本技术涉及可靠性工程和深度学习的，具体而言，涉及一种设备剩余寿命预测方法、装置及电子设备。
背景技术：
1、目前的设备剩余寿命预测大都是基于单一数据源进行预测的，例如：采样多个同种类型的传感器对目标设备进行数据采集，获得多个传感器数据，根据多个传感器数据预测出目标设备的剩余寿命。在具体的实践过程中发现，单一数据源存在信息不足的问题导致设备剩余寿命的预测准确率较低。
技术实现思路
1、本技术实施例的目的在于提供一种设备剩余寿命预测方法、装置及电子设备，用于改善设备剩余寿命的预测准确率较低的问题。
2、本技术实施例提供了一种设备剩余寿命预测方法，包括：对目标设备的多模态数据进行特征提取，获得多个模态特征；使用时间注意力机制模型对多个模态特征进行权重计算，获得多个模态特征的权重；根据多个模态特征的权重对多个模态特征进行特征融合，获得融合特征；根据融合特征预测出目标设备的剩余寿命。在上述方案的实现过程中，通过使用时间注意力机制模型对目标设备的多模态数据提取的模态特征进行权重计算，获得多个模态特征的权重，并在根据多个模态特征的权重对多个模态特征进行特征融合后，根据融合特征来预测目标设备的剩余寿命，由于多模态数据克服了单一数据源信息不足的缺陷，且时间注意力机制模型能够对不同时间点的重要特征进行加权处理，动态地分配特征权重并突出重要时间点的关键特征，从而提升了对融合特征中的关键信息的敏感度，有效地提高了设备剩余寿命的预测准确率。
3、可选地，在本技术实施例中，多模态数据，包括：可见光图像时序数据、振动信号时序数据和/或温度时序数据；对目标设备的多模态数据进行特征提取，包括：使用卷积神经网络对可见光图像时序数据进行特征提取；和/或，使用时间卷积网络对振动信号时序数据进行特征提取；和/或，使用长短时记忆网络对温度时序数据进行特征提取。在上述方案的实现过程中，通过每种网络模型都针对相应数据的特性进行了优化，确保特征提取的准确性和高效性，这种针对性强的特征提取方法大大提高了特征提取的精度，使得模型能够充分利用不同数据源的特征信息，提高了剩余寿命预测的准确性和可靠性。
4、可选地，在本技术实施例中，在对目标设备的多模态数据进行特征提取之前，还包括：对可见光图像时序数据进行图像去噪、图像增强、图像裁剪和/或图像缩放；和/或，对振动信号时序数据进行去除趋势项、降噪处理、时域信号提取和/或频域信号提取；和/或，对温度时序数据进行去噪处理、缺失数据处理和/或异常值处理；和/或，对振动信号时序数据和/或温度时序数据进行归一化处理或者标准化处理。在上述方案的实现过程中，通过结合可见光图像时序数据、振动信号时序数据和/或温度时序数据，不仅能够更全面地反映设备的运行状态，还能提高预测的准确性和可靠性。多不同模态的数据往往具有互补性，通过融合可以利用不同模态数据的优势，弥补单一模态数据的不足。多模态数据提供了多种信息视角使得模型提取更全面和多维度的信息，提高模型的预测性能和鲁棒性。进一步地，上述多模态数据的使用可以提高系统的鲁棒性，即使某一模态的数据质量较低或出现缺失，其他模态的数据可以提供补充，从而维持预测的稳定性和可靠性。
5、可选地，在本技术实施例中，根据多个模态特征的权重对多个模态特征进行特征融合，包括：根据多个模态特征的权重对多个模态特征进行加权处理，获得多个加权后的特征表示；使用时间注意力机制模型对多个加权后的特征表示进行特征融合，获得融合特征。在上述方案的实现过程中，通过引入时间注意力机制，对不同时间点的特征进行动态加权，该机制能够自适应地识别和加强对任务最重要的时间点特征，有效提高了特征融合的质量，该时间注意力机制的应用使得模型在捕捉时间依赖特征方面表现更加优异，从而能够自动聚焦在关键时间点，增强了对设备状态变化的敏感性，进一步提高了设备剩余寿命预测的精度。
6、可选地，在本技术实施例中，使用时间注意力机制模型对多个加权后的特征表示进行特征融合，包括：对多个加权后的特征表示进行拼接，获得拼接后的特征表示；使用时间注意力机制模型对拼接后的特征表示进行特征融合，获得融合特征。在上述方案的实现过程中，通过时间注意力机制能够突出显示哪些时间点或时间段的特征对预测结果最为重要，从而为模型的决策提供可解释性，加权与拼接使得模型可以区分不同特征的重要性，进一步增强了模型在特定特征上的聚焦能力，由于不同的特征可能在不同的时间点对预测有不同程度的贡献，而时间注意力机制能够自动调整对这些特征的关注程度，从而捕捉到更复杂的模式。因为拼接后的特征表示包含了更多维度的信息，使得时间注意力机制模型能够从更全面的角度理解数据，从而提高设备剩余寿命预测的准确性。
7、可选地，在本技术实施例中，根据融合特征预测出目标设备的剩余寿命，包括：使用全连接网络模型对融合特征进行预测，获得目标设备的剩余寿命。在上述方案的实现过程中，通过全连接层中的激活函数捕捉到输入特征之间的复杂非线性关系，这对于预测剩余寿命这类非线性问题非常关键，从而能够自动学习到高层抽象特征，即使输入的是低层次的融合特征，也能从中提取出对预测更有意义的模式，有效地提高了设备剩余寿命的预测准确率。
