《机器人基础与数字孪生系统》 课件 第9章 数字孪生系统的生命周期管理.pptx

第9章数字孪生系统的生命周期管理

【9.1剩余寿命预测算法】【9.1.1剩余寿命预测技术研究现状】剩余使用寿命（RemainingUsefulLife，RUL）是一个条件随机变量，根据当前机器的使用时长、状况及过去的操作模式，观察分析故障出现之前的剩余时间。目前的剩余寿命预测研究主要分为以下几种研究方法：

【9.1剩余寿命预测算法】【9.1.1剩余寿命预测技术研究现状】（1）基于模型的预测方法需要了解故障的产生原理与故障的生成特征，需要开展基于故障机理的可靠性设计与分析，建立故障机理模型，并且证明模型的可行性。这类预测方法不足够具备鲁棒性和普适性，对技术人员的知识范畴要求较广，需要很高的知识水平，均对扩大这种方法的使用范围加了难度。（2）基于知识的预测方法通过将知识整理在数据库，开发较为完备的专家系统来完成基于知识的预测功能。该预测方法凭借无需建立精确模型和预测结果对应精度较高等优点得到了广泛应用。该方法需要对领域知识的较为详尽的掌握，需要完备的知识表示方法。领域内的专家知识及相关经验很难找到详尽完备的标准，建立知识库的随机性较大。基于知识的预测方法很难得到普适及推广。（3）基于数据的预测方法基于数据预测的方法是挖掘、分析和计算诸多数据中可扩展的隐性决策价值。依据特征信息的变化趋势，来诊断预测设备未来的运行状况。支持向量回归模型、灰色理论、隐马尔可夫模型、时间序列分析、以及神经网络预测等都属于该类技术中的主流选择。

【9.1剩余寿命预测算法】【9.1.1剩余寿命预测技术研究现状】3）基于数据的预测方法①支持向量回归模型支持向量机方法(SupportVectorMachine,SVM)，对于有限数量样本的训练，SVM方法可以较好地寻求学习效率与算法精度之间的均衡调节，具有较强的普适性。②时间序列预测时间序列，也称动态序列，指具有同一统计指标的一系列值，根据时间先后次序将其罗列形成的数列。获取运行中机械设备的阶段性数据，将其按等时间间隔排列形成的序列就是设备的状态时间序列。时间序列预测是对研究对象当前和历史信息的时间序列数据进行分析建模，对数据变化的趋势观测进行数据预测，然后由预测到的数据特征分析、计算和预测下一阶段设备的发展趋势。③神经网络预测神经网络是由彼此联结的神经元构建而成的庞大网络或计算系统。神经网络借鉴了人脑神经系统的触发机制，模拟人类思维模式，从而挖掘重要特征与特征间的紧密联系。神经网络凭借梯度下降、反向传播及高效的优化机制使其在众多领域的研究中具有高度学习能力、普适与泛化性、容错与稳定性。

【9.1剩余寿命预测算法】【9.1.2剩余寿命预测算法相关理论与技术】1）卷积神经网络卷积神经网络，其与普通神经网络相比，相同点可以理解为假设输入与输出的计算公式，运用多层逻辑回归的方式，通过梯度下降、链式求导法等这种反向传播的方式进行参数优化训练。可应用为一维卷积、二维卷积、三维卷积等。举例说明适用于时间序列数据的一维卷积，一维卷积相当于卷积核在输入的一个维度方向滑动做卷积计算并得到输出结果。卷积过程及结果如图所示。

【9.1剩余寿命预测算法】【9.1.2剩余寿命预测算法相关理论与技术】2）长短期记忆人工神经网络在循环神经网络(RecurrentNeuralNetwork,RNN)的基础上衍生出了长短期记忆神经网络（Longshort-termmemory,LSTM）。对应于每个时间点t，会有一个记录了之前信息的状态值Ct，通过输入、遗忘等调节方式对当前Ct进行修正，即这个Ct可被理解为一个会随着时间边改变边传递下去的核心要素。用sigmoid门控制每个输入因素对Ct的影响，则可控制从全部不输入到全部都输入的所有情况。LSTM有三个重要的门：输入门、遗忘门、输出门，通过它们对状态的影响，并把这个状态递归下去，从而不忘记遥远重要信息，也不会只关注近距离冗余信息。LSTM结构如右侧下图。

【9.1剩余寿命预测算法】【9.1.2剩余寿命预测算法相关理论与技术】3）在门控循环单元门控循环神经网络(gatedrecurrentneuralnetwork,GRU)对LSTM改进精简，以“更新门”替换原来的遗忘门与输入门，且对单元状态和隐藏状态也进行合并及更新。GRU的门结构可以有效地过滤无用信息，捕获输入数据的长期依赖性，在处理序列问题时有着非常出色的性能。如图为GRU的结构，可知，重置门和更新门的输入一致，包含当前时刻的输入和上一时