基于深度强化学习的机械装备剩余使用寿命预测方法

随着机械装备发展的日益大型化和复杂化,其使用安全性和可靠性也越来越受到重视.剩余使用寿命(remaining useful life, RUL)预测技术,通过分析设备的运行数据,预测设备还能正常运行的时间,利用该技术可有效提升设备运行的安全性和可靠性,同时可为设备的后续维修决策提供关键依据.本文提出一种基于深度强化学习(deep reinforcement learning, DRL)的RUL预测方法,首先通过自编码器(autoencoder, AE)对机械装备的原始信号进行特征提取,利用提取到的特征构成强化学习的状态变量,通过设置合适的动作空间和奖励函数训练强化学习模型,使其能依据样本间的时序相关性对装备的RUL进行准确预测.与其他方法相比,强化学习方法的时序交互决策逻辑可以自然地保留样本间的时序依赖关系,降低了RUL预测的波动性.最后利用涡轮发动机数据集CMPASS对提出的方法进行实验验证,所提出的方法在RMSE和Score两项指标上均优于目前多种RUL预测方法,且所提出方法对于接近退化末期的装备预测效果有明显提升.     

深度学习赋能机械装备健康监测

<正>1装备健康监测：中国智造的私人医生2015年5月,我国提出《中国制造2025》制造强国战略行动纲领,旨在巩固我国制造业地位,并在建国一百年之际跻身世界制造强国前列。纲领文件在传统制造业基础上,明确强调了中国智慧制造,暨中国智造对国家产业结构调整的重要性和迫切性。有别于制造,智造是传统中低端制造业的升级和延伸,通过制造技术与信息技术的融合,赋予传统机械装备感知、分析、推理、决策和控制等高端功能。