部件寿命预测方法及装置制造方法及图纸

本申请提供一种部件寿命预测方法及装置，方法包括：获取安装于待测部件的传感器采集到的加速度信号；对所述加速度信号进行特征提取，获得特征指标；将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。本方案采用一种多时间尺度增强门控神经网络的方法对部件寿命进行预测，解决了数据量和特征维度对部件寿命预测的限制，提高了部件寿命预测的准确度。

Method and device of component life prediction

【技术实现步骤摘要】
部件寿命预测方法及装置
本申请涉及机械检测领域，特别涉及一种部件寿命预测方法及装置。
技术介绍
机械设备在使用的过程中，会受到较多因素的影响，对其各个部件的使用寿命造成较为严重的影响。随着我国经济的发展，在进行机械设备制造生产的过程中，针对机械设备的使用寿命进行预测能够较好的去除设备存在的安全隐患，为企业节省成本的同时，也能够对工作人员的生命安全起到良好的保护作用。现有的部件寿命预测方法基于数据驱动的原理，通常分为两个阶段。第一阶段构建一个新的健康表征指标，第二阶段构建一个新的寿命预测算法。随后通过新的寿命预测算法来预测待测部件的寿命。然而在面对复杂机械部件时、往往需要涉及大量数据以及大特征多维度的指标特征数据时，现有的部件寿命预测方法则往往无法预测或者预测的精度不高。
技术实现思路
本申请提供一种部件寿命预测方法及装置，用于解决传统部件寿命预测方法对于大数据量的预测准确度不高的状况。本申请的第一个方面是提供一种部件寿命预测方法，包括：获取安装于待测部件的传感器采集到的加速度信号；对所述加速度信号进行特征提取，获得特征指标；将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。可选的，所述对所述加速度信号进行特征提取，获得特征数据之前，还包括：对所述加速度信号进行滤波处理。可选的，所述对所述加速度信号进行特征提取，获得特征指标，包括：运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；运用小波包变换方法，从所述加速度信号提取出小波包特征指标；对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。可选的，所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。可选的，所述多尺度时间重构层，具体用于根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；其中，所述重构公式为：D(a,n,:)＝x(tai:taj)；其中tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，D(a,n,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。本专利技术的第二个方面是提供一种部件寿命预测装置，包括：获取模块，用于获取安装于待测部件的传感器采集到的加速度信号；提取模块，用于对所述加速度信号进行特征提取，获得特征指标；预测模块，用于将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。可选的，所述装置还包括：滤波模块，用于对所述加速度信号进行滤波处理。可选的，所述提取模块包括：时域提取单元，用于运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；频域提取单元，用于运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；小波包提取单元，用于运用小波包变换方法，从所述加速度信号提取出小波包特征指标；运算处理单元，用于对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。可选的，所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。可选的，所述多尺度时间重构层，具体用于根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；其中，所述重构公式为：D(a,n,:)＝x(tai:taj)；其中tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，D(a,m,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。本申请提供的部件寿命预测方法及装置中，利用深度训练后的多时间尺度增强门控神经网络对部件寿命进行预测。和传统的数据驱动方法相比，基于多时间尺度增强门控神经网络的部件寿命预测方法大大提高了预测的准确性，同时在大数据量和大特征维度时，预测的准确性也能够得到保证，扩大了部件寿命预测的有效范围。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1A为本申请实施例一的部件寿命预测方法的流程示意图；图1B为本申请实施例一的部件寿命预测方法的流程示意图；图1C为本申请实施例一的部件寿命预测方法的流程示意图；图2A为本申请实施例五的部件寿命预测装置的结构示意图；图2B为本申请实施例六的部件寿命预测装置的结构示意图；图2C为本申请实施例七的部件寿命预测装置的结构示意图。通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置的例子。本申请中的各实施方式既可以单独实施，也可以在不冲突的前提下结合实施。图1A为本申请实施例一提供的一种部件寿命预测方法的流程示意图，参照图1A所示，本实施例提供一种部件寿命预测方法利用多时间尺度增强门控神经网络对部件寿命进行预测，提高了预测的准确度，具体的，本实施例以该部件寿命预测方法应用于部件寿本文档来自技高网...

【技术保护点】
1.一种部件寿命预测方法，其特征在于，包括：获取安装于待测部件的传感器采集到的加速度信号；对所述加速度信号进行特征提取，获得特征指标；将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。

【技术特征摘要】
1.一种部件寿命预测方法，其特征在于，包括：获取安装于待测部件的传感器采集到的加速度信号；对所述加速度信号进行特征提取，获得特征指标；将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。2.根据权利要求1所述的方法，其特征在于，所述对所述加速度信号进行特征提取，获得特征数据之前，还包括：对所述加速度信号进行滤波处理。3.根据权利要求1所述的方法，其特征在于，所述对所述加速度信号进行特征提取，获得特征指标，包括：运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；运用小波包变换方法，从所述加速度信号提取出小波包特征指标；对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。4.根据权利要求1所述的方法，其特征在于，所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。5.根据权利要求4所述的方法，其特征在于，所述多尺度时间重构层，具体用于根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；其中，所述重构公式为：D(a,n,:)＝x(tai:taj)；其中，tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，D(a,n,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。6.一种部件寿命预测装置，...

【专利技术属性】
技术研发人员：任磊，成学军，崔晋，孙亚强，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11