公开(公告)号：CN111709577B

公开(公告)日：2023-08-15

申请号：CN202010553410.4

申请日：2020-06-17

Applicant: 上海海事大学

Inventor： 周福娜 ,  杨帅 ,  胡雄 ,  张志强 ,  王微 ,  王天真

IPC: G06Q10/04 ,  G06Q10/067 ,  G06N3/0442 ,  G06N3/0475 ,  G06N3/048

Abstract: 本发明公开了一种非全寿命周期数据下基于长程相关性GAN‑LSTM的RUL预测方法。利用非全寿命周期的历史数据建立粗略的基于LSTM的RUL预测模型，并利用该预测模型预测出未采集到的全寿命周期数据；使用预测出的全寿命周期数据，构建一个生成对抗网络，使用训练好的生成对抗网络的生成器生成大量全寿命周期数据；使用生成的全寿命周期数据，对建立的RUL预测模型进行再次训练，更新其网络参数，提高预测能力。本发明解决了在非全寿命周期数据下无法有效进行RUL在线预测的问题，能够根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力。

公开(公告)号：CN111709577A

公开(公告)日：2020-09-25

申请号：CN202010553410.4

申请日：2020-06-17

Applicant: 上海海事大学

Inventor： 周福娜 ,  杨帅 ,  胡雄 ,  张志强 ,  王微 ,  王天真

IPC: G06Q10/04 ,  G06Q10/06 ,  G06N3/04

Abstract: 本发明公开了一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法。利用非全寿命周期的历史数据建立粗略的基于LSTM的RUL预测模型，并利用该预测模型预测出未采集到的全寿命周期数据；使用预测出的全寿命周期数据，构建一个生成对抗网络，使用训练好的生成对抗网络的生成器生成大量全寿命周期数据；使用生成的全寿命周期数据，对建立的RUL预测模型进行再次训练，更新其网络参数，提高预测能力。本发明解决了在非全寿命周期数据下无法有效进行RUL在线预测的问题，能够根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力。