一种基于门控神经网络框架的轴承剩余寿命预测方法技术

本发明专利技术提供了一种基于门控神经网络框架的轴承剩余寿命预测方法，包括如下步骤：S1、获得轴承的全寿命周期振动信号，提取振动分布特征并创建门控神经网络训练集合；S2、构建门控神经网络模型，引入直接计算权重的注意力机制，以提高提取时序信息的完整性；S3、添加贝叶斯层，构建时序信息与剩余寿命之间的非线性映射关系；S4、将测试轴承的振动信号作为输入，门控神经网络模型的输出结果即为当前时刻测试轴承的剩余寿命。本发明专利技术无需添加额外的神经网络层数，避免了增加模型复杂度问题，通过将不同时刻提取的时序信息通过加权融合，以提高提取信息的完整性。同时，通过添加贝叶斯层，将传统点预测结果转化为区间预测，以考虑轴承剩余寿命预测的不确定性。寿命预测的不确定性。寿命预测的不确定性。

【技术实现步骤摘要】
一种基于门控神经网络框架的轴承剩余寿命预测方法


[0001]本专利技术涉及轴承剩余寿命预测领域，尤其涉及一种基于门控神经网络框架的轴承剩余寿命预测方法。

技术介绍

[0002]轴承作为旋转机械中重要的组成部分，在电力、高铁、机械等各领域中广泛应用。但同时，轴承也是最容易损伤的部件之一。轴承的故障会导致机械系统的安全隐患，增加非计划停机的风险，甚至会导致重大的经济损失和灾难性的事故。因此对轴承进行剩余寿命预测一直是近年来的研究重点。随着机器学习的不断发展，基于门控神经网络的轴承剩余寿命预测方法得到了广泛的关注。传统的门控神经网络在预测精度上不尽如人意，通过引入注意力机制是提高其预测精度的有效手段。但是传统的注意力机制往往需要添加额外的神经网络层数，导致模型更加复杂，增加计算负担。另外，传统的门控神经网络仅仅能进行点预测，对于由传感器噪声、运行工况变化以及未知失效模式所带来的不确定性未曾考虑。

技术实现思路

[0003]为了克服现有的门控神经网络轴承剩余寿命预测方法的预测精度较低、无法处理预测不确定性的不足，本专利技术提供一种基于门本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，包括如下步骤：S1、获得轴承的全寿命周期振动信号，提取振动分布特征并创建门控神经网络训练集合；S2、构建门控神经网络模型，引入直接计算权重的注意力机制，以提高提取时序信息的完整性；S3、添加贝叶斯层，构建时序信息与剩余寿命之间的非线性映射关系；S4、将测试轴承的振动信号作为输入，门控神经网络模型的输出结果即为当前时刻测试轴承的剩余寿命。2.根据权利要求1所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S1中，具体包括以下步骤：S101、从轴承全寿命周期振动信号中提取与振动分布相关的特征；S102、对提取的描述振动分布的特征进行归一化；S103、采用时间窗构建时序输入数据并创建训练集合。3.根据权利要求2所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S101中，在时刻t的振动信号定义为其中l为采样的时间长度，则所提取描述振动信号分布的特征为：
4.根据权利要求2所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S103中，利用时间窗构建时间序列，以符合门控神经网络的输入要求；采用时间窗对归一化后的特征进行处理，时间窗定义为：TW
t
＝{C
t
‑
L+1
，C
t
‑
L+1
，
…
，C
t
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中L为时间窗的长度，C为归一化后的特征组成的集合；时间窗每次向后推移一个时刻，最终创建的训练集合为{TW
t
，R
t
}，其中R
t
为对应的剩余寿命。5.根据权利要求1所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S2中，具体包括以下步骤：S201、用堆叠的门控神经网络提取输入特征中的时序特征；S202、引入直接计算权重的注意力机制，对每个时刻门控神经网络提取的时序特征赋予不同的权重，并加权得到最终的时序特征。6.根据权利要求5所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S201中，采用堆叠门控神经网络的结构，即前一个门控神经网络的输出作为后一个门控神经网络的输入，以提高整体网络提取时序特征的能力；经过堆叠门控神经网络，每个时刻所提取的特征为7.根据权利要求5所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S202中，引入直接计算权重的注意力机制，对每个时刻提取的时序特征赋予一定的权重，并通过加权融合以提高信息的完整性；权重通过动态时间规划(DTW)算法直接计算得到；设两个矩阵分别为P＝[p1，p2，
…
，p
...

【专利技术属性】
技术研发人员：徐正国，阙子俊，高国朕，程鹏，陈积明，王文海，
申请(专利权)人：浙江大学，
类型：发明
国别省市：