基于非对称损失神经网络的产品关键零件剩余寿命预测方法技术

本发明专利技术公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据；对振动信号数据进行预处理得到训练数据样本；建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；在训练预测模型的过程中采用一种非对称的损失函数进行训练，在零件实际使用过程中获取测试数据，并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明专利技术采用非对称损失函数训练预测模型，当出现预测寿命大于真实寿命这种危险情况时，加大惩罚力度，从而使预测模型在工业生产的应用中更加安全。

Residual life prediction method of key parts based on asymmetric loss neural network

【技术实现步骤摘要】
基于非对称损失神经网络的产品关键零件剩余寿命预测方法
本专利技术涉及了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法，属于机械零件剩余使用寿命预测领域。
技术介绍
机械产品关键零件如齿轮、轴承等在现代制造业中的应用十分广泛，大量机械系统的故障与关键零件性能的下降有关。关键零件的工作状态对于机械系统的安全性、可靠性和有效性具有重要意义。剩余使用寿命预测技术可以帮助用户监视关键零件的工作状态，并估计零件发生故障之前剩余的时间，从而可以及时对零件进行维护与更换，避免机械系统故障的发生。因此，对机械产品关键零件剩余使用寿命预测方法的研究是很有意义的。在机械产品关键零件工作过程中，其振动信号包含了丰富的与零件性能有关的信息，因此可以通过使用传感器获取零件工作过程中的振动信号并对获得的信号进行分析与处理来实现对零件剩余使用寿命的预测。卷积自编码技术可以在充分保留二维局部信息的同时进行降维，降低数据规模、提高信噪比，有利于进一步的数据分析，目前在图像语义分割领域取得了很好的效果。深层神经网络可以在缺乏先验知识的条件下，从数据本文档来自技高网...

【技术保护点】
1.一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法，其特征在于，包括以下步骤：/nS1.在机械产品关键零件上安装加速度传感器，在零件运行过程中通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间，直至零件损坏；/nS2.对机械产品关键零件运行中获得的振动信号数据进行预处理，得到训练数据样本，包括一维时域特征数据与二维时频域特征数据；/nS3.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；/nS4.将处理好的训练数据样本和剩余使用寿命标签输入预测模型中训练预测模型，在训练的过程中采用一种非对称的损失函数进行训练，以提升预测模型的安全性能；/nS5.在同种...

【技术特征摘要】
1.一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法，其特征在于，包括以下步骤：
S1.在机械产品关键零件上安装加速度传感器，在零件运行过程中通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间，直至零件损坏；
S2.对机械产品关键零件运行中获得的振动信号数据进行预处理，得到训练数据样本，包括一维时域特征数据与二维时频域特征数据；
S3.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；
S4.将处理好的训练数据样本和剩余使用寿命标签输入预测模型中训练预测模型，在训练的过程中采用一种非对称的损失函数进行训练，以提升预测模型的安全性能；
S5.在同种零件工作的过程中使用与S1、S2中相同的方法采集振动信号数据并进行数据预处理，得到测试数据；
S6.将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。


2.根据权利要求1所述的一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法，其特征在于：所述步骤S2具体如下：
S21.对在机械产品关键零件运行过程中获得的振动信号数据进行降采样，将每次采样的数据沿时间维度平均分为N组，计算每组数据的最大值、方均根、方差和峰峰值共四种特征；
S22.从降采样后的数据提取时域特征：将四种特征在特征维度上进行拼接，由同一时间点的四种特征组成一维向量作为该时间点的时域特征；
S23.从降采样后的数据提取时频域特征：从步骤S22得到的长度为N的一维时域数据提取出方均根特征的部分进行小波变换，转化为N×N的二维时频域特征；
S24.采用卷积自编码技术对时频域数据进行降维：构建卷积自编码器，卷积自编码器包括编码器和解码器；先构建编码器，采用两层卷积神经网络与两层最大池化层交...

【专利技术属性】
技术研发人员：刘振宇，张朔，郏维强，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33