基于多分支横向扩增网络的持续剩余使用寿命预测方法技术

本发明专利技术涉及一种基于多分支横向扩增网络的持续剩余使用寿命预测方法，属于机械设备剩余寿命预测技术领域。该方法包括：S1：连续采集机械设备不同工况下的状态监测数据，并通过快速傅里叶变换获取频域信号；频域信号包含指示故障特征或退化模式的特定频率成分；S2：将频域信号进行归一化处理；S3：将归一化处理后的数据分为正常数据和退化数据；S4：构建MBHAN模型，并采用加入了MWC正则化项的损失函数来训练优化MBHAN模型，其中，MBHAN表示多分支横向扩展网络，MWC表示记忆权重约束；S5：利用优化后的MBHAN模型来预测机械设备的剩余使用寿命。本发明专利技术实现机械设备终身的RUL预测任务的学习和RUL预测。

【技术实现步骤摘要】

本专利技术属于机械设备剩余寿命预测，涉及一种基于多分支横向扩增网络的持续剩余使用寿命预测方法。

技术介绍

1、设备的安全可靠运行是保证工厂生产活动的核心内容。为了确保设备的运行状态和制定合理的维修计划，研究具有高精度和高鲁棒性的寿命预测方法非常重要。滚动轴承作为核心零部件之一，被广泛的应用于飞机、高铁等。然而轴承常常处于恶劣的工作环境下，这容易使轴承发生磨损、点蚀等失效故障，进而影响设备的正常运行。因此有必要对滚动轴承的剩余使用寿命进行高精度的预测。

2、现有的研究主要集中在单个部件的剩余使用寿命(remaining useful life，rul)预测任务上，旨在提高特定工况下单个部件rul预测的精度。一些研究关注的是同一部件的跨工况rul预测任务。换句话说，这些模型往往只适用于特定的部件和工作条件。然而，在实际工程中，连续采集不同工况下各部件的状态监测数据是很常见的。目前的rul预测模型一般是在具有特定分布的数据集上进行训练，限制了其在不同部件和动态变化的运行条件等动态环境中连续、自适应地学习退化信息的能力。因此，迫切需要开发一种新的rul本文档来自技高网...

【技术保护点】

1.一种基于多分支横向扩增网络的持续剩余使用寿命预测方法，其特征在于，该方法具体包括以下步骤：

2.根据权利要求1所述的持续剩余使用寿命预测方法，其特征在于，步骤S4中，构建的MBHAN模型包括特征提取骨干网络和任务分支网络；

3.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤S4中，当需要处理一个新的RUL预测任务时，需要扩展任务分支网络或特征提取骨干网络的具体步骤为：

4.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤S4中，所述特征提取网络由两个并行子网络组成，分别用于提取时域信号和频域信号中隐藏的退化信息；所述子...

【技术特征摘要】

1.一种基于多分支横向扩增网络的持续剩余使用寿命预测方法，其特征在于，该方法具体包括以下步骤：

2.根据权利要求1所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，构建的mbhan模型包括特征提取骨干网络和任务分支网络；

3.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，当需要处理一个新的rul预测任务时，需要扩展任务分支网络或特征提取骨干网络的具体步骤为：

4.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，所述特征提取网络由两个并行子网络组成，分别用于提取时域信号和频域信号中隐藏的退化信息；所述子网络包括用于空间特征提取的卷积子网络、用于捕捉长期依赖关系的四个tcn块以及用于重要特征选择和多尺度退化信息建模的has；卷积子网络利用大的卷积核扩大感受野，并从原始输入数据中保留更多信息；然后，从两个子网络中获取的深度退化特征使用连接操作进行融合；其中，tcn表示时序卷积网络，has表示分层自注意。

5.根据权利要求4所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，has机制为：首先，定义hsa的注意力层级为n；每个层级对应一个不同的局部注意力区域；低层级关注较小的局部区域，捕捉到这些区域内的细粒度特征和依赖关系；高层级具有更广泛的注意范围，使其能够捕捉到跨更大区域的依赖关...

【专利技术属性】
技术研发人员：秦毅，周江洪，毛永芳，蒲华燕，肖登宇，
申请(专利权)人：重庆大学，
类型：发明
国别省市：