一种基于深度学习的机械装备多状态的选择性维护方法

本发明公开了一种基于深度学习的机械装备多状态的选择性维护方法，涉及机械装备智能预测维护技术领域，包括如下步骤：在机械装备部署传感器实时采集运行状态数据，收集维护操作日志、历史故障诊断记录文本数据，通过时间戳对齐生成多源数据流，并对多源数据流进行预处理，获得预处理后的多模态数据集；本发明通过对机械设备采集的多模态数据具备了数据来源的全面性与可用性，提高了异构数据利用率，利用跨模态关联映射模型融合多模态特征数据，不仅能够挖掘隐藏信息，还能识别隐形状态，清晰掌握了设备运行状况，并且通过时空卷积网络STCN结合威布尔‑深度学习混合模型，可动态且精准地预测机械设备剩余寿命。