滚动轴承剩余使用寿命预测的方法和系统、计算机装置制造方法及图纸

本发明专利技术涉及人工智能领域，尤其涉及一种滚动轴承剩余使用寿命预测的方法和系统、计算机装置。本发明专利技术滚动轴承剩余使用寿命预测方法，包括：步骤A，得到频域振动信号；步骤B，对时域、频域振动信号分别进行归一化操作；步骤D，得到频域退化特征矩阵Z<subgt;1</subgt;；步骤E，得到时域退化特征矩阵Z<subgt;2</subgt;；步骤F，由频域退化特征矩阵Z<subgt;1</subgt;和时域退化特征矩阵Z<subgt;2</subgt;在得到综合退化特征矩阵Z<subgt;3</subgt;；步骤G，对综合退化特征矩阵Z<subgt;3</subgt;进行展平操作，通过全连接层进行处理；而后再通过激活函数进行激活，得到当前时刻滚动轴承的健康值HI。本发明专利技术解决了全域与局部特征建模失衡的问题，提升了信号信息的完整性利用。

【技术实现步骤摘要】

本专利技术涉及人工智能领域，尤其涉及一种滚动轴承剩余使用寿命预测的方法和系统、计算机装置。

技术介绍

1、滚动轴承是机械设备中广泛应用的核心部件，其运行状态对整体系统的稳定性和安全性具有重要影响。随着机械设备向高负荷和高精度方向发展，滚动轴承的健康状态监测与退化预测成为工业领域的重要研究课题。传统的滚动轴承退化预测方法通常依赖于振动信号分析，并结合手工特征提取与机器学习模型进行故障诊断。然而，这些方法需要专家经验，并且在面对复杂工况下的高噪声非线性信号时，存在特征提取准确性不足、信息利用率低以及计算效率低等问题。

2、近年来，随着深度学习技术的迅速发展，其在时序数据建模、特征自动提取与模式识别中的优势逐渐显现。卷积神经网络(cnn)因其对局部特征的敏感性，已被应用于信号处理中；而注意力机制，特别是多头注意力机制，则在捕捉多尺度特征和强化关键信息上表现出色。因此，深度学习方法成为解决滚动轴承退化预测问题的新兴技术方向。

3、然而，现有技术利用深度学习方法解决滚动轴承退化预测问题存在如下问题：

4、(1)全域与局部特征建模能本文档来自技高网...

【技术保护点】

1.一种滚动轴承剩余使用寿命预测方法，其特征在于，包括：

2.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，

3.根据权利要求2所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤D和步骤E中，利用CNN-MultiHeadAttention特征提取模型进行特征提取包括：

4.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤F包括：

5.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤G包括：

6.根据权利要求1至5中任一项所述的滚动轴承剩余使用寿命预测方法，其特征...

【技术特征摘要】

1.一种滚动轴承剩余使用寿命预测方法，其特征在于，包括：

2.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，

3.根据权利要求2所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤d和步骤e中，利用cnn-multiheadattention特征提取模型进行特征提取包括：

4.根据权利要求1所述的滚动轴承剩余使用寿命预测方法，其特征在于，所述步骤f包括：

5.根据权利要求1所述的滚动轴承剩余使用寿...

【专利技术属性】
技术研发人员：尹力，吴昊坤，柳勤桂，李志武，
申请(专利权)人：澳门科技大学，
类型：发明
国别省市：