CN109084980B - 基于均等分割的轴承故障预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于均等分割的轴承故障预测方法及装置，其中，方法包括以下步骤：检测轴承的一维或多维振动信号，以根据一维或多维振动信号得到样本信号；对样本信号进行均等分割，以得到均等分割的时间序列片段；将均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果；根据注意力机制为模型各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成轴承的故障预测结果。该方法不仅省去了繁杂的特征工程，实现了端到端的故障诊断系统，而且还适用于多通道传感场景，有效提高预测模型的预测精度和时间效率，适用性强，简单易实现。

Description

基于均等分割的轴承故障预测方法及装置

技术领域

本发明涉及故障预测技术领域，特别涉及一种基于均等分割的轴承故障预测方法及装置。

背景技术

为了准确感知设备的性能退化、避免灾难性故障，数据驱动的健康感知与预测维护在工业制造中得到了广泛的应用。轴承作为旋转机械的关键部件，其工作状态正常与否更是十分重要。因此，准确识别故障并以最有效的方式实施维修更显得尤为必要。随着智能传感、信号处理和人工智能技术的飞速发展，数据驱动方法逐渐成为工业设备健康监测的主流解决方案，被广泛应用于故障预测和剩余使用寿命估计领域。此外，与基于模型的方法相比，数据驱动的方法不需要一个明确的数学公式来描述退化过程，仅仅依靠一些辅助传感器收集的运行数据(如振动、声、温度、电气特征参数等)和特定的学习算法就可以对设备运行状态进行表征。

在计算能力能够完全支持深层神经网络之前，传统的机器学习模型已经在故障预测中取得了相当可观的进展。但是它有两个不容忽视的缺点：1.需要昂贵的人力劳动和高质量的专业知识来进行特征工程；2.部署的传感器日益增加，传统方法无法应对工业大数据的快速增长。需要说明的是，深度学习可以习得更复杂的模式，它用输入和输出之间的隐藏层进行数据表征建模，有效减少了算法对特征工程的依赖，为工业设备的预测维护提供了更多的可用性。

然而，由于传感器通常采样频率极高，并且在特定场景中的部署情况也不完全相同，这意味着特征工程的复杂度将不可避免的上升。同时，整个序列的长度随着采样时间的延长不断增加，这对于长序列的高效学习是不利的。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于均等分割的轴承故障预测方法，该方法有效提高预测模型的预测精度和时间效率，适用性强，简单易实现。

本发明的另一个目的在于提出一种基于均等分割的轴承故障预测装置。

为达到上述目的，本发明一方面实施例提出了一种基于均等分割的轴承故障预测方法，包括以下步骤：检测轴承的一维或多维振动信号，以根据所述一维或多维振动信号得到样本信号；对所述样本信号进行均等分割，以得到均等分割的时间序列片段；将所述均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果；根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成所述轴承的故障预测结果。

本发明实施例的基于均等分割的轴承故障预测方法，使用均等分割方法对原始信号进行等比分割，使得这些片段保留原始信号的时间相关性，然后将等长片段作为原始特征直接输入模型，不仅省去了繁杂的特征工程，实现了端到端的故障诊断系统，而且还适用于多通道传感场景，并且引入了注意力机制来捕获目标预测(即设备运行状态)的长期依赖性，并评估等长片段中的每个采样点对故障预测的贡献程度，同时将更高的权重分配给对工业设备状态表示影响显著的采样点，从而有效提高预测模型的预测精度和时间效率，适用性强，简单易实现。

另外，根据本发明上述实施例的基于均等分割的轴承故障预测方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述对所述样本信号进行均等分割，进一步包括：将所述多维振动信号对齐；将整个传感器序列按相等比例划分为多个子时间序列，其中，如果最后段的子时间序列的数据点的数目小于预设值，则丢弃或者拼接后续序列。

进一步地，在本发明的一个实施例中，所述预设的故障预测模型由单层双向GRU网络构成，所述双向GRU网络包括前向隐藏状态和后向隐藏状态且所述前向隐藏状态和所述后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示

进一步地，在本发明的一个实施例中，所述根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，进一步包括：将隐藏状态h_t馈入一层全连接的神经网络以得到隐藏表示d_t；引入评估采样点的重要程度α_t的状态矢量d_s；提取对工业设备健康状态影响的原始采样点，以得到健康状态感知向量v，并且所述隐藏表示d_t、重要程度α_t和健康状态感知向量v分别表示为：

d_t＝tanh(W_sh_t+b_s)，

其中，所述预设的故障预测模型由单层双向GRU网络构成，所述双向GRU网络包括前向隐藏状态和后向隐藏状态且所述前向隐藏状态和所述后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示

进一步地，在本发明的一个实施例中，还包括：将所述健康状态感知向量v作为softmax分类器中故障预测的特征，并进行四分类诊断任务，且添加正则化项以修改成本函数，并且通过最小化成本函数来训练模型，以得到所述故障预测模型。

