一种特征通道可选择的多组件系统退化预测方法及系统

摘要

本发明公开的一种特征通道可选择的多组件系统退化预测方法及系统，包括：获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；将全局特征输入到特征通道可选择模块，选择相应的特征信号通道，输出对应通道的特征数据；并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件系统性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。本发明提高了多源数据样本分布的一致化，提高了预测精度。

权利要求

1.一种特征通道可选择的多组件系统退化预测方法，其特征在于，包括以下步骤：获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；

将全局特征输入到特征通道可选择模块，选择相应的特征信号通道，输出对应通道的特征数据；

将特征通道可选择模块的输出数据作为输入进入局部特征鉴定模块，通过局部特征鉴别模块将跨域数据的特征数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，所述跨域数据为带标签的多源响应信号数据及无标签的多源响应信号数据；

将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件系统性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线；

所述的将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据，具体为：特征通道可选择模块由 个特征选取器及一个通道选择器组成，在特征通道可选择模块的输出端设置全连接层，每个特征选取器 由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出 中对应通道的特征数据 ；

每个通道的特征数据 与预先存储在通道选择器的专家鉴定数据进行比对，获取各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连接层后得到输出数据 ；

所述的通过局部特征鉴别模块将跨域数据的特征数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，具体为：将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；

判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。

2.根据权利要求1所述的一种特征通道可选择的多组件系统退化预测方法，其特征在于，所述的获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征，具体为：获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；

基于多源响应信号数据构建 的输入数据矩阵， 表示输入数据所含信号模态的个数，表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态数据；

将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据 。

3.根据权利要求1所述的一种特征通道可选择的多组件系统退化预测方法，其特征在于，通过退化演变预测模块进行多组件系统性能退化演变预测，具体为：通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，获取局部特征鉴定模块的输出特征 ，基于提取的特征进行多组件系统的性能退化演变预测；

获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数。

4.一种特征通道可选择的多组件系统退化预测系统，其特征在于，包括如下模块，全局特征提取模块、特征通道可选择模块、局部特征鉴别模块和退化演变预测模块；

所述全局特征提取模块将多组件系统的多源响应信号数据进行卷积计算并提取全局特征；

所述特征通道可选择模块根据所关注内容的不同而重点选择相应的特征信号通道，其输入是全局特征提取模块的输出，其输出连接局部特征鉴别模块的输入；

所述局部特征鉴别模块用于对跨域数据的特征数据进行特征对齐，其输入为特征通道可选择模块的输出，其输出为最大均值差异损失值，最大均值差异损失值反馈回特征通道可选择模块用于调整特征通道的选择，所述跨域数据为带标签的多源响应信号数据及无标签的多源响应信号数据；

所述退化演变预测模块的输入是局部特征鉴别模块的输出，基于提取的特征进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线；

其中，最大均值差异损失值反馈回特征通道可选择模块用于调整特征通道的选择，具体为：将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；

判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。

5.根据权利要求4所述的一种特征通道可选择的多组件系统退化预测系统，其特征在于，所述特征通道可选择模块，具体为：特征通道可选择模块由 个特征选取器及一个通道选择器组成，在特征通道可选择模块的输出端设置全连接层，每个特征选取器 由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出 中对应通道的特征数据 ；

每个通道的特征数据 与预先存储在通道选择器的专家鉴定数据进行比对，获取各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连接层后得到输出数据 。

6.根据权利要求5所述的一种特征通道可选择的多组件系统退化预测系统，其特征在于，所述局部特征鉴别模块，具体为：将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；

