基于GDAU神经网络的轴承剩余寿命的预测方法技术

本发明专利技术涉及一种基于GDAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测。本发明专利技术大大提高了对轴承剩余寿命的预测准确度。

【技术实现步骤摘要】
基于GDAU神经网络的轴承剩余寿命的预测方法
本专利技术属于滚动轴承检测
，涉及一种基于GDAU神经网络的轴承剩余寿命的预测方法。
技术介绍
滚动轴承广泛应用于机械设备中，是应用最为广泛的机械零部件之一。在过载、冲击、磨损等复杂的工作环境下，滚动轴承会出现不同程度损坏的问题，这会导致整个机械设备出现停机、损坏，严重情况下还会给生产活动带来极大危害，引发人身安全问题。所以，滚动轴承的健康状况制约着整个机械设备的可靠性、安全性和生产效率。因此，对滚动轴承的剩余寿命预测能够对其健康状态进行有效的评估，确保机械设备可以安全高效的工作。虽然目前有用神经网络来预测滚动轴承剩余寿命的方法，但这部分神经网络结构预测所得结果不够准确，对滚动轴承的监测所起作用不大。
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GDAU神经网络的轴承剩余寿命的预测方法，构建门控双注意力单元网络(GDAU)，将轴承振动信号的时域特征均方根值作为健康指标输入到GDAU神经网络对轴承的剩余寿命进行预测，提高预测结果的准确度。为达到上述目的，本专利技术提供如下技术方案：一种基于GDAU神经网络的轴承剩余寿命的预测方法，首先，通过安装在实验台上的加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测；该方法具有包括以下步骤：S1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为Ts，样本数为n；S2：计算降噪处理后各振动信号的均方根值，得到n×1维特征值向量X＝[x1,x2,…,xn]T；选取前m个样本的特征值向量作为训练向量S＝[x1,x2,…,xm]T；S3：归一化训练向量S，得到归一化后的训练向量Y＝[y1,y2,…，,ym]T；S4：重构矩阵W；S5：构建门控双注意力单元网络(Gateddualattentionunitnetwork,GDAU)，输入层单元数为k，输出层单元数为1；S6：将矩阵W前面k行作为GDAU神经网络的输入，最后一行作为GDAU神经网络的输出来训练网络；S7：将倒数k个输出作为网络输入，得到下一时刻的输出；S8：重复步骤S7，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减去m乘以振动信号间隔时间与采样时间之和Ts+T即为轴承的剩余寿命。进一步，所述步骤S3中，归一化训练向量S采用线性归一化方法。进一步，所述步骤S4中，重构矩阵为进一步，所述步骤S5中，构建的GDAU神经网络为：rt＝σ(Urxt+Wrht-1+br)zt＝σ(Uzxt+Wzht-1+bz)其中，rt表示重置门输出，zt表示更新门输出；xt为GDAU网络t时刻输入信息，ht-1为上一时刻隐藏状态信息；Wr和Ur为重置门权重矩阵，Wz和Uz为更新门门权重矩阵，Wh和Uh为候选状态权重矩阵，br,bz,bh为偏置矩阵；为注意力门输出，At为重置门和更新门的注意力分布。进一步，构建的GDAU神经网络中，第一个注意力门是在每个时间维度利用注意力机制处理输入数据xt和递归数据ht-1，具体计算公式为：s(xt,ht-1)＝VTtanh(Wsxt+Usht-1)其中，V为注意力门有关的附加参数，Ws和Us为与打分函数相关的权重矩阵，和为与注意力门输出有关的权重矩阵，为注意力门输出，αt为注意力分布向量。更进一步，构建的GDAU神经网络中，第二个注意力门是在每个时间维度利用sigmoid和Tanh函数对重置门和更新门输出进行处理，具体计算公式为：其中，为权重矩阵，为偏置矩阵；通过sigmoid函数计算，表示重置门和更新门输出的注意力比率；是利用Tanh函数计算出候选注意力值，表示信息对预测的贡献度。本专利技术的有益效果在于：本专利技术通过引入门控注意力单元网络(GDAU)，将轴承振动信号的时域特征均方根值作为健康指标输入到GDAU神经网络对轴承的剩余寿命进行预测，与现有神经网络预测结果相比，大大提高了预测结果的准确度。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：图1为GDAU神经网络结构图；图2为第一注意力门结构图；图3为第二注意力门结构图；图4为本专利技术轴承剩余寿命预测方法流程图；图5为对同一工况下不同轴承利用RMS进行寿命预测的结果仿真图(选取最后一百点)；图6为采用GDAU神经网络与现有网络对轴承剩余寿命的预测效果对比图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。请参阅图1～图6，滚动轴承振动信号的时域特征在一定程度上反映了滚动振动信号的状态、健康状况的退化趋势。在时域特征中，均方根值(RMS)被广泛应用来评估振动信号，以此来有效的反映轴承的退化趋势。因此，本专利技术选取轴承振动信号的时域特征均方根值来作为健康指标对轴承的剩余寿命进行预测。首先，通过安装在实验台上的加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测。如图4所示，基于GDAU神经网络的预测方法流程为：1、采集轴承生命周期中的振动信号。采样时间为T，相邻采样点之间的间隔为Ts，假设样本数为n。2、分别计算这些振动信号降噪之后的均方根值，则可得到n×1维的特征值向量X＝[x1,x2,…,xn]T。选取前m个样本的特征值向量作为训练向量S＝[x1,x2,…,xm]T。3、利用线性归一化方法来归一化训练向量S，得到归一化后的训练向量Y＝[y1,y2,…,ym]T。4、重构矩阵5、构建GDAU神经网络，输入层单元数为k，输出层单元数为1。GDAU神经网络计算公式如下：rt＝σ(Urxt+Wrht-1+br)zt＝σ(Uzxt+Wzht-1+bz)s(xt,ht-1)＝VTtanh(Wsxt+Us本文档来自技高网...

【技术保护点】
1.一种基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测；/n该方法具有包括以下步骤：/nS1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为T

【技术特征摘要】
1.一种基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测；
该方法具有包括以下步骤：
S1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为Ts，样本数为n；
S2：计算降噪处理后各振动信号的均方根值，得到n×1维特征值向量X＝[x1,x2,…,xn]T；选取前m个样本的特征值向量作为训练向量S＝[x1,x2,…,xm]T；
S3：归一化训练向量S，得到归一化后的训练向量Y＝[y1,y2,…,ym]T；
S4：重构矩阵W；
S5：构建门控双注意力单元网络(Gateddualattentionunitnetwork,GDAU)，输入层单元数为k，输出层单元数为1；
S6：将矩阵W前面k行作为GDAU神经网络的输入，最后一行作为GDAU神经网络的输出来训练网络；
S7：将倒数k个输出作为网络输入，得到下一时刻的输出；
S8：重复步骤S7，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减去m乘以振动信号间隔时间与采样时间之和Ts+T即为轴承的剩余寿命。


2.根据权利要求1所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，所述步骤S3中，归一化训练向量S采用线性归一化方法。


3.根据权利要求1所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，所述步骤S4中，重构矩阵为


4.根据权利要求1所述的基于GDAU神...

【专利技术属性】
技术研发人员：秦毅，陈定粮，项盛，周江洪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50