(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211085781.X (22)申请日 2022.09.06 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 张九思　罗浩　李翔　王豪　 吴诗梦　田纪伦　尹珅　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 专利代理师 岳昕 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 111/04(2020.01) (54)发明名称 基于变分局部加权子域自适应网络的剩余 使用寿命预测方法 (57)摘要 基于变分局部加权子域自适应网络的剩余 使用寿命预测方法， 本发明涉及剩余使用寿命预 测方法。 本发 明的目的是为了解决迁移学习中全 局域自适应方法中子域之间细粒度特征混淆所 导致的剩余使用寿命预测准确率降低的问题。 过 程为： 一、 数据预处理， 获得训练数据集和验证数 据集； 二、 搭建变分局部加权子域自适应网络； 三、 基于训练集训练变分局部加权子域自适应网 络， 得到训练好的变分局部加权子域自适应网 络； 四、 在线预测目标域数据， 对目标域数据进行 步骤一的数据预处理， 将预处理后的目标域数据 输入训练好的变 分局部加权子域自适应网络， 输 出剩余使用寿命。 本发明用于人工智能技术与工 业背景下的故障预测相结合的学 科交叉领域。 权利要求书6页 说明书14页 附图5页 CN 115456272 A 2022.12.09 CN 115456272 A 1.基于变分局部加权子域自适应网络的剩余使用寿命预测方法， 其特征在于： 所述方 法具体过程 为： 步骤一、 数据预处 理， 获得训练数据集和验证数据集； 步骤二、 搭建变分局部加权 子域自适应网络； 具体过程 为： 步骤二一、 搭建变分自编码器 ‑长短时记 忆子网络； 步骤二二、 基于变分自编码器 ‑长短时记 忆子网络， 设计不同类别的软 标签； 步骤二三、 基于软 标签搭建局部加权深度子域自适应子网络； 步骤三、 基于训练集训练变分局部加权子域自适应网络， 得到训练好的变分局部加权 子域自适应网络； 步骤四、 在线预测目标域数据， 对目标域数据进行步骤一的数据 预处理， 将预处理后的 目标域数据输入训练好的变分局部加权 子域自适应网络， 输出剩余使用寿命。 2.根据权利要求1所述的基于变分局部加权子域自适应网络的剩余使用寿命预测方 法， 其特征在于： 所述 步骤一中数据预处 理； 具体过程 为： 步骤一一、 收集工业系统在工作过程中的传感器历史数据作为源域数据和目标域数 据； 步骤一二、 剔除传感器历史数据中数值 为恒值的常数 特征， 完成特 征筛选； 步骤一三、 采用时间窗口的形式将步骤一二经过特征筛选的源域数据进行组合， 组合 后的时间窗口数据为源域数据集； 采用时间窗口的形式将步骤一二经过特征筛选的目标域数据进行组合， 组合后的时间 窗口数据为目标域数据集； 取有标签的源域数据集和无标签的目标域数据集得到数据集， 并将80％的数据集分为 训练数据集， 将20％的数据集作为验证数据集。 3.根据权利要求2所述的基于变分局部加权子域自适应网络的剩余使用寿命预测方 法， 其特征在于： 所述 步骤二一中搭建变分自编码器 ‑长短时记 忆子网络； 具体过程 为： 变分自编码器 ‑长短时记 忆子网络包括编码器层、 重参数层和解码器层； 输入数据经长短时记忆子网络LSTM的映射关系gLSTM、 编码器的全连接层映射关系fFCE、 编码器的全连接层参数ΞFCE和长短时记 忆网络的网络 权重参数ΞLSTM， 得到均值 μ和标准差σ； 基于均值 μ和标准差σ 得到数据的潜在低维空间z； 基于数据的潜在低维空间z、 解码器的映射关系和解码器全连接层的网络权重参数， 得 到剩余使用寿命的预测值RULpi。 4.根据权利要求3所述的基于变分局部加权子域自适应网络的剩余使用寿命预测方 法， 其特征在于： 所述长短时记忆子网络由输入门it、 遗忘门ft、 输出门ot和记忆模块ct这4 个部分组成； 长短时记 忆子网络数 学表达式可以表示 为式(1)—式(5)所示 ft＝σ(Uf[ht‑1,xt]+bf) (1) it＝σ(Ui[ht‑1,xt]+bi) (2) ct＝ft*ct‑1+it*tanh(Uc[ht‑1,xt]+bc) (3) ot＝σ(Wo[ht‑1,xt]+bo) (4) ht＝ot*tanh(ct) (5)权　利　要　求　书 1/6 页 2 CN 115456272 A 2其中， xt表示LSTM在t时刻的输入向量， ht‑1和ht分别表示LSTM在t ‑1和t时刻的隐藏层状 态， ct‑1表示t‑1时刻记忆模块的输出， ft、 it、 ot、 ct分别表示t时刻 遗忘门、 输入门、 输出门和 记忆模块的输出， Uf和bf分别表示遗忘门的权重和偏置向量， Ui和bi分别表示输入门的权重 和偏置向量， Uc和bc分别表示记忆模块的权重和偏置向量， Wo和bo分别表示输出门的权重和 偏置向量， σ 表示sigmo id激活函数， tanh表示双曲正切函数， *表示乘积。 5.根据权利要求4所述的基于变分局部加权子域自适应网络的剩余使用寿命预测方 法， 其特征在于： 所述变分自编码器 ‑长短时记忆子网络包括编码器层、 重参数层和解码器 层； 输入数据经长短时记忆子网络LSTM的映射关系gLSTM、 编码器的全连接层映射关系fFCE、 编码器的全连接层 参数ΞFCE和长短时记忆子网络的网络权重参数ΞLSTM， 得到均值 μ和标准差 σ； 基于均值 μ和标准差σ 得到数据的潜在低维空间z； 基于数据的潜在低维空间z、 解码器的映射关系和解码器全连接层的网络权重参数， 得 到剩余使用寿命的预测值RULpi； 具体过程 为： 1)、 输入数据经长短时记忆子网络LSTM的映射关系gLSTM、 编码器的全连接层映射关系 fFCE、 编码器的全连接层参数ΞFCE和长短时记忆子网络的网络权重参数ΞLSTM， 得到均值 μ和标 准差σ； 其中fFCE表示编码器的全连接层映射关系， gLSTM表示长短时记忆 子网络LS TM网络的映射 关系， ΞFCE表示编码器的全连接层参数， ΞLSTM表示长短时记忆子网络的网络权重 参数； xi表示 第i个输入样本数据； φ表示由输入样本数据xi生成潜在低维空间zi的模型参数； 2)、 基于均值 μ和标准差σ 得到数据的潜在低维空间zi； zi＝ μ(xi； φ)+σ(xi； φ)×ε (9) 其中μ(xi； φ)为表征分布的均值， σ(xi； φ)为表征分布的标准差， ε为重参数采样的常 数量， zi为第i个输入数据样本的潜在低维空间； 3)、 基于数据的潜在低维空间zi、 解码器的映射关系和解码器全连接层的网络权重参 数， 得到剩余使用寿命的预测值RULpi； RULpi＝fFCD(zi； ΞFCD) (10) 其中fFCD表示解码器的映射关系， ΞFCD表示解码器全连接层的网络权重参数， RULpi为剩 余使用寿命的预测值。 6.根据权利要求5所述的基于变分局部加权子域自适应网络的剩余使用寿命预测方 法， 其特征在于： 所述变分自编 码‑长短时记忆子网络的损失函数可以表 示成公式(11)所示 的形式：权　利　要　求　书 2/6 页 3 CN 115456272 A 3