的感知数据划入过个时间窗口，并将每个窗口构建节点关联图，构成时序图序列。采用卷积神经网络学习传感器节点关联特征、关系特征并加入数据时序特征得到节点特征矩阵和关系特征矩阵，经过扁平化处理和拼接操作得到节点关联关系结果，通过多层映射回归，完成rul预测。
[0104]
2、实验数据
[0105]
本实验采用均方根误差作为rul预测任务的性能指标，定义为：
[0106][0107]
其中，n为测试单元的数目。
[0108]
表2为rul预测均方根误差
[0109][0110]
表2展示了文本模型mstkg以及对比方法在cmapss的四个子集上进行rul预测的结果。结果表明，mstkg在fd002和fd004两个数据集上的性能优于最先进的模型，性能在两个数据子集的改进分别为0.88和1.29。
[0111]
结果表明，与自编码模型类似，mstkg更善于对工作条件复杂的数据进行建模。对于最复杂的fd004数据集，它共有12种设置：6种运行工况以及2种故障模式。所提出的模型不仅可以捕获感知数据的时序特征，也可以全面捕获特征之间的依赖关系，自动发现设备各部件状态关联变化，从而扩充信息维度，进而更加全面的表征设备复杂工况下的整体运行状态，在最复杂的数据集上取得最佳表现。
[0112]
综上所述，本发明提出的模型能够充分利用传感器节点状态关联关系及其演变情况，发现设备不同部件的退化情况，支撑剩余使用寿命预测，其精度在复杂工况下优于现有最佳方案。
[0113]
本发明中学习传感器节点不同时间段的关联关系的模型为gru，其可替换为rnn、lstm、transformer等其它时序模型。
[0114]
本发明中对时序图中的信息进行聚合的使用模型为gcn，其可替换为gnn、graphsage、gat等其它图模型。
[0115]
尽管为说明目的公开了本发明的具体实施例，其目的在于帮助理解本发明的内容并据以实施，本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

技术特征：
1.一种基于时序图推理的设备剩余使用寿命预测方法，其步骤包括：1)构建预测模型，以及获取运行中设备传感器的感知数据；其中，所述预测模型包括时序图构建模块、节点关联特征学习网络、剩余使用寿命映射模块；在所述的n个目标部位上分别设置一传感器，第i个传感器对应的感知数据序列为{d
i1
，d
i2
，...，d
ij
，...}，d
ij
表示第i个传感器在第j个运行时刻采集的感知数据，i＝1～n；2)所述时序图构建模块将每一所述传感器作为一个节点，基于当前时刻t0各传感器对应的感知数据序列构建一个时序图序列g中的第j个图g
j
＝{v
j
，e
j
}为第j个运行时刻对应的时序图，v
j
表示第j个运行时刻对应的节点集合，e
j
表示节点集合v
j
内节点间的关联，其中e
jik
∈e
j
，表示第j个运行时刻节点v
i
和节点v
k
间的关联类型；根据节点v
i
第j个运行时刻及其之前采集的感知数据构成的子序列d
ij
和节点v
k
第j个运行时刻及其之前采集的感知数据构成的子序列d
kj
，计算得到e
jik
；3)所述节点关联特征学习网络基于传感器感知数据和时序图序列g进行特征学习，得到各运行时刻的传感器节点特征矩阵和传感器关联特征；4)所述剩余使用寿命映射模块通过回归分析，利用所得到各运行时刻的传感器节点特征矩阵和传感器关联特征，预测得到所述设备的剩余使用寿命t。2.根据权利要求1所述的方法，其特征在于，所述节点关联特征学习网络首先采样图卷积网络对第t运行时刻对应的时序图g
t
进行特征聚合，得到节点关联特征和关系聚合特征r
′
t
；然后基于门控机制的循环神经网络gru根据节点关联特征和第t-1运行时刻对应的节点关联特征h
t-1
进行特征学习，得到第t运行时刻对应的传感器节点特征矩阵h
t
；然后根据第t-1时刻对应的关系特征矩阵r
t-1
和第t运行时刻对应的关系聚合特征r
′
t
得到传感器关联特征r
t
。3.根据权利要求2所述的方法，其特征在于，所述循环神经网络gru包括实体门控循环单元和关系门控循环单元；所述实体门控循环单元将第t-1运行时刻对应的时序图g
t-1
中最后一个时间戳的传感数据进行复制得到并将其与拼接得到然后将和第t-1运行时刻对应的传感器节点特征矩阵h
t-1
进行拼接得到第t运行时刻对应的传感器节点特征矩阵h
t
；所述关系门控循环单元将第t-1运行时刻对应的时序图g
t-1
中最后一个时间戳的传感数据进行复制得到并将其与第t-1运行时刻的r
′
t-1
拼接得到r
″
t-1
，将r
″
t-1
和t-1时刻对应的传感器关联特征r
t-1
输入所述循环神经网络gru，得到第t运行时刻对应的传感器关联特征r
t
。4.根据权利要求1所述的方法，其特征在于，步骤4)中，所述剩余使用寿命映射首先将各运行时刻的传感器节点特征矩阵和传感器关联特征转化为一维特征向量x＝flatten([h
t
；r
t
])；然后将该一维特征向量x输入单层神经网络，预测得到所述设备的剩余使用寿命t。5.根据权利要求1或2或3所述的方法，其特征在于，采用动态时间归整算法计算数据子序列为d
ij
和d
kj
之间的相似度作为得到e
jik
。6.根据权利要求5所述的方法，其特征在于，6.根据权利要求5所述的方法，其特征在于，为归一化值，m
r
为划分出的区间个数，即关系数目，为向下取整。
7.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法的步骤。

技术总结
本发明公开了一种基于时序图推理的设备剩余使用寿命预测方法，其步骤包括：1)构建预测模型，以及获取运行中设备传感器的感知数据；其中，所述预测模型包括时序图构建模块、节点关联特征学习网络、剩余使用寿命映射模块；2)时序图构建模块将每一所述传感器作为一节点，基于当前时刻T0各传感器对应的感知数据序列构建一个时序图序列G；G中的图G


技术研发人员：刘雨蒙 万梓航 赵怡婧 王碧聪 王潮
受保护的技术使用者：中国科学院软件研究所
技术研发日：2023.03.02
技术公布日：2023/7/26