基于贝叶斯优化CNN-LSTM的高速公路机电设备剩余寿命预测方法

本发明属于高速公路机电设备，涉及高速公路机电设备剩余寿命预测，具体涉及一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法。

背景技术：

1、随着高速公路建设的迅速发展，机电设备在高速公路的运营和管理中发挥着重要作用。为了保障高速公路的安全、高效运行，及时预测和维护这些机电设备的剩余寿命变得尤为重要。

2、目前，常用的设备剩余寿命预测方法主要包括基于经验模型的方法、统计学方法以及基于深度学习的方法。其中，经验模型和统计学方法依赖于大量的历史数据和人工经验，难以适应复杂、多变的实际环境。而深度学习方法，特别是卷积神经网络(cnn)和长短期记忆网络(lstm)，在处理高维、非线性数据方面显示出显著的优势，已逐渐成为设备剩余寿命预测的主流方法。然而，深度学习方法通常需要大量的训练数据来构建有效的模型，并且模型的解释性较差，这使得当出现设备故障时，较难直观理解故障的原因。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，提供一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，以提高设备剩余寿命预测的准确性和效率，为高速公路的安全运营和维护提供科学依据。

2、技术方案：为实现上述目的，本发明提供一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，包括如下步骤：

3、s1：运用spearman相关分析法探寻数据集里所提取的健康因子与机电设备容量之间的关联性，计算获得各健康因子和设备容量向量之间的spearman相关性系数；

4、s2：根据spearman相关性系数，对健康因子进行筛选；

5、s3：对筛选特征后的数据集进行处理，将处理后的数据集划分为训练集和测试集；

6、s4：将cnn和lstm模型相结合，构建cnn-lstm模型；

7、s5：采用贝叶斯优化算法对cnn-lstm模型的超参数进行寻优，获得模型最佳性能；

8、s6：将训练集和测试集输入到优化后的cnn-lstm模型中进行模型训练和测试，将训练好的cnn-lstm模型作为高速公路机电设备剩余寿命预测模型，输出预测结果。

9、进一步地，所述步骤s1中各健康因子和设备容量向量之间的spearman相关性系数的计算公式为：

10、

11、式中，di为两个排序向量对应的元素相减的差分向量，n为向量中元素个数。

12、进一步地，所述步骤s2中选取spearman相关性系数在±0.7-1.0的健康因子作为模型输入的预测因子。

13、进一步地，所述步骤s3中数据集的处理方式为：

14、采用minmaxscaler标准化方法对数据集进行归一化处理，将数据缩放到[0,1]的范围内，计算公式如下：

15、

16、式中，x为归一化之前的特征，xmin是特征的最小值，xmax是特征的最大值，xscaled是归一化后的特征；

17、采用时间窗口法，将时间序列数据划分为多个时间步长的窗口，以便于模型学习序列数据的时间相关性。

18、进一步地，所述步骤s4中cnn-lstm模型包括cnn层、lstm层和dense层；

19、cnn层包含输入层、卷积层、池化层、输出层，卷积层用于对输入层的输入数据进行卷积操作提取出特征，池化层采用最大池化操作，将每个卷积核提取的特征值中的最大值作为该核的输出；

20、lstm层包含输入门、遗忘门、输出门，以cnn层输出的特征图作为lstm层的输入，提取数据的隐藏时序特征；

21、dense层用于将lstm层的输出映射到预测目标。

22、进一步地，所述lstm层后加入了dropout层，用于按照一定概率随机丢弃部分神经元的输出。

23、进一步地，所述cnn层的卷积层通过卷积核在时间序列数据上滑动，提取出特征，计算公式如下：

24、nl,j,q＝wl,jyl-1,q+bl (3)

25、式中，nl,j,q为第l次卷积过程中第j个特征图中第q个位置的数值；wl,j为cnn模型的训练权重，bl为cnn模型的网络偏置；yl-1,q为第l-1卷积层中第q个位置对应区域的数值。

