一种基于MMALSTM的齿轮剩余寿命的预测方法技术

本发明专利技术涉及一种基于MMALSTM的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于MMALSTM的多步预测，针对不同特征信息所包含的信息量不同的特点，采用MMA对融合特征数据进行宏微观处理；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理。本发明专利技术能够在降低计算量的同时提高齿轮剩余寿命的预测速度与精度。

A Prediction Method of Gear Residual Life Based on MMALSTM

【技术实现步骤摘要】
一种基于MMALSTM的齿轮剩余寿命的预测方法
本专利技术属于大数据和智能制造领域，涉及一种基于MMALSTM的齿轮剩余寿命的预测方法。
技术介绍
齿轮广泛应用于机械设备中，是应用最广泛的机械零件之一。齿轮具有传动效率高、结构紧凑、传动平顺性好、承载能力大、使用寿命长等独特的优点，使其具有强大而持久的生命力。在复杂的工作条件和环境下，齿轮容易发生故障，可能导致机器运行的灾难，甚至危及人身安全。对于大型或超大型设备，如水轮发电机、矿山输送机械、直升机动力传动系统、重型机床等，更是如此。进行在役齿轮的寿命预测，能够有效地确定设备的维护时间，提高生产效率，保证生产的连续高效进行，降低事故发生率，防止突发性事故发生，对于工程生产意义重大。常用机械设备寿命预测方法主要分为以下三类：1)基于模型的预测方法；2)数据驱动；3)前两种方法的混合。基于模型的方法构建描述组件退化过程的物理模型。这种方法需要特定的力学知识，因此适用性较低。数据驱动方法从常规收集的监测数据中派生出预测模型。它主要基于统计和机器学习方法，目的是发现系统的行为。因此，这些方法在精确性、复杂性和适用性之间提供了一种折衷。混合方法结合了基于模型和数据驱动技术。利用监测系统的物理知识建立模型，利用数据驱动技术对参数进行学习和更新。基于模型和数据驱动技术的结合使该方法准确，但仍然需要特定的物理知识而且计算上很昂贵。数据驱动方法中基于机器学习的方法能够克服退化模型未知的问题，同时构建模型的输入也不仅局限于状态监测数据，可以是多种不同类型的数据。其中基于RNN的剩余寿命预测方法能够融合原有学习样本与新的学习模式实现样本的重新训练，不仅能够提高剩余寿命预测的准确性，而且具有收敛速度快和稳定性高等特点，在可靠性评估和剩余寿命预测领域发挥着重要作用。但处理长期依赖型退化数据时，传统RNN方法会面临梯度消失或爆炸问题，剩余寿命预测精度会受到严重影响。为解决这个问题长短期记忆(longshort-termmemory,LTSM)网络应运而生，然而LSTM虽然具有处理长期依赖型退化数据的能力，当其能力也有不足的时候。首先LSTM的长期信息的存储能力也是有限的，冗余信息的存储即不利于寿命预测也会白白浪费计算资源。并且不相关和/或冗余特征的存在会影响神经网络模型训练的速度和准确性。因此在神经网络训练之前，有必要把相关的信息和不必要的信息区分开来，对输入数据进行差异化处理，对预测结果贡献度大的数据着重学习，贡献度小的信息进行轻微的学习。这样就能够最优化的分配计算机资源，有目的的处理输入数据，从而实现准确快速的预测齿轮的剩余使用寿命。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于MMALSTM的齿轮剩余寿命的预测方法，为了全面、准确地表达齿轮的退化过程，计算齿轮的所有特性，对高维特征进行简化和融合，从而减少神经网络的计算量，提高预测速度与精度。为达到上述目的，本专利技术提供如下技术方案：一种基于MMALSTM的齿轮剩余寿命的预测方法，首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于基于宏微观注意力的长短期记忆网络(MMALSTM)的多步预测，针对不同特征信息所包含的信息量不同的特点，采用宏微观注意力机制(MMA)对融合特征数据进行宏微观处理；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理；所述预测方法具体包括以下步骤：S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；S2：分别计算采集的n段齿轮振动信号降噪之后的21种时频特征，则得到n×21维的特征值矩阵X；S3：选取前面n1个采样点组成的特征值矩阵X1作为训练矩阵；S4：通过ISOMAP算法处理训练矩阵X1和特征值矩阵X，分别选取利用最大特征值计算的结果V1＝(v11,v12,...,v1n1)T和V＝(v1,v2,...,vn)T作为其主要成分；S5：由于矩阵X的采样点数比矩阵X1更多，而由于ISOMAP算法的性质向量V和V1的和为零，则向量V的趋势虽然和向量V1相同但是其起始值可能不同。因此需要将它们统一化，使用最小二乘法使目标函数最小，然后通过公式v'i＝avi+b将向量V里的所有元素与向量V1统一化，其中a、b分别表示向量V里的所有元素向向量V1统一化过程中所使用的函数的斜率与偏置，具体大小通过上述目标函数最小化确定；S6：将向量V1归一化，得到归一化之后的向量W＝(w1,w2,...,wn1)T；S7：重构矩阵其中p为神经网络输入层单元数；S8：将矩阵U前面p行作为MMALSTM网络的输入，最后一行作为MMALSTM网络的输出来训练网络；S9：将倒数p个输出作为网络输入，得到下一时刻的输出；S10：重复步骤S9一定次数，将这些输出反归一化之后与实际特征值V'＝(v'p+1,v'p+2,...,v'n)T比较，以证明此方法的有效性。同时，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。进一步，步骤S8中，所述MMALSTM网络是：根据宏微观注意力机制从宏观和微观两方面对特征值矩阵的注意系数进行评价，然后根据宏观和微观注意系数实时放大输入神经网络的输入权重和递归权重，使神经网络对贡献较大的数据更加关注。进一步，所述宏微观注意力机制是注意力机制在整个时间维度和每个时间维度上对数据的操作，具体为：首先，对数据矩阵进行处理，利用MMA计算其宏微观注意系数；预测过程中，整个时间维度的输入数据集为Xt＝[x1x2...xt]，其中xt＝[xt,1xt,2...xt,n]表示t时刻输入数据，ht-1＝[ht-1,1ht-1,2...ht-1,m]表示t-1时刻MMALSTM网络的递归数据；宏观注意力机制是通过注意力机制对整个时间维度内的数据进行处理；微观注意力机制是在每个时间维度利用注意力机制处理输入数据xt＝[xt,1xt,2…xt,n]和递归数据ht-1＝[ht-1,1ht-1,2…ht-1,m]。进一步，所述MMALSTM网络的计算过程为：1)计算宏微观注意力系数公式：其中，αi、λi分别为微观注意力机制中输入数据和递归数据的注意力系数，χi为整个时间维度上所得的宏观注意力系数，为xi的均值，xt,j为t时刻输入数据xt＝[xt,1xt,2…xt,n]中第j个元素，ht-1,p为t-1时刻递归数据ht-1＝[ht-1,1ht-1,2…ht-1,m]中第p个元素，t为输入数据集为Xt＝[x1x2…xt]的维度，为输入数据集Xt中第k个向量的均值，q为查询向量，在MMALSTM网络训练过程中，设为宏观层面的查询向量qM，xt+1,n设为微观层面的查询向量qm；在预测阶段，将xt,n分别设为qM、qm；相关评分函数计算如下：其中，n为t时刻输入数据xt＝[xt,1xt,2…xt,n]的维度，m为t-1时刻MMALSTM网络的递归数据ht-1＝[ht-1,1ht-1,2...ht-1,m]的维度；2)根据相应的宏微观注意力系数对所关联的输入数据权重和递归数据权重进行实时的多层次的放大；其中，wix表示LSTM神经网络输入数据与隐含层本文档来自技高网...