判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。

说明书

一种特征通道可选择的多组件系统退化预测方法及系统

技术领域

[0001] 本发明涉及设备健康管理技术领域，更具体的，涉及一种特征通道可选择的多组件系统退化预测方法及系统。

背景技术

[0002] 运行在复杂恶劣运行工况下机械装备系统(例如大型压铸机、蚀刻设备、机器人喷涂设备)受内外因素耦合影响，其退化失效呈现多元、多阶段演变。对于以大型压铸机、蚀刻设备、机器人喷涂系统等多组件系统为代表的整机级、系统级复杂装备，具有退化预测数据多源、分布极不平衡、信息不确定等特点，现有的数据迁移学习方法只考虑整体特征分布跨域对齐(其中包含一些特征明显不同的信号)，而不关注不同信号片段的特征分布，使得退化演变过程的模拟大大偏离实际情况，从而导致传统深度学习模型的性能下降、预测精度降低，甚至模型不可用。因此为了更好地关注可迁移性更好的信号或信号片段，减少“负迁移”，提高多源数据样本分布平衡化、数据特征概率分布一致化的准确度，应增强多组件系统退化预测模型域自适应力，提出一种特征通道可选择的多组件系统退化预测方法以致于增强退化预测的精度。

发明内容

[0003] 为了解决上述技术问题，本发明提出了一种特征通道可选择的多组件系统退化预测方法及系统。

[0004] 本发明第一方面提供了一种特征通道可选择的多组件系统退化预测方法，包括：

[0005] 获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；

[0006] 将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据；

[0007] 并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；

[0008] 将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。

[0009] 本方案中，所述的获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征，具体为：

[0010] 获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；

[0011] 基于多源响应信号数据构建 的输入数据矩阵， 表示输入数据所含信号模态的个数，表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态数据；

[0012] 将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据 。

[0013] 本方案中，所述的将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据，具体为：

[0014] 特征通道可选择模块由 个特征选取器及一个通道选择器组成，每个特征选取器由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出 中对应通道的特征数据 ；

[0015] 每个通道的特征数据 与预先存储在通道选择器的专家鉴定数据进行比对，获取各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连接层后得到输出数据 。

[0016] 本方案中，所述的通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，具体为：

[0017] 将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；

[0018] 判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

[0019] 若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。

[0020] 本方案中，通过退化演变预测模块进行多组件系统性能退化演变预测，具体为：

[0021] 通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，将局部特征鉴定模块的输出数据 ，基于提取的特征进行多组件系统的性能退化演变预测；

[0022] 获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数；

[0023] 通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。

[0024] 本发明第二方面还提供了一种特征通道可选择的多组件系统退化预测系统，其特征在于，包括如下模块，全局特征提取模块、特征通道可选择模块、局部特征鉴别模块和退化演变预测模块；

[0025] 所述全局特征提取模块将多组件系统的多源响应信号数据进行卷积计算并提取全局特征；

[0026] 所述特征通道可选择模块根据所关注内容的不同而重点选择相应的特征信号通道，其输入是全局特征提取模块的输出，其输出连接局部特征鉴别模块的输入；

[0027] 所述局部特征鉴别模块用于对跨域数据进行特征对齐，其输入为特征通道可选择模块的输出，其输出为最大均值差异损失值，最大均值差异损失值反馈回特征通道可选择模块用于调整特征通道的选择；

[0028] 所述退化演变预测模块的输入是局部特征鉴别模块的输出，基于提取的特征进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。

[0029] 本方案中，所述全局特征提取模块，具体为：

[0030] 获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；

[0031] 基于多源响应信号数据构建 的输入数据矩阵， 表示输入数据所含信号模态的个数，表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态数据；

[0032] 将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据 。

[0033] 本方案中，所述特征通道可选择模块选择，具体为：

[0034] 特征通道可选择模块由 个特征选取器及一个通道选择器组成，每个特征选取器由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出 中对应通道的特征数据 ；

[0035] 每个通道的特征数据 与预先存储在通道选择器的专家鉴定数据进行比对，获取各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连接层后得到输出数据 。

[0036] 本方案中，所述局部特征鉴别模块，具体为：

[0037] 将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；

[0038] 判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

[0039] 若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。

[0040] 本方案中，所述退化演变预测模块，具体为：

[0041] 通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，将局部特征鉴定模块的输出数据 ，基于提取的特征进行多组件系统的性能退化演变预测；