26、进一步地，所述步骤s5具体为：

27、设置需要优化的超参数及其范围，包括卷积核数量(n_filters)、卷积核大小(kernel_size)、lstm单元数量(n_lstm_units)、学习率(learning_rate)和dropout比率(dropout_rate)；

28、运用高斯过程回归模型作为代理模型，近似目标函数，然后在代理模型的指导下选择下一个评估点；

29、高斯过程定义如下：

30、f(x)～gp(m(x),k(x,x'))(4)

31、式中，f(x)为目标函数，m(x)为均值函数，k(x,x')为协方差函数；

32、基于概率代理模型的后验分布构造采集函数，计算公式如下：

33、

34、式中，μ(x)为在第x处的代理模型的预测均值，σ(x)为在第x处的代理模型的预测标准差，f(x*)为当前的最佳观测值，ξ为平衡参数，φ(·)为标准正态分布的累积分布函数，φ(·)为标准正态分布的概率密度函数。

35、进一步地，所述步骤s6中将训练集和测试集输入到基于贝叶斯优化算法的cnn-lstm预测模型中，将所得的预测结果进行反归一化处理，计算公式如下：

36、x＝xscaled(xmax-xmin)+xmin (6)

37、式中，x为反归一化之后的特征，xmin是特征的最小值，xmax是特征的最大值，xscaled是反归一化前的特征。

38、有益效果：本发明与现有技术相比，根据spearman相关性系数对数据集进行筛选，且采用贝叶斯优化算法对cnn-lstm模型的超参数进行寻优，能够在较少的模型评估次数下找到最优的超参数配置，从而提高模型的预测性能，能够提高对于高速公路机电设备剩余寿命预测的准确性和效率，为高速公路的安全运营和维护提供更加科学可靠的依据。

技术特征：

1.一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述步骤s1中各健康因子和设备容量向量之间的spearman相关性系数的计算公式为：

3.根据权利要求1所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述步骤s2中选取spearman相关性系数在±0.7-1.0的健康因子作为模型输入的预测因子。

4.根据权利要求1所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述步骤s3中数据集的处理方式为：

5.根据权利要求1所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述步骤s4中cnn-lstm模型包括cnn层、lstm层和dense层；

6.根据权利要求5所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述lstm层后加入了dropout层，用于按照概率随机丢弃部分神经元的输出。

7.根据权利要求5所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述cnn层的卷积层通过卷积核在时间序列数据上滑动，提取出特征，计算公式如下：

8.根据权利要求6所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述步骤s5具体为：

9.根据权利要求6所述的一种基于贝叶斯优化cnn-lstm的高速公路机电设备剩余寿命预测方法，其特征在于，所述步骤s6中将训练集和测试集输入到基于贝叶斯优化算法的cnn-lstm预测模型中，将所得的预测结果进行反归一化处理，计算公式如下：

技术总结本发明公开了一种基于贝叶斯优化CNN‑LSTM的高速公路机电设备剩余寿命预测方法，包括：运用Spearman相关分析法探寻数据集里所提取的健康因子与机电设备容量之间的关联性，计算获得各健康因子和设备容量向量之间的Spearman相关性系数；对健康因子进行筛选；对筛选特征后的数据集进行处理，将处理后的数据集划分为训练集和测试集；将CNN和LSTM模型相结合，构建CNN‑LSTM模型；采用贝叶斯优化算法对CNN‑LSTM模型的超参数进行寻优，获得模型最佳性能；将训练集和测试集输入到优化后的CNN‑LSTM模型中进行模型训练和测试，将训练好的CNN‑LSTM模型作为高速公路机电设备剩余寿命预测模型，输出预测结果。本发明能够提高设备剩余寿命预测的准确性和效率，为高速公路的安全运营和维护提供科学依据。技术研发人员：张健,王乐言,苏开春,张帅,冷希乔,钱品政受保护的技术使用者：东南大学技术研发日：技术公布日：2024/11/4