本發(fā)明屬于機器學習，具體涉及一種制造業(yè)設(shè)備安全使用壽命預測方法。

背景技術(shù)：

1、制造業(yè)設(shè)備的安全使用壽命預測是確保工廠高效運營和避免意外停機的關(guān)鍵技術(shù)，傳統(tǒng)上，設(shè)備維護主要依靠定期檢查和經(jīng)驗判斷，這種方法不僅耗時耗力，而且難以提前發(fā)現(xiàn)設(shè)備潛在的故障風險，此外，基于固定時間間隔的預防性維護策略可能導致不必要的停機和資源浪費，無法最大化設(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雜的非線性關(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，使得預測變得困難，當前機器學習機器學習在處理時間序列數(shù)據(jù)和非線性關(guān)系方面表現(xiàn)出了顯著的優(yōu)勢，其通過特征提取和模型訓練等技術(shù)手段來提升預測精度，適用于對制造業(yè)設(shè)備狀態(tài)分類和設(shè)備安全使用壽命預測。

3、目前，設(shè)備安全使用壽命預測技術(shù)存在幾個不足，傳統(tǒng)機器學習方法難以處理海量的傳感器數(shù)據(jù)和復雜的設(shè)備運行狀態(tài)，導致預測模型的準確性和實時性較差；現(xiàn)有機器學習技術(shù)往往只關(guān)注設(shè)備的單一參數(shù)，缺乏對多種參數(shù)的綜合分析，無法全面反映設(shè)備的健康狀態(tài)；大多數(shù)機器學習預測模型在面對不同類型的設(shè)備和工況時，需要進行大量的調(diào)整和重新訓練，適應(yīng)性和普遍性較差，本發(fā)明針對上述問題，提出一種制造業(yè)設(shè)備安全使用壽命預測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種制造業(yè)設(shè)備安全使用壽命預測方法，旨在提出camenet預測模型，由復合注意力模塊、專家混合模塊和整合模塊組成，其中復合注意力模塊能夠同時關(guān)注局部和全局特征，提高模型的表達能力，專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，整合模塊通過整合多尺度特征，提高預測結(jié)果的準確性和穩(wěn)定性。

2、本發(fā)明提出制造業(yè)設(shè)備安全使用壽命預測模型，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)，包括特征和目標變量，對收集的數(shù)據(jù)進行預處理；

4、?s2、對預處理后的數(shù)據(jù)使用批歸一化法進行歸一化操作，并劃分數(shù)據(jù)集；

5、?s3、構(gòu)建復合注意力模塊，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)備安全使用壽命時序數(shù)據(jù)劃分為不同大小的個片段；

7、?s32、引入片段內(nèi)的動態(tài)縮放因子，在每個片段內(nèi)執(zhí)行注意力計算，并將所有片段注意力結(jié)果進行連接；

8、?s33、引入片段間的動態(tài)縮放因子，在片段間執(zhí)行注意力計算，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)的周期性和趨勢模式，具體步驟如下：

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

11、?s42、進行趨勢分解，對剩余部分，使用不同核的平均池化進行指數(shù)移動平均，得到趨勢量；

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

13、?s5、構(gòu)建整合模塊，對復合注意力模塊和專家混合模塊的輸出進行加權(quán)聚合，得到輸出；

14、?s6、使用全連接層對不同尺度的特征進行處理，并獲得制造業(yè)設(shè)備安全使用壽命的預測值。

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)備運行時間、設(shè)備使用頻率、設(shè)備工作環(huán)境溫度、設(shè)備負載情況、設(shè)備震動數(shù)據(jù)、設(shè)備電流和電壓傳感器數(shù)據(jù)、設(shè)備維護歷史數(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)的標準差。

