基于平衡优化的多模态轴承剩余寿命预测方法与系统技术方案

本发明专利技术公开了基于平衡优化的多模态轴承剩余寿命预测方法与系统。首先，在离线阶段，从轴承运行数据集中获取振动信号的时间序列数据，并通过小波变换生成时频图像，确保数据包含时间序列和图像两种模态。然后，利用长短期记忆网络（LSTM）提取时间序列数据的时序特征，同时使用图卷积网络（GCN）提取时频图像的空间特征。接着，将LSTM和GCN提取的特征进行拼接，生成联合特征向量，输入全连接层输出RUL预测值。在训练过程中，通过自适应优化策略实时监控LSTM和GCN两个模态的损失贡献差异，反向传播调整各模态的梯度更新幅度，避免优势模态抑制弱势模态的优化，确保多模态特征的充分提取。

【技术实现步骤摘要】

本专利技术涉及机械设备剩余使用寿命（rul）预测，尤其涉及一种结合时间序列与图像数据进行多模态特征融合，并采用梯度自适应优化策略的轴承rul预测方法。

技术介绍

1、随着工业技术的快速发展，轴承作为机械系统中的关键部件，其健康状态监测与剩余使用寿命预测（rul）对于保障设备安全运行至关重要。目前，数据驱动的方法在rul预测领域受到了广泛关注。然而，大多数现有方法主要基于单一模态数据，或在多模态数据融合时未能充分考虑不同模态特征学习的不均衡性，导致预测性能受限。

2、当前的rul预测方法主要分为基于物理模型的方法和数据驱动方法。物理模型依赖于数学建模，如维纳过程、粒子滤波、卡尔曼滤波和隐马尔可夫模型等。然而，由于轴承退化过程的复杂性，精确建立物理模型存在较大挑战。数据驱动方法无需专业知识，近年来随着深度学习的兴起，逐渐成为主流。例如，基于深度长短时记忆（lstm）网络的时序特征提取方法、基于卷积神经网络（cnn）的特征提取方法等均在rul预测中展现出优越性能。

3、然而，在多模态学习过程中，单一模态可能主导模型优化，导致另一模态的特征本文档来自技高网...

【技术保护点】

1.一种基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于：将振动信号的时间序列数据输入LSTM网络，通过多层LSTM单元提取时序特征，每个LSTM单元通过输入门、遗忘门和输出门控制信息流。

3.如权利要求1所述的基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于：GCN的每一层通过矩阵乘法更新节点信息，使用多层GCN提取时频图像的空间特征，每一层的输出作为下一层的输入，最终输出空间特征向量，公式如下：

4.如权利要求1所述的基于平衡优化的多模态轴承剩余寿命...

【技术特征摘要】

1.一种基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于：将振动信号的时间序列数据输入lstm网络，通过多层lstm单元提取时序特征，每个lstm单元通过输入门、遗忘门和输出门控制信息流。

3.如权利要求1所述的基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于：gcn的每一层通过矩阵乘法更新节点信息，使用多层gcn提取时频图像的空间特征，每一层的输出作为下一层的输入，最终输出空间特征向量，公式如下：

4.如权利要求1所述的基于平衡优化的多模态轴承剩余寿命预测方法，其特征在于：步骤4的具体实现包括以下子步骤：

5.如权利要求4所述的基于平衡优化的多模态轴承剩余寿命预测...

【专利技术属性】
技术研发人员：成子惠，韩振阳，王兆静，李浩男，颜小运，李丽，彭涛，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：