基于多传感器融合和Bi-TACN的轴承剩余寿命预测系统及方法技术方案

本发明专利技术公开了基于多传和输出模块感器融合和Bi

【技术实现步骤摘要】
基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统及方法


[0001]本专利技术涉及滚动轴承寿命预测
，更具体的说是涉及基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统及方法。

技术介绍

[0002]滚动轴承作为旋转机械的关键部件，长期工作在噪声干扰和载荷多变的环境中，因此滚动轴承经常发生故障，滚动轴承的预测和健康管理技术可以有效提高轴承工作系统的稳定性，并且降低轴承设备的维护成本。
[0003]目前，随着深度学习方法的快速发展，基于深度学习的数据驱动预测方法逐渐成为主流，通过深度神经网络自动提取和识别原始数据的抽象特征，并通过调整网络参数去监测轴承设备的健康状态。
[0004]综上，尽管深度学习方法在滚动轴承RUL预测领域已经取得了不错的结果，但仍有一些问题需要解决。
[0005]例如，长短时记忆网络(LongShortTermMemory，LSTM)中引入了卷积运算，从而捕获振动信号的时间
‑
频率信息，并有效预测轴承的RUL，然而，LSTM是一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统，其特征在于，包括：数据获取融合模块和Bi
‑
TACN模型；数据获取融合模块，用于获取滚动轴承不同位置传感器的振动数据，并进行多通道融合和通道数据加权处理获得多传感器融合数据，输入至Bi
‑
TACN模型；Bi
‑
TACN模型，用于根据多传感器融合数据进行实时预测，并输出轴承剩余寿命预测值；Bi
‑
TACN模型包括多个Bi
‑
TACN模块和输出模块，各个Bi
‑
TACN模块依次相连后再与输出模块连接；各个Bi
‑
TACN模块均包括正向TCN单元、反向TCN单元和时间注意力单元，时间注意力单元的输入分别与正向TCN单元和反向TCN单元的输出相连；正向TCN单元和反向TCN单元，用于对多传感器融合数据进行正向TCN处理和反向TCN处理，提取多传感器融合数据的历史时间信息和未来时间信息，并得到正向时间特征和反向时间特征；时间注意力单元，用于利用时间注意力机制对正向时间特征和反向时间特征进行压缩时间、计算权重、特征校准和加权融合，输出作为下一个Bi
‑
TACN模块的输入，直至获得Bi
‑
TACN模块最终输出的多传感器融合数据特征；输出模块，用于通过全局平均池化层和全连接层对多传感器融合数据特征进行映射，输出滚动轴承剩余寿命RUL的预测结果。2.根据权利要求1所述的基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统，其特征在于，正向TCN单元和反向TCN单元均包括：空洞因果卷积、Batch normalization归一化层、激活函数Leaky Relu和Dropout；时间注意力单元包括压缩时间子单元、计算权重子单元、特征校准子单元和加权融合子单元。3.根据权利要求1所述的基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统，其特征在于，数据获取融合模块包括多通道融合单元和通道数据加权单元；多通道融合单元的具体内容为：对每个传感器的原始振动数据进行归一化处理；将每个传感器归一化处理后的振动数据按照通道进行拼接，获得多通道融合数据，每个传感器为一个通道；通道数据加权单元的具体内容为：采用宽尺寸的因果卷积获取多通道融合数据的全局时间特征信息；通过softmax函数获取每个通道的时间特征信息的重要性权重，即为每个传感器振动数据的重要性权重；利用重要性权重对每个传感器的振动数据进行加权，获得多传感器融合数据。4.根据权利要求3所述的基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统，其特征在于，对每个传感器的原始振动数据进行归一化处理具体为：
其中，为第c个传感器采集的第t个振动数据样本，t为传感器采样间隔，H为每个样本的长度，为第c个传感器采集的第t个振动数据样本的第i个值，为振动数据；其中，多通道融合数据为：其中，代表第m个轴承各个传感器第t个归一化后的振动数据样本经多通道融合后的数据；全局时间特征信息满足：其中，1≤t≤N，N为总采样时间，1≤c≤C，C为每个轴承上的传感器总数，causal为因果卷积，W
t，c
和b
t，c
为卷积参数，h
t，c
为隐藏层的时间特征信息；重要性权重λ
c
满足：加权计算满足：其中，为加权后的多传感器融合数据，为加权相乘。5.根据权利要求1所述的基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统，其特征在于，正向TCN单元和反向TCN单元的具体内容为：征在于，正向TCN单元和反向TCN单元的具体内容为：其中，δ、ω、d、τ分别为空洞时间卷积核的尺寸、LeakyRelu参数、空洞扩张率和Dropout参数，为正向TCN模块特征提取，为反向TCN模块特征提取，为正向时间特征，为反向时间特征，X
L
为Bi
‑
TACN模型中第L个Bi
‑
TACN模块输入的多传感器融合数据。6.根据权利要求1所述的基于多传感器融合和Bi
‑
TACN的轴承剩余寿命预测系统，其特征在于，时间注意力单元的具体包括计算权重子单元、...

【专利技术属性】
技术研发人员：梁浩鹏，曹洁，赵小强，王进花，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：