基于双线程门控循环单元的齿轮剩余使用寿命预测方法技术

本申请提供一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，具体步骤为：采集齿轮全生命周期的振动信号，获得采集数据；计算采集数据的多维时域和频域特征，将多维时域和频域特征输入DTC

【技术实现步骤摘要】
基于双线程门控循环单元的齿轮剩余使用寿命预测方法


[0001]本专利技术涉及齿轮剩余使用寿命预测领域，特别是一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法。

技术介绍

[0002]随着科学技术的快速发展以及生产力的不断提高，航空航天、轨道交通、能源动力等相关领域对机械设备提出了高性能、高速度、自动化和智能化等要求。齿轮作为机械设备的核心部件之一，其通常工作在重载、高温、腐蚀以及高作业率的复杂恶劣环境下，这使得它容易发生点蚀、断齿等失效故障，进而影响设备的正常运行。因此为了确保机械设备的安全可靠运行和制定合理的维修计划，有必要研究具有高精度高鲁棒性的齿轮寿命预测方法。
[0003]健康指标作为寿命预测的基础，其有效性直接影响齿轮轴承的剩余使用寿命的预测精度，在CN112926505A中公开了一种名称为“基于DTC
‑
VAE神经网络的旋转机械健康指标构建方法”的专利技术专利，该申请构建具有明显退化趋势和统一失效阈值的基于DTC
‑
VAE模型的健康指标HI，为齿轮剩余寿命的预测提供了计算支撑。
[0004]当前循环神经网络(recurrent neural network,RNN)存在不能很好地学习到平稳和非平稳信息以及剩余使用寿命预测(remaining useful life,RUL)精度不高等问题。

技术实现思路

[0005]本专利技术的目的就是提供一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，它可以用于对齿轮剩余使用寿命进行预测。r/>[0006]本专利技术的目的是通过这样的技术方案实现的，具体步骤如下：
[0007]1)数据采集：以T为单个样本采样时间、T
s
为采样间隔时间，采集齿轮全生命周期的振动信号，获得样本个数为n的采集数据；
[0008]2)构建健康指标：计算采集数据的多维时域和频域特征，将多维时域和频域特征输入DTC
‑
VAE神经网络中，生成基于DTC
‑
VAE模型的健康指标H，H＝[h1,h2,
…
,h
n
]T
，并将健康指标数据集H划分为训练集S
train
与测试集S
test
；
[0009]3)构建预测模型：构建基于双线程门控循环单元DTGRU网络的齿轮剩余使用寿命预测模型；
[0010]4)模型训练：使用训练样本S
train
构建矩阵U，将矩阵U的前k行向量作为DTGRU网络模型的输入，将矩阵U的最后一行作为DTGRU网络模型的输出，以DTGRU神经网络映射函数f的损失函数L最小为目标，对DTGRU网络模型参数进行更新；
[0011]5)健康指标预测：将t时刻的倒数的k个输出作为更新后DTGRU网络模型的输入，得到t+1时刻的健康指标向量；
[0012]6)剩余使用寿命预测：重复步骤5)，若t+1时刻的健康指标向量小于设定的失效阈值，则返回步骤5)计算t+2时刻的健康指标向量，若t+1时刻的健康特征指标向量大于设定
的失效阈值，则输出伺服电机的剩余使用寿命。
[0013]进一步，步骤3)中所述双线程门控循环单元DTGRU网络包括使用注意力机制模块连接的两个GRU网络，定义两个GRU网络分别为双线程门控循环单元DTGRU网络主、副线程GRU网络。
[0014]进一步，步骤3)中所述双线程门控循环单元DTGRU网络的工作步骤为：
[0015]3‑
1)以前两个时间点的主线程的两个隐藏状态h
t
‑1和h
t
‑2以及前一个时间点副线程输出的关联线程N
t
‑1作为副线程的输入，提取h
t
‑1和h
t
‑2之间的包含非平稳波动的差分信息，利用副线程GRU网络挖掘非平稳时间特征，这些非平稳性知识包含在N
t
中，在t时刻，副线程GRU网络的状态传输等式为：
[0016]D
t
＝h
t
‑1‑
h
t
‑2[0017][0018][0019][0020][0021]式中，D
t
为非平稳波动的差分信息，
⊙
表示点积，为副线程GRU网络更新门的输出，r
tA
为副线程GRU网络重置门输出，为副线程GRU网络的权重矩阵，为副线程GRU网络的偏置矩阵，σ为Sigmoid函数；
[0022]3‑
2)将N
t
和h
t
‑1作为注意力机制模块的输入，利用注意机制对健康指标曲线的重要知识进行筛选，注意力机制模块的更新公式为：
[0023]s(h
t
‑1,N
t
)＝V
T tanh(W
s
h
t
‑1+U
s
N
t
)
[0024][0025]Ω
t
＝α
t
⊙
N
t
[0026]m
t
＝σ(W
m
[Ω
t
,h
t
‑1]+b
m
][0027]式中，W
s
、U
s
、W
m
、V
T
为注意力机制模块的权重矩阵，b
m
为注意力机制模块的偏置矩阵，σ为Sigmoid函数，m
t
为注意力模块的输出；
[0028]3‑
3)将注意机制的输出以及t时刻输入序列x
t
作为主线程GRU网络的输入，主线程GRU网络的输出状态的计算式为：
[0029][0030][0031][0032][0033]式中，x
t
为t时刻的输入信息，
⊙
表示点积，为主线程GRU网络更新门的输出，为主线程GRU网络重置门输出，为主线程GRU网络的权重矩阵，为副线程GRU网络的偏置矩阵，σ为Sigmoid函数；
[0034]3‑
4)计算双线程门控循环单元DTGRU网络的输出：
[0035]o
t
＝g(W
t
h
t
+b
t
)
[0036]式中，o
t
为t时刻DTGRU网络的输出，g为线性激活函数，W
t
为t时刻权矩阵，b
t
为t时刻偏置矩阵，定义DTGRU网络的损耗函数为:
[0037][0038]式中，o
t
为t时刻DTGRU网络的输出，N为输出目标的维度。
[0039]进一步，步骤4)模型训练的具体步骤为：
[0040]4‑
1)使用训练样本S
train
...

