(19)中华 人民共和国 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 202111637184.9 (22)申请日 2021.12.2 9 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 王刚　李慧　张亚楠　伍章俊　 卢明凤　贡俊巧　祝贺功　王逸飞　 程萌勋　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 代理人 陆丽莉　何梅生 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/00(2012.01) G06Q 10/04(2012.01) (54)发明名称 一种基于双重注意力网络的设备剩余使用 寿命预测方法 (57)摘要 本发明公开了一种基于双重注意力网络的 设备剩余使用寿命预测方法， 其步骤包括： 1收集 传感器数据并进行预处理， 通过滑动时间窗口方 法构建数据 样本集； 2搭建双重注意力网络， 网络 结构包含空间注意力模块、 双向长短期记忆模 块、 时间注意力模块和全 连接网络预测模块； 3训 练双重注 意力网络模型， 优化模型参数； 4利用训 练好的双重注意力网络模型预测设备的剩余使 用寿命。 本发明能自适应融合多源传感器数据， 并能实现不同时间的特征的差异性利用， 从而提 升剩余使用寿 命预测效果。 权利要求书3页 说明书8页 附图3页 CN 114266278 A 2022.04.01 CN 114266278 A 1.一种基于双重注意力网络的设备剩余使用寿命预测方法， 其特 征包括以下步骤： 步骤1， 从多个传感器获取设备运行时的状态监测数据并进行预处理， 通过滑动时间窗 口构建数据样本集： 步骤1.1， 获取设备从初始运行到失效的全寿命周期下的状态监测数据并进行归一化 处理， 得到归一 化后的状态监测数据； 步骤1.2， 通过滑动时间窗口对归一化后的状监测数据进行样本划分， 得到样本集D＝ {(X1,y1),(X2,y2),...,(Xu,yu),...,(XU,yU)}， 其中， (Xu,yu)为第u个样本， Xu代表第u个滑动 窗口内的传感器数据， 且 表示第u个滑动窗口内第n个传感器 所采集的数据， 且 p代表时间 窗口的大小， yu为第u个滑动窗口内最后一个时间点对 应的剩余使用寿命； 步骤2， 搭建双重注意力 网络， 包括： 空间注意力模块、 双向长短期记忆模块、 时间注意 力模块和全连接预测模块： 步骤2.1， 定义迭代次数为z， 并初始化z＝1， 迭代阈值为Z； 初始化所述双重注意力网络 中的参数； 步骤2.2， 将所述样本集中每个滑动窗口内的传感器数据依次输入所述空间注意力模 块进行处 理， 并相应输出加权后的传感器数据： 步骤2.2.1， 所述空间注意力模块利用式(1)得到第z次迭代的传感器的注意力权重矩 阵 式(1)中， z为迭代次数， k为空间注意力模块的超参数， 为第z 次迭代输入的传 感器数据； ； 表示拼接， 表示第z‑1次迭代的抽象特征矩阵； 当z ＝1时， 令 为随机初始化的向量， q为抽象特征向量的维数， 是第z次 迭代的空间注意力模块的参数矩阵， tanh( ·)表示双曲正切激活函数； 步骤2.2.2， 所述空间注意力模块利用式(2)对注意力权重矩阵 进行处理， 得到归一 化后的注意力矩阵 式(2)中， 表示第z次迭代的空间注意力模块的另一个参数矩阵； softmax表 示激活函数； 步骤2.2.3， 所述空间注意力模块利用式(3)获得第z次迭代输入 的传感器数据的注意 力分数α(z)： 式(3)中， sumcolumn(·)表示对矩阵每列求和； 步骤2.2.4， 所述空间注意力 模块利用式(4)更新第z次迭代输入的传感器数据， 得到第 z次迭代加权后的传感器数据X ′(z)：权　利　要　求　书 1/3 页 2 CN 114266278 A 2X′(z)＝BN( α(z)⊙X(z))         (4) 式(4)中， ⊙表示两个矩阵的对应元 素相乘， BN( ·)表示批归一 化操作； 步骤2.3， 将所述第 z次迭代加权后的传感器数据X ′(z)输入所述双向长短期记忆模块进 行处理， 并相应输出深度时序特 征： 所述双向长短期记忆模块对所述第z次迭代加权后的传感器数据X ′(z)进行前向信息与 后向信息的提取， 并在最后一层的长短期记忆模块中， 将时间步t上的前向隐藏状态向量 和后向隐藏状态向量 进行拼接后， 得到第z次迭代的时间步t上的深度时序特征 且 d为拼接后的特征维数， 从而得到第z次迭代的所有时间步上的 深度时序特 征， 记为 T*为总时间步长； 步骤2.4， 将所述第z次迭代的所有时间步上的深度时序特征输入时间注意力模块和第 z‑1次迭代的抽象特征向量 f(z‑1)输入所述 时间注意力模块进行处理， 输出相应的融合 时序 特征： 步骤2.4.1， 所述时间注意力模块利用式(5)和式(6)计算时间步t的注意力权 重 式(5)和(6)中， 表示第z‑1次迭代的抽象特征f(z‑1)和第z次迭代的时间步t上的 深度时序特征 之间的相似性， 和 分别是第z次迭代的时间注 意力模 块的两个参数矩阵， T表示矩阵转置， exp( ·)是以自然常数 e为底的指数函数； 步骤2.4.2， 所述时间注意力模块利用式(7)得到第z次迭代的初始融合时序特征 再利用式(8)获得第z次迭代的时间注意力模块 最终的融合时序特 征h″(z)： h″(z)＝BN(h′(z))      (8) 步骤2.5， 将所述融合时序特征h ″(z)输入全连接预测模块进行处理， 并在第一层全连接 层输出抽象特 征， 在第二层全连接层输出RUL预测值： 所述全连接预测模块中的第一个全连接层利用式(9)提取第z次迭代的抽象特征 所述全连接预测模块中的第二个全连接层利用式(10)输出第z次迭代的剩余使用寿命 预测结果 权　利　要　求　书 2/3 页 3 CN 114266278 A 3