8、可选地，在本技术实施例中，在根据融合特征预测出目标设备的剩余寿命之后，还包括：对多个模态特征进行降维，获得降维后的模态特征；对降维后的模态特征、融合特征和目标设备的剩余寿命进行可视化分析。在上述方案的实现过程中，通过对降维后的模态特征、融合特征和目标设备的剩余寿命进行可视化分析，能够直观地观察到真实rul和预测rul的分布及其差异，这不仅有助于模型的调试和改进，还增强了模型的可解释性，使得用户能够更信任模型的预测结果。
9、本技术实施例还提供了一种设备剩余寿命预测装置，包括：模态特征提取模块，用于对目标设备的多模态数据进行特征提取，获得多个模态特征；特征权重计算模块，用于使用时间注意力机制模型对多个模态特征进行权重计算，获得多个模态特征的权重；模态特征融合模块，用于根据多个模态特征的权重对多个模态特征进行特征融合，获得融合特征；剩余寿命预测模块，用于根据融合特征预测出目标设备的剩余寿命。
10、可选地，在本技术实施例中，多模态数据，包括：可见光图像时序数据、振动信号时序数据和/或温度时序数据；模态特征提取模块，包括：图像数据特征提取子模块，用于使用卷积神经网络对可见光图像时序数据进行特征提取；和/或，振动信号特征提取子模块，用于使用时间卷积网络对振动信号时序数据进行特征提取；和/或，温度数据特征提取子模块，用于使用长短时记忆网络对温度时序数据进行特征提取。
11、可选地，在本技术实施例中，模态特征提取模块，还包括：图像数据预处理子模块，用于对可见光图像时序数据进行图像去噪、图像增强、图像裁剪和/或图像缩放；和/或，振动信号预处理子模块，用于对振动信号时序数据进行去除趋势项、降噪处理、时域信号提取和/或频域信号提取；和/或，温度数据预处理子模块，用于对温度时序数据进行去噪处理、缺失数据处理和/或异常值处理；和/或，归一化标准化处理子模块，用于对振动信号时序数据和/或温度时序数据进行归一化处理或者标准化处理。
12、可选地，在本技术实施例中，模态特征融合模块，包括：模态特征加权处理子模块，用于根据多个模态特征的权重对多个模态特征进行加权处理，获得多个加权后的特征表示；加权特征表示融合子模块，用于使用时间注意力机制模型对多个加权后的特征表示进行特征融合，获得融合特征。
13、可选地，在本技术实施例中，加权特征表示融合子模块，包括：特征表示拼接单元，用于对多个加权后的特征表示进行拼接，获得拼接后的特征表示；拼接特征融合单元，用于使用时间注意力机制模型对拼接后的特征表示进行特征融合，获得融合特征。
14、可选地，在本技术实施例中，剩余寿命预测模块，包括：融合特征预测子模块，用于使用全连接网络模型对融合特征进行预测，获得目标设备的剩余寿命。
15、可选地，在本技术实施例中，设备剩余寿命预测装置，还包括：模特特征降维模块，用于对多个模态特征进行降维，获得降维后的模态特征；特征可视化分析模块，用于对降维后的模态特征、融合特征和目标设备的剩余寿命进行可视化分析。
16、本技术实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器运行时执行上面描述的方法。
17、本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上面描述的方法。
18、本技术实施例还提供了一种计算机程序产品，包括：计算机程序或者计算机指令，计算机程序或者计算机指令被处理器运行时执行上面描述的方法。
1.一种设备剩余寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述多模态数据，包括：可见光图像时序数据、振动信号时序数据和/或温度时序数据；所述对目标设备的多模态数据进行特征提取，包括：
3.根据权利要求2所述的方法，其特征在于，在所述对目标设备的多模态数据进行特征提取之前，还包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个模态特征的权重对所述多个模态特征进行特征融合，包括：
5.根据权利要求4所述的方法，其特征在于，所述使用所述时间注意力机制模型对所述多个加权后的特征表示进行特征融合，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述融合特征预测出所述目标设备的剩余寿命，包括：
7.根据权利要求1-6任一所述的方法，其特征在于，在所述根据所述融合特征预测出所述目标设备的剩余寿命之后，还包括：
8.一种设备剩余寿命预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述机器可读指令被所述处理器运行时执行权利要求1至7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行权利要求1至7任一所述的方法。
11.一种计算机程序产品，其特征在于，包括：计算机程序或者计算机指令，所述计算机程序或者所述计算机指令被处理器运行时执行权利要求1至7任一所述的方法。