【技术保护点】

【技术特征摘要】
1.一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，其特征在于，具体步骤如下：1)数据采集：以T为单个样本采样时间、T
s
为采样间隔时间，采集齿轮全生命周期的振动信号，获得样本个数为n的采集数据；2)构建健康指标：计算采集数据的多维时域和频域特征，将多维时域和频域特征输入DTC
‑
VAE神经网络中，生成基于DTC
‑
VAE模型的健康指标H，H＝[h1,h2,
…
,h
n
]
T
，并将健康指标数据集H划分为训练集S
train
与测试集S
test
；3)构建预测模型：构建基于双线程门控循环单元DTGRU网络的齿轮剩余使用寿命预测模型；4)模型训练：使用训练样本S
train
构建矩阵U，将矩阵U的前k行向量作为DTGRU网络模型的输入，将矩阵U的最后一行作为DTGRU网络模型的输出，以DTGRU神经网络映射函数f的损失函数L最小为目标，对DTGRU网络模型参数进行更新；5)健康指标预测：将t时刻的倒数的k个输出作为更新后DTGRU网络模型的输入，得到t+1时刻的健康指标向量；6)剩余使用寿命预测：重复步骤5)，若t+1时刻的健康指标向量小于设定的失效阈值，则返回步骤5)计算t+2时刻的健康指标向量，若t+1时刻的健康特征指标向量大于设定的失效阈值，则输出伺服电机的剩余使用寿命。2.如权利要求1所述的一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，其特征在于，步骤3)中所述双线程门控循环单元DTGRU网络包括使用注意力机制模块连接的两个GRU网络，定义两个GRU网络分别为双线程门控循环单元DTGRU网络主、副线程GRU网络。3.如权利要求2所述的一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，其特征在于，步骤3)中所述双线程门控循环单元DTGRU网络的工作步骤为：3
‑
1)以前两个时间点的主线程的两个隐藏状态h
t
‑1和h
t
‑2以及前一个时间点副线程输出的关联线程N
t
‑1作为副线程的输入，提取h
t
‑1和h
t
‑2之间的包含非平稳波动的差分信息，利用副线程GRU网络挖掘非平稳时间特征，这些非平稳性知识包含在N
t
中，在t时刻，副线程GRU网络的状态传输等式为：D
t
＝h
t
‑1‑
h
t
‑
2222
式中，D
t
为非平稳波动的差分信息，
⊙
表示点积，为副线程GRU网络更新门的输出，为副线程GRU网络重置门输出，为副线程GRU网络的权重矩阵，为副线程GRU网络的偏置矩阵，σ为Sigmoid函数；3
‑
2)将N
t
和h
t
‑1作为注意力机制模块的输入，利用注意机制对健康指标曲线的重要知识进行筛选，注意力机制模块的更新公式为：
s(h
t
‑1,N
t
)＝V
T
tanh(W
s
h
t
‑1+U
...

【专利技术属性】
技术研发人员：秦毅，周江洪，蔡维，周弦，钱泉，
申请(专利权)人：重庆大学，
类型：发明
国别省市：