[0042] 获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数；

[0043] 通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。

[0044] 本发明公开的一种特征通道可选择的多组件系统退化预测方法及系统，包括：获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据；并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。本发明提高了多源数据样本分布平衡化、一致化的准确度，提高了预测精度。

附图说明

[0045] 图1示出了本发明一种特征通道可选择的多组件系统退化预测方法的流程图；

[0046] 图2示出了本发明特征通道可选择模块选择相应的特征信号通道的方法流程图；

[0047] 图3示出了本发明一种特征通道可选择的多组件系统退化预测系统的框图。

具体实施方式

[0048] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

[0049] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

[0050] 图1示出了本发明一种特征通道可选择的多组件系统退化预测方法的流程图。

[0051] 如图1所示，本发明第一方面提供了一种特征通道可选择的多组件系统退化预测方法，包括：

[0052] S102，获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征；

[0053] S104，将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据；

[0054] S106，并通过局部特征鉴别模块将跨域数据进行特征对齐，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择；

[0055] S108，将局部特征鉴别模块的输出特征输入到退化演变预测模块，进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块网络参数，输出多组件系统退化演变趋势曲线。

[0056] 需要说明的是，所述的获取多组件系统的多源响应信号数据，通过全局特征提取模块对多源响应信号数据进行卷积计算并提取全局特征，具体为：

[0057] 获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；

[0058] 基于多源响应信号数据构建 的输入数据矩阵， 表示输入数据所含信号模态的个数，表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态数据；

[0059] 全局特征提取模块由 个 的卷积核和 个 的池化核组成，将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据 。

[0060] 图2示出了本发明特征通道可选择模块选择相应的特征信号通道的方法流程图。

[0061] 需要说明的是，在多组件系统退化演变的不同阶段，不同维度的响应信号数据特征的重要度会有所变化，因此构造能对特征通道进行选择的特征通道可选择模块，所述的将全局特征输入到特征通道可选择模块选择相应的特征信号通道，输出对应通道的特征数据，具体为：

[0062] 特征通道可选择模块由 )个特征选取器及一个通道选择器组成，每个特征选取器 由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出 中对应通道的特征数据 ；

[0063] 每个通道的特征数据 与预先存储在通道选择器的专家鉴定数据进行比对，获取各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连接层后得到输出数据 。实现根据所关注内容的不同而重点选择相应的特征信号通道，也就是选择了能够反映当前退化阶段最优的模态信号特征数据用于退化状态的评估。

[0064] 需要说明的是，由于工况、环境等变化，输入的多源响应信号数据会存在分布差异、异域等问题，所述的通过局部特征鉴别模块将跨域数据进行特征对齐，所述跨域数据为带标签的多源响应信号数据域及无标签的多源响应信号数据域，同时，输出相似度判断损失，相似度判断损失反馈回特征通道可选择模块调整特征通道的选择，具体为：

[0065] 将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值 获取数据的分布差异，判断带标签的多源响应信号数据域及无标签的多源响应信号数据域是否对齐；

[0066] 判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

[0067] 若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择；

[0068] 其中，最大均值差异通过均值统计评价样本分布差异，带标签的多源响应信号数据域及无标签的多源响应信号数据域的MMD距离表达式为：

[0069]

[0070] 其中， 分别表示带标签的多源响应信号数据域及无标签的多源响应信号数据域样本， ， 分别表示带标签的多源响应信号数据域及无标签的多源响应信号数据域的样本个数， 表示可再生希尔伯特空间范数。

[0071] 需要说明的是，通过退化演变预测模块进行多组件系统性能退化演变预测，具体为：通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，将局部特征鉴定模块的输出数据 ，基于提取的特征进行多组件系统的性能退化演变预测；获取退化演变预测模块的预测损失 ，根据所述预测损失反馈调整退化演变趋势模型的网络参数；通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。

