本发明涉及物联网和深度学习技术，具体涉及一种基于多维时序数据的设备预测性维护方法及系统。
背景技术：
1、设备空转、轻微停工和突然停工是造成生产问题最多的原因。因此，制造企业意识到，迫切需要对工业设备进行适当的维护。
2、制造企业广泛采用的维护策略可分为三类：运行到故障(r2f)、预防性维护(pvm)和预测性维护(pdm)。r2f策略表示设备发生故障再去维护和检测，pvm策略表示派运维人员周期性去维护，这两种方法都会对金钱、资源造成不必要的浪费。目前最主流的维护策略是pdm，pdm可以通过利用机器学习(ml)算法来确定何时需要维护活动，从而将操作成本降至最低。其次，它可以通过使用历史数据、工程方法和统计方法进行更可靠的预测。第三，它可以提前处理故障检测，从而延长工业设备的使用寿命，改善设备的工作条件。
3、企业根据预测性维护的相关算法预测出设备的剩余使用寿命(rul)来指定相关的维护策略。然而，由于设备传感器数据十分复杂，一般的深度学习神经网络难以对其进行建模，并且如果只是将数据进行简单的预处理而不考虑不同特征对rul预测的影响，模型的准确率也很难提高。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于多维时序数据的设备预测性维护方法及系统。
2、第一方面，本发明提供了一种基于多维时序数据的设备预测性维护方法，该方法包括如下步骤：
3、(1)数据预处理：
4、将采集到的传感器数据进行数据清洗；
5、将数据按照预定的时间窗口进行划分。
6、(2)特征权重学习：
7、将划分好的时序数据进行全局平均池化操作；
8、将池化后的特征输入到全连接神经网络fcnn中进行学习并计算出权重；
9、(3)设备rul预测：
10、将计算出的权重与原数据进行加权组合，得到新的特征；
11、将新的特征输入到lstm网络和全连接神经网络fcnn中进行训练并计算出该设备的剩余使用寿命。
12、第二方面，本发明提供了一种基于多维时序数据的设备预测性维护系统，包括：
13、数据预处理模块，用于：
14、将采集到的传感器数据进行数据清洗；
15、将数据按照预定的时间窗口进行划分；
16、特征权重学习模块，用于：
17、将划分好的时序数据进行全局平均池化操作；
18、将池化后的特征输入到全连接神经网络fcnn中进行学习并计算出权重；
19、设备rul预测，用于：
20、将计算出的权重与原数据进行加权组合，得到新的特征；
21、将新的特征输入到lstm网络和全连接神经网络fcnn中进行训练并计算出该设备的剩余使用寿命。
22、本发明的有益效果：
23、1、基于多维时序数据进行设备的剩余使用寿命预测，便于运维人员采取不同的设备维护策略。
24、2、采用注意力机制对设备数据的不同特征进行权重的学习，让模型更加关注有用的特征，并通过lstm神经网络来对调整完权重特征后的数据进行特征提取，捕捉数据中的时间依赖性和序列模式，使得预测更准确。
1.一种基于多维时序数据的设备预测性维护方法，其特征在于该方法包括如下步骤：
2.根据权利要求1所述的一种基于多维时序数据的设备预测性维护方法，其特征在于：
3.根据权利要求1所述的一种基于多维时序数据的设备预测性维护方法，其特征在于：所述将数据按照预定的时间窗口进行划分具体是：将数据按照创建时间来划分为若干个t大小的时间窗口。
4.根据权利要求1所述的一种基于多维时序数据的设备预测性维护方法，其特征在于：所述步骤(2)具体是：
5.根据权利要求4所述的一种基于多维时序数据的设备预测性维护方法，其特征在于：所述步骤(3)具体是：
6.一种基于多维时序数据的设备预测性维护系统，其特征在于，包括：