18、優(yōu)選地，所述步驟s2中，對預處理后的數(shù)據(jù)使用層歸一化法進行歸一化操作，并按比例劃分數(shù)據(jù)集，具體公式如下：

19、?；

20、式中，為設(shè)備安全使用壽命時序數(shù)據(jù)，為小批次的均值，為小批次的標準差，為可學習的縮放參數(shù)，為可學習的偏移參數(shù)。

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

22、?；

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

24、優(yōu)選地，片段化處理通過將長時間的設(shè)備安全使用壽命時序數(shù)據(jù)分割為多個較小的片段，使得模型能夠更加細致地處理每個片段的數(shù)據(jù)特征，有助于模型在局部范圍內(nèi)捕捉數(shù)據(jù)的細節(jié)，同時保留整體的時間順序信息，具體地，每個片段代表設(shè)備在某一時間段內(nèi)的運行狀態(tài)，多個片段組合起來反映設(shè)備的整體使用情況，不僅提升了數(shù)據(jù)的表達能力，還使得模型能夠處理不同長度和時間步長的數(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)的細節(jié)，提高了特征提取的準確性。

25、優(yōu)選地，所述步驟s3，s32中對第個片段，首先將其沿著特征維度進行嵌入變換，使其轉(zhuǎn)換為新的特征嵌入維度，得到片段內(nèi)的表示，通過線性變換獲得查詢、鍵和值，并引入動態(tài)縮放因子，進行片段內(nèi)的注意力計算，具體公式如下：

26、?；

27、式中，、、為片段內(nèi)的查詢矩陣、鍵矩陣和值矩陣，為嵌入后的特征嵌入維度，為片段內(nèi)的動態(tài)縮放因子，可以根據(jù)輸入數(shù)據(jù)動態(tài)調(diào)整注意力權(quán)重，經(jīng)過片段內(nèi)的注意力計算后，第個片段的大小由轉(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)部的注意力機制結(jié)果的拼接輸出，維度為，為第個片段的片段內(nèi)部注意力結(jié)果，為拼接操作。

30、優(yōu)選地，動態(tài)縮放因子使得模型能夠根據(jù)每個時間步的重要性動態(tài)調(diào)整注意力權(quán)重，從而提高特征表示的準確性，增強了模型對不同時間步重要性的識別能力，使得模型在處理局部特征時能夠更加靈活和精準，在每個片段內(nèi)通過線性變換獲得查詢、鍵和值，并進行注意力計算，將各片段的注意力結(jié)果進行連接，能夠有效地捕捉局部特征，通過連接操作綜合各片段的特征信息，進一步提升了特征提取的效果。

31、優(yōu)選地，所述步驟s3，s33中對劃分為片段的設(shè)備安全使用壽命時序數(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，通過線性變換獲得查詢、鍵和值，并引入動態(tài)縮放因子，進行片段間的注意力計算，具體公式如下：

32、?；

33、式中，、、為片段間的查詢矩陣、鍵矩陣和值矩陣，為嵌入后的特征組合維度，為片段間的動態(tài)縮放因子，結(jié)合自適應(yīng)權(quán)重策略，通過線性層將片段內(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)，為可學習權(quán)重矩陣，為偏置項，通過自適應(yīng)權(quán)重對片段內(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，片段間的動態(tài)縮放因子使得模型能夠動態(tài)調(diào)整片段間的注意力權(quán)重，從而增強對全局特征的捕捉能力，提高了模型在處理全局特征時的靈活性和準確性在片段間的注意力計算中，通過線性變換獲得查詢、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)備安全使用壽命時序數(shù)據(jù)分解為頻域，并計算頻域中每個頻率分量的幅度，具體公式如下：