[0072] 所述门控循环神经网络（GRU网络）包括重置门和更新门两个门控结构。GRU网络的最终输出状态是前序状态 以及候选状态 的按权重相加所得，两者的权重由更新门控制，候选状态则由重置门 控制。重置门 负责处理前序状态 ，同时接收当前输入特征和前序状态，并将两项这两项输入进行线性运算，最后由 函数做归一化。重置门的取值范围为0‑1之间，取值越大代表前序状态在候选状态中的占比越大，重置门的取值决定了候选状态 中前序列状态和当前输入特征的重要程度，重置门和候选状态的计算方法为：

[0073]

[0074]

[0075] 其中 为 函数， 为当前输入特征， 为前一个时序的状态输出，、 、 为重置门 的网络权重及偏置， 为双曲正切函数， 、 、 为生
成候选输出 的网络权重及偏置， 为矩阵转置；

[0076] 更新门 负责分配当前输入特征与前序状态之间的权值，从而更新状态输出 ，更新门的计算方法与重置门相似，更新门决定了候选输出 及前序输出对最终输出 的影响程度，更新门 以及最终估计状态 的计算方式为：

[0077]

[0078]

[0079] 其中， 、 、 为更新门 的网络权重及偏置。

[0080] 图3示出了本发明一种特征通道可选择的多组件系统退化预测系统的框图。

[0081] 根据本发明实施例，根据多组件系统退化演变趋势曲线制定维护方案，并判断多组件系统的剩余使用寿命，具体为：

[0082] 根据多组件系统退化演变趋势曲线判断预设时间后的退化状态，获取所述退化状态的特征值，根据所述特征值通过数据检索方法获取相似度符合预设范围的相似退化状态，并获取相似退化状态的维护方案；

[0083] 将所述相似退化状态的维护方案生成备选维护方案，预设多组件系统维护方案的评价指标，根据评价指标的量化规则对所述备选维护方案的影响程度进行量化，生成判断矩阵；

[0084] 将判断矩阵按列进行正则化处理，将正则化处理后进行按行相加，求平均值生成各评价指标的权重，根据各个评价指标的权重构造权重向量；

[0085] 获取各评价指标对备选维护方案的影响程度获取隶属度，生成隶属度矩阵，通过所述权重向量及隶属度矩阵构造模糊决策向量，通过所述模糊决策向量生成各备选维护方案的的优选度；

[0086] 根据所述优选度获取多组件系统的最优维护方案。

[0087] 需要说明的是，构建多组件系统维护方案的相关数据库，通过大数据检索的方法进行历史维护方案及相关维护方案与当前退化状态的相似度，预设相似度阈值，将相似度大于预设相似度阈值的维护方案作为备选维护方案，所述相似度可通过欧氏距离或余弦值进行判断；预设多组件系统维护方案的评价指标为，维护效果、维护难度及维护成本，维护效果指多组件系统维护后的性能恢复程度，通过维护后设备的运行平稳度进行判断，维护难度指维护方案的操作难度、维护时间及对天气的依赖程度，维护成本指与维护相关的各种费用的总和，通过振动信号评估多组件系统备选维护方案的运行平稳性、维护难度及维护成本的计算值与期望值进行计算相对重要性实现量化，判断影响程度，构造判断矩阵获取各个评价指标的权重，根据备选维护方案在评价指标量化规则求得的各个评价指标的值获取获取评价指标对备选维护方案的隶属度，生成隶属度矩阵，隶属度矩阵描述了评价指标对备选维护方案的影响程度，将权重向量与隶属度矩阵联系起来，就得到退化状态与备选维护方案之间的映射关系，确定最优备选维护方案。

[0088] 本发明第二方面还提供了一种特征通道可选择的多组件系统退化预测系统，其特征在于，包括如下模块，全局特征提取模块10、特征通道可选择模块20、局部特征鉴别模块30和退化演变预测模块40；

[0089] 所述全局特征提取模10块将多组件系统的多源响应信号数据进行卷积计算并提取全局特征；

[0090] 所述特征通道可选择模块20根据所关注内容的不同而重点选择相应的特征信号通道，其输入是全局特征提取模块10的输出，其输出连接局部特征鉴别模块30的输入；

