一种基于GTFDAU网络的旋转机械RUL预测方法技术

本发明专利技术属于旋转机械监测领域，具体涉及一种基于GTFDAU网络的旋转机械RUL预测方法，包括：提取旋转机械多维度时频特征并进行预处理，将预处理后的特征数据经DRSSN构建HI，搭建GTFDAU网络并实现RUL预测。本发明专利技术通过集成瞬态波动门和两个注意力门得到GTFDAU网络，该网络可以深度挖掘历史信息中的瞬态波动信息和长期整体信息，并结合注意力机制分别加强对历史和当前信息的自适应学习及状态更新，以此提高RUL的长短期预测能力以及鲁棒性。高RUL的长短期预测能力以及鲁棒性。高RUL的长短期预测能力以及鲁棒性。

【技术实现步骤摘要】
一种基于GTFDAU网络的旋转机械RUL预测方法


[0001]本专利技术属于旋转机械监测领域，具体涉及一种基于GTFDAU网络的旋转机械RUL预测方法。

技术介绍

[0002]旋转机械承担着主要的现代化工业4.0生产任务。然而，由于长期在多变的环境和工况下工作，旋转机械难免会发生故障，从而导致重大的安全事故和经济损失。因此，监测退化情况并进行RUL预测对于确保旋转机械的安全性和可靠性至关重要。
[0003]通常，对于旋转机械的RUL预测方法可分为模型驱动、数据驱动和两者混合的方法。其中，模型驱动方法根据设备的失效机理建立数学或物理模型来描述设备退化信息，但该方法需要深入了解设备的内部结构及机理特性，难度较大，混合驱动也具有同样的问题。基于数据驱动的方法通过借助传感器来监测设备的运行情况，从而获取大量反映设备健康信息的数据来构建模型，无需考虑机械结构、工况以及失效机理的优势，极大程度上提高剩余寿命预测的精确度，近年来引起了广泛的关注。
[0004]实际上，RUL预测的本质是时间序列预测，时序特征的深度挖掘和学习尤为重要。基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GTFDAU网络的旋转机械RUL预测方法，其特征在于，包括：S1：获取旋转机械的振动信号并对其进行多维度的时频域特征提取及预处理；S2：选用Adam优化器、最小批次设置为64、训练次数设置为100、均方误差作为损失函数训练优化DRSSN模型，通过训练优化后的DRSSN模型对预处理后的数据构建HI曲线；S3：构建GTFDAU网络，将均方误差作为损失函数，采用实时循环学习算法训练GTFDAU网络，损失函数最小化时得到训练完成的GTFDAU网络；S4：根据HI曲线使用训练后的GTFDAU网络进行旋转机械的RUL预测。2.根据权利要求1所述的一种基于GTFDAU网络的旋转机械RUL预测方法，其特征在于，对时频域特征进行预处理，包括：对提取的时域特征和频域特征赋予HI标签，并划分训练集和测试集，对训练集和测试集中的特征数据作批标准化和归一化处理，并根据数据集特点重塑数据尺寸，使得其与DRSSN输入层网络相匹配。3.根据权利要求1所述的一种基于GTFDAU网络的旋转机械RUL预测方法，其特征在于，所述DRSSN模型，包括：1个卷积层、4个残差块、1个批标准化(BN)层、1个SELU激活层、1个全局平均池化层和1个全连接层；将经过预处理后的时频域特征输入卷积层对输入特征的初步特征提取，经卷积层提取后，特征输入4个残差块进行网络梯度保持，残差块输出后，特征输入BN层来进行归一化处理，并经SELU激活层对BN层输出的数据进行非线性变化，通过全局平均池化层，实现降维和正则化，最终由全连接层实现输出扁平化处理，得到一维的HI曲线。4.根据权利要求1所述的一种基于GTFDAU网络的旋转机械RUL预测方法，其特征在于，所述GTFDAU网络，包括：基于瞬态波动捕获机制构建瞬态波动门、由注意力机制形成历史注意门、由GAU中注意门改造得到当前注意门、基本的复位门和更新门；将前两个历史时刻的隐藏状态h
t
‑1和h
t
‑2输入瞬态波动门进行差分运算，捕获瞬态波动信息TF
t
；将瞬态波动信息TF
t
与上一时刻隐藏状态h
t
‑1相结合输入历史注意门对历史信息的自适应关注学习，挖掘历史信息Φ
t
；将历史信息与当前输入信息x
t
相结合分别输入重置门和更新门，在重置门和更新门中，输入信息通过与权重矩阵的乘积和偏置求和，由sigmoid函数处理后，分别得到重置门和更新门的输出r
t
和z
t
，同时，历史信息Φ
t
结合重置门的输出r
t
与当前输入信息x
t
生成临时隐藏状态将重置门和更新门的输出r
t
和z
t
输入当前注意门，对历史信息和当前信息自适应学习，并基于临时隐藏状态更新当前时刻隐藏状态h
t
，并根据更新后的当前时刻隐藏状态h
t
输出GTFDAU的输出预测结果o
t
。5.根据权利要求4所述的一种基于GTFDAU网络的旋转机械RUL预测方法，其特征在于，将瞬态波动信息TF
t
与上一时刻隐藏状态h
t
‑1相结合输入历史注意门对历史信息的自适应关注学习，挖掘历史信息Φ
t
，包括：s(TF
t
,h
t
‑1)＝V
T
tanh(W
s
TF
t
+U
s
h
t
‑1))
其中，Φ
t
表示历史注意门挖掘到的历史信息，s( )表示注意力评分函数，V、W
s
、U
s
分别表示历史注意门中的第一、第二、第三矩阵参数，TF
t
表示瞬态波动信息，h
t
‑1表示上一时刻隐藏状态，γ
t
表示自适应关注学习到的注意力分布，softmax表示softmax函数，exp表示指数函数，tanh表示tanh函数，分别表示第四、第五矩阵参数，T表示矩阵转置。6.根据权利要求4所述的一种基于GTFDAU网络的旋转机械R...

【专利技术属性】
技术研发人员：李帅永，张超，刘亮，张旭云涛，傅圣豪，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：