(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 202210927723.0 (22)申请日 2022.08.03 (71)申请人 北京九天翱翔科技有限公司 地址 100088 北京市海淀区知春路23号9层 901室 (72)发明人 李操　韩晓萱　张庆振　崔朗福　 向刚　齐海涛　程林　邵灵星　 王津申　张祥银　毕晔　李雪飞　 张惠平　 (74)专利代理 机构 北京翔石知识产权代理事务 所(普通合伙) 11816 专利代理师 薛晓军 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/18(2006.01)G06Q 10/04(2012.01) G06N 20/00(2019.01) G06F 119/04(2020.01) (54)发明名称 一种跨工况条件复杂机电系统剩余寿命预 测系统及方法 (57)摘要 本发明公开了一种跨工况条件复杂机电系 统剩余寿命 预测系统及方法， 系统包括多工况数 据管理模块、 数据处理模块、 预训练模块和迁移 预测模块， 通过多工况数据管 理模块采集来自复 杂机电系统的多工况监测数据， 并将其保存； 通 过数据处理模块对多工况数据管理模块中所保 存的数据进行数据标准化和数据降维， 生成源域 数据和目标域数据； 通过预训练模块将源域数据 进行预训练并生成离线模型； 通过迁移预测模 块， 输入目标域数据， 并结合预训练模块产生的 离线模型， 利用在线迁移学习算法生成在线迁移 模型， 最终实现剩余寿命的预测。 本发明能实现 跨工况条件下的模型收敛速度和预测准确性。 权利要求书1页 说明书4页 附图2页 CN 115392113 A 2022.11.25 CN 115392113 A 1.一种跨工况条件 复杂机电系统剩余寿命预测系统， 其特征在于， 包括： 多工况数据 管 理模块、 数据处 理模块、 预训练模块和迁移预测模块， 其中： 通过所述多工况数据管理模块采集来自复杂机电系统的多工况监测数据， 并将其保 存； 通过所述数据处理模块对多工况数据管理模块中所保存的数据进行数据标准化和数 据降维， 生成源域数据和目标域数据； 通过所述预训练模块将源域数据进行 预训练并生成离线模型； 通过所述迁移预测模块， 输入目标域数据， 并结合预训练模块产生的离线模型， 利用在 线迁移学习算法生成在线迁移模型， 最终 实现剩余寿命的预测。 2.根据权利要求1所述的一种跨工况条件复杂机电系统剩余寿命预测系统， 其特征在 于， 多工况数据管理模块中保存的数据分别来自两种不同工况A和B， 在其中工作的复杂机 电系统所产生的监测数据分布不同； 工况A数据量大， 工况B数据量小。 3.根据权利要求2所述的一种跨工况条件复杂机电系统剩余寿命预测系统， 其特征在 于， 通过数据字段反应工况， 包括工作环境、 设置参数以及运行 载荷。 4.根据权利要求2所述的一种跨工况条件复杂机电系统剩余寿命预测系统， 其特征在 于， 所述数据 处理模块包含数据标准化算法和数据降维算法， 对多工况数据管理模块中的 数据进行 预处理， 为所述预训练模块和迁移预测模块 提供输入数据。 5.根据权利要求4所述的一种跨工况条件复杂机电系统剩余寿命预测系统， 其特征在 于， 工况A数据处 理后形成源域数据， 工况B数据处 理后形成目标域数据。 6.根据权利要求5所述的一种跨工况条件复杂机电系统剩余寿命预测系统， 其特征在 于， 所述预训练模块利用机器学习方式， 基于源域数据进行训练， 生成离线模型并保存。 7.根据权利要求6所述一种跨工况条件 复杂机电系统剩余寿命预测系统， 其特征在于， 所述迁移预测模块结合离线模型和目标域数据训练产生在线迁移学习模型， 并完成复杂机 电系统剩余寿命预测。 