41、?；

42、?；

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

44、?；

45、?；

46、式中，為對頻率分量的幅度進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頻率分量的索引，構(gòu)建頻域掩碼，保留最顯著的個頻率分量，并對掩碼后的頻域表示進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)備安全使用壽命時序數(shù)據(jù)在頻域中第個頻率分量的復數(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)備安全使用壽命時序數(shù)據(jù)轉(zhuǎn)換為頻域，選擇幅度最大的頻率分量進行逆變換得到周期量，快速傅里葉變換能夠?qū)r間序列數(shù)據(jù)轉(zhuǎn)換為頻域表示，從而識別出數(shù)據(jù)中的周期性成分，使模型能夠準確捕捉設(shè)備運行中的周期性變化，增強了對數(shù)據(jù)周期性的理解和預測能力，且此類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，使用不同的核對剩余部分，進行指數(shù)移動平均操作，對于每個核，進行指數(shù)移動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)移動平均函數(shù)，為使用第個核進行指數(shù)移動平均的結(jié)果，為平均池化函數(shù)，為使用第個核進行平均池化的結(jié)果，為剩余部分，對不同核的數(shù)移動平均結(jié)果和平均池化結(jié)果進行加權(quán)操作，具體公式如下：

57、?；

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

59、優(yōu)選地，對剩余部分使用不同核的平均池化進行指數(shù)移動平均得到趨勢量，趨勢分解方法通過對數(shù)據(jù)中的長期趨勢成分進行提取，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)的趨勢特征，提高對數(shù)據(jù)趨勢的捕捉能力，且此類方法有助于模型在長期預測中表現(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)的趨勢量進行線性變換，沿時間維度進行變換合并，具體公式如下：

61、?；

62、式中，為線性映射函數(shù)，為設(shè)備安全使用壽命時序數(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)的趨勢量，之后使用專家函數(shù)生成專家權(quán)重，并選擇權(quán)重最大的值，具體公式如下：

63、?；

64、?；

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

66、優(yōu)選地，使用分解結(jié)果生成專家權(quán)重，并選擇權(quán)重最大的值，專家選擇機制通過根據(jù)周期和趨勢分解的結(jié)果生成專家權(quán)重，動態(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，通過選擇權(quán)重最大的值，模型能夠動態(tài)調(diào)整自身結(jié)構(gòu)，適應(yīng)不同的數(shù)據(jù)特性，提高預測精度，同時提升了模型的適應(yīng)性和靈活性。

67、優(yōu)選地，所述步驟s5中，對復合注意力模塊和專家混合模塊的輸出進行加權(quán)聚合，具體公式如下：

68、?；

69、式中，為專家權(quán)重選擇的不同片段大小的注意力結(jié)果，為特征對齊操作，為指示函數(shù)，當專家權(quán)重大于0時輸出1，否則輸出0，為周期和趨勢分解結(jié)果。

70、優(yōu)選地，對復合注意力模塊和專家混合模塊的輸出進行加權(quán)聚合，加權(quán)聚合通過綜合利用不同模塊的輸出，確保模型在多尺度特征提取過程中能夠自適應(yīng)地整合有用的信息，增強模型對多尺度特征的整合能力，提高預測結(jié)果的準確性和穩(wěn)定性，通過對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，提升對數(shù)據(jù)的全面理解和預測效果。

71、優(yōu)選地，所述步驟s6中，通過全連接層對加權(quán)聚合后的輸出進行處理，并獲得制造業(yè)設(shè)備安全使用壽命的預測值，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測值。

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預測模型，應(yīng)用于制造業(yè)設(shè)備安全使用壽命預測場景，由復合注意力模塊、專家混合模塊和整合模塊組成，其中復合注意力模塊通過融合片段內(nèi)注意力和片段間注意力，使模型能夠同時掌握局部和全局的時間依賴性，提高模型的表達能力，同時引入動態(tài)縮放因子，使得模型能夠根據(jù)每個時間步的重要性動態(tài)地調(diào)整注意力權(quán)重，從而提高預測性能，專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)生成專家權(quán)重，動態(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)專家權(quán)重進行加權(quán)聚合，確保模型在多尺度特征提取過程中能夠自適應(yīng)地整合有用的信息。