[0091] 所述局部特征鉴别模块30用于对跨域数据进行特征对齐，其输入为特征通道可选择模块20的输出，其输出为最大均值差异损失值，最大均值差异损失值反馈回特征通道可选择模块20用于调整特征通道的选择；

[0092] 所述退化演变预测模块40的输入是局部特征鉴别模块30的输出，基于提取的特征进行多组件性能退化演变预测，并通过预测损失反馈调整退化演变预测模块40网络参数，输出多组件系统退化演变趋势曲线。

[0093] 需要说明的是，所述全局特征提取模块，具体为：

[0094] 获取多组件系统的带标签的多源响应信号数据及无标签的多源响应信号数据，将多源响应信号数据输入到全局特征提取模块；

[0095] 基于多源响应信号数据构建 的输入数据矩阵， 表示输入数据所含信号模态的个数，表示每一模态数据的长度，所述数据矩阵中的行表示来源于同一类传感器的模态数据；

[0096] 将所述数据矩阵通过卷积层和池化层运算后，输出全局特征数据 。

[0097] 需要说明的是，所述特征通道可选择模块选择，具体为：

[0098] 特征通道可选择模块由 个特征选取器及一个通道选择器组成，每个特征选取器由多个权重因子构成，根据每个提取器中权重因子的不同，选出全局特征提取模块的输出 中对应通道的特征数据 ；

[0099] 每个通道的特征数据 与预先存储在通道选择器的专家鉴定数据进行比对，获取各通道特征数据的相似性值，选择相似性值最高的通道特征数据通过通道选择器，输出到全连接层后得到输出数据 。

[0100] 需要说明的是，所述局部特征鉴别模块，具体为：

[0101] 将特征通道可选择模块的输出数据 作为输入进入局部特征鉴定模块，通过迭代计算进行特征对齐，通过数据的最大均值差异损失值获取数据的分布差异；

[0102] 判断所述最大均值差异损失值是否处于预设损失值阈值范围内，若处于，则证明数据的分布差异符合预设差标准；

[0103] 若不处于，则将不符合标准的最大均值差异损失值反馈至回特征通道可选择模块调整特征通道的选择。

[0104] 需要说明的是，所述退化演变预测模块，具体为：

[0105] 通过门控循环神经网络构建退化演变趋势模型，设置网络参数，并进行初始化训练，将局部特征鉴定模块的输出数据 ，基于提取的特征进行多组件系统的性能退化演变预测；

[0106] 获取退化演变预测模块的预测损失，根据所述预测损失反馈调整退化演变趋势模型的网络参数；

[0107] 通过调整后的退化演变预测模块输出多组件系统退化演变趋势曲线。

[0108] 所述门控循环神经网络（GRU网络）包括重置门和更新门两个门控结构。GRU网络的最终输出状态是前序状态 以及候选状态 的按权重相加所得，两者的权重由更新门控制，候选状态则由重置门 控制。重置门 负责处理前序状态 ，同时接收当前输入特征和前序状态，并将两项这两项输入进行线性运算，最后由 函数做归一化。重置门的取值范围为0‑1之间，取值越大代表前序状态在候选状态中的占比越大，重置门的取值决定了候选状态 中前序列状态和当前输入特征的重要程度，重置门和候选状态的计算方法为：

[0109]

[0110]

[0111] 其中 为 函数， 为当前输入特征， 为前一个时序的状态输出，、 、 为重置门 的网络权重及偏置， 为双曲正切函数， 、 、 为生
成候选输出 的网络权重及偏置， 为矩阵转置；

[0112] 更新门 负责分配当前输入特征与前序状态之间的权值，从而更新状态输出 ，更新门的计算方法与重置门相似，更新门决定了候选输出 及前序输出对最终输出 的影响程度，更新门 以及最终估计状态 的计算方式为：

[0113]

[0114]

[0115] 其中， 、 、 为更新门 的网络权重及偏置。

[0116] 在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

[0117] 上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

[0118] 另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

[0119] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

[0120] 或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0121] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。