8.根据权利要求7所述一种跨工况条件 复杂机电系统剩余寿命预测系统， 其特征在于， 产生在线迁移学习模型 的方法为： 初始化一个在线模型， 将目标域数据输入在线模型与离 线模型， 以同样权重将两个模型 的预测结果加权形成本轮预测结果， 根据结果好坏调整在 线模型参数和两个模型的权 重， 不断迭代此步骤至收敛。 9.一种跨工况 条件复杂机电系统剩余寿命预测方法， 其特 征在于， 包括如下步骤： S1， 复杂机电系统长时间运行在工况A下， 产生大量数据， 保存至多工况数据管理模块 中， 经过数据处理模块形成源域数据； S2， 源域数据经 过预训练模块， 训练生成离线模型； S3， 复杂机电系统在工况B下运行短时间内产生少量数据， 保存至多工况数据 管理模块 中， 经过数据处理模块形成目标域数据； S4， 目标域数据采用离线模型和在线模型加权结合的方式训练并预测出剩余寿命。权　利　要　求　书 1/1 页 2 CN 115392113 A 2一种跨工况条件复杂机电系统剩余寿命 预测系统及方 法 技术领域 [0001]本发明涉及复杂机电系统健康管理技术领域， 尤其涉及 一种跨工况条件复杂机电 系统剩余寿命预测系统及方法。 背景技术 [0002]随着制造业不断发展， 越来越多机电产品被投入到生产应用中， 并日益复杂化、 系 统化。 在许多关键行业， 复杂机电系统扮演着 举足轻重的角色， 其可靠性是完成任务的重要 保障。 复杂机电系统具有零部件数量多、 结构复杂、 工作条件多变的特点， 在长年运行过程 中， 部分零部件会由于环境等因素作用， 从正常运转状态趋向疲劳失效， 影响整个系统运 行。 [0003]也就是说， 由于疲劳失效现象存在， 复杂机电系统往往存在生命周期， 其性能总体 呈衰退趋势。 因此， 事先预测其剩余寿命， 可提前进行人为干预， 采取更换零部件或报废等 手段， 防止因系统突然故障而导 致的损失。 [0004]目前， 机器学习技术发展迅速， 应用机器学习算法进行寿命预测的研究有很多。 这 种方法不依赖专家知识和系统数学模型与机理， 不需要建立显性的数学方程， 而是通过监 测数据， 将预测过程看作一个黑箱问题。 [0005]传统的机器学习方法依赖大量同分布数据。 然而， 复杂机电系统工作环境复杂， 多 运行在多种工况条件下， 不同工况产生的数据量不同， 某些特定工况往往因数据不足而无 法预测。 而由于复杂机电系统本身结构机理不变， 多种工况下的知识应有一定互通性。 因 此， 采取一定方法， 将样本量较多的工况知识， 迁移至小样本工况中进 行跨工况迁移预测十 分重要。 发明内容 [0006]本发明目的是提供了一种跨工况条件复杂机电系统剩余寿命预测系统及方法， 以 解决上述问题。 [0007]本发明解决技 术问题采用如下技 术方案： [0008]一种跨工况条件复杂机电系统剩余寿命预测系统， 包括： 多工况数据管理模块、 数 据处理模块、 预训练模块和迁移预测模块， 其中： [0009]通过所述多工况数据管理模块采集来自复杂机电系统的多工况监测数据， 并将其 保存； [0010]通过所述数据处理模块对多工况数据管理模块中所保存的数据进行数据标准化 和数据降维， 生成源域数据和目标域数据； [0011]通过所述预训练模块将源域数据进行 预训练并生成离线模型； [0012]通过所述迁移预测模块， 输入目标域数据， 并结合预训练模块产生的离线模型， 利 用在线迁移学习算法生成在线迁移模型， 最终 实现剩余寿命的预测。 [0013]进一步的， 多工况数据管理模块中保存的数据分别来自两种不同工况A和B， 工况A说　明　书 1/4 页 3 CN 115392113 A 3