【技术保护点】
1.一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于基于宏微观注意力的长短期记忆网络(Macroscopic‑microscopic attention in LSTM networks，MMALSTM)的多步预测，采用宏微观注意力机制(Macroscopic‑microscopic attention，MMA)对融合特征数据进行宏微观处理；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理；所述预测方法具体包括以下步骤：S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；S2：分别计算采集的n段齿轮振动信号降噪之后的21种时频特征，则得到n×21维的特征值矩阵X；S3：选取前面n1个采样点组成的特征值矩阵X1作为训练矩阵；S4：通过ISOMAP算法处理训练矩阵X1和特征值矩阵X，分别选取利用最大特征值计算的结果V1＝(v11,v12,...,v1n1)

【技术特征摘要】
1.一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于基于宏微观注意力的长短期记忆网络(Macroscopic-microscopicattentioninLSTMnetworks，MMALSTM)的多步预测，采用宏微观注意力机制(Macroscopic-microscopicattention，MMA)对融合特征数据进行宏微观处理；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理；所述预测方法具体包括以下步骤：S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；S2：分别计算采集的n段齿轮振动信号降噪之后的21种时频特征，则得到n×21维的特征值矩阵X；S3：选取前面n1个采样点组成的特征值矩阵X1作为训练矩阵；S4：通过ISOMAP算法处理训练矩阵X1和特征值矩阵X，分别选取利用最大特征值计算的结果V1＝(v11,v12,...,v1n1)T和V＝(v1,v2,...,vn)T作为其主要成分；S5：使用最小二乘法使目标函数最小，然后通过公式v′i＝avi+b将向量V里的所有元素与向量V1统一化，其中a、b分别表示向量V里的所有元素向向量V1统一化过程中所使用的函数的斜率与偏置，具体大小通过上述目标函数最小化确定；S6：将向量V1归一化，得到归一化之后的向量W＝(w1,w2,...,wn1)T；S7：重构矩阵其中p为神经网络输入层单元数；S8：将矩阵U前面p行作为MMALSTM网络的输入，最后一行作为MMALSTM网络的输出来训练网络；S9：将倒数p个输出作为网络输入，得到下一时刻的输出；S10：重复步骤S9一定次数，将这些输出反归一化之后与实际特征值V'＝(v'p+1,v'p+2,...,v'n)T比较，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。2.根据权利要求1所述的一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，步骤S8中，所述MMALSTM网络是：根据宏微观注意力机制从宏观和微观两方面对特征值矩阵的注意系数进行评价，然后根据宏观和微观注意系数实时放大输入神经网络的输入权重和递归权重。3.根据权利要求2所述的一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，所述宏微观注意力机制是注意力机制在整个时间维度和每个时间维度上对数据的操作，具体为：首先，对数据矩阵进行处理，利用MMA计算其宏微观注意系数；预测过程中，整个时间维度的输入数据集为Xt＝[x1x2...xt]，其中xt＝[xt,1xt,2...xt,n]表示t时刻输入数据，ht-1＝[ht-1,1ht-1,2...ht-1,m]表示t-1时刻MMALSTM网络的递归数据；宏观注意力机制是通过注意力机制对整个时间维度内的数据进行处理；微观注意力机制是在每个时间维度利用注意力机制处理输入数据...

【专利技术属性】
技术研发人员：秦毅，项盛，金磊，王阳阳，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50