为达到上述目的，本发明另一方面实施例提出了一种基于均等分割的轴承故障预测装置，包括：检测模块，用于检测轴承的一维或多维振动信号，以根据所述一维或多维振动信号得到样本信号；分割模块，用于对所述样本信号进行均等分割，以得到均等分割的时间序列片段；获取模块，用于将所述均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果；分配模块，用于根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成所述轴承的故障预测结果。

本发明实施例的基于均等分割的轴承故障预测装置，使用均等分割方法对原始信号进行等比分割，使得这些片段保留原始信号的时间相关性，然后将等长片段作为原始特征直接输入模型，不仅省去了繁杂的特征工程，实现了端到端的故障诊断系统，而且还适用于多通道传感场景，并且引入了注意力机制来捕获目标预测(即设备运行状态)的长期依赖性，并评估等长片段中的每个采样点对故障预测的贡献程度，同时将更高的权重分配给对工业设备状态表示影响显著的采样点，从而有效提高预测模型的预测精度和时间效率，适用性强，简单易实现。

另外，根据本发明上述实施例的基于均等分割的轴承故障预测装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述分割模块进一步用于将所述多维振动信号对齐，并将整个传感器序列按相等比例划分为多个子时间序列，其中，如果最后段的子时间序列的数据点的数目小于预设值，则丢弃或者拼接后续序列。

进一步地，在本发明的一个实施例中，所述预设的故障预测模型由单层双向GRU网络构成，所述双向GRU网络包括前向隐藏状态和后向隐藏状态且所述前向隐藏状态和所述后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示

进一步地，在本发明的一个实施例中，所述分配模块进一步用于将隐藏状态h_t馈入一层全连接的神经网络以得到隐藏表示d_t，并引入评估采样点的重要程度α_t的状态矢量d_s，且提取对工业设备健康状态影响的原始采样点，以得到健康状态感知向量v，并且所述隐藏表示d_t、重要程度α_t和健康状态感知向量v分别表示为：

d_t＝tanh(W_sh_t+b_s)，

其中，W_s为d_s的初始化权值矩阵，h_t为各时刻隐藏状态，b_s为d_s的初始化偏差向量，T为GRU模型的超参数时间步长，表示d_t的转置，d_s为状态矢量，i为GRU模型时间步索引。

进一步地，在本发明的一个实施例中，还包括：模型训练模块，用于将所述健康状态感知向量v作为softmax分类器中故障预测的特征，并进行四分类诊断任务，且添加正则化项以修改成本函数，并且通过最小化成本函数来训练模型，以得到所述故障预测模型。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于均等分割的轴承故障预测方法的流程图；

图2为根据本发明一个具体实施例的基于均等分割的轴承故障预测方法的流程图。

图3为根据本发明一个实施例的基于注意力的均等分割双向门控循环单元网络模型的算法框架图；

图4为根据本发明一个实施例的基于注意力的均等分割双向门控循环单元网络模型的预测模型建立流程图；

图5为根据本发明一个实施例的基于注意力的均等分割双向门控循环单元网络模型的注意力权重在四种设备状态下的分布示意图；

图6为根据本发明一个实施例的基于注意力的均等分割双向门控循环单元网络模型的原始采样值相应注意力权重分布图；

图7为根据本发明一个实施例的基于均等分割的轴承故障预测装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于均等分割的轴承故障预测方法及装置，首先将参照附图描述根据本发明实施例提出的基于均等分割的轴承故障预测方法。

图1是本发明一个实施例的基于均等分割的轴承故障预测方法的流程图。

如图1所示，该基于均等分割的轴承故障预测方法包括以下步骤：

在步骤S101中，检测轴承的一维或多维振动信号，以根据一维或多维振动信号得到样本信号。

可以理解的是，如图2所示，本发明实施例可以利用加速度计监测轴承的一维或多维振动信号，以获得其在健康状况和各种故障状况下的样本信号。

在步骤S102中，对样本信号进行均等分割，以得到均等分割的时间序列片段。

可以理解的是，如图2所示，对所获得的样本信号进行均等分割，即将原始振动信号集压缩为一定数量的等长时间序列片段。

进一步地，在本发明的一个实施例中，对样本信号进行均等分割，进一步包括：将多维振动信号对齐；将整个传感器序列按相等比例划分为多个子时间序列，其中，如果最后段的子时间序列的数据点的数目小于预设值，则丢弃或者拼接后续序列。

具体而言，均等分割方法具体包括：首先将多维信号对齐，然后，将整个传感器序列按相等的比例划分为M段相对短的子序列，其中序列内的各点具有时间相关性，表示为：

其中，x是每个采样点原始传感器信号的实际值，每个子序列的长度固定为L，L是一个可变常数(取值可以为64,128或256等)。如果传感器序列最后段的数据点的数目小于L，那么这段数据可以直接丢弃，或者在兼容的情况下与后续序列拼接。

在步骤S103中，将均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果。

可以理解的是，如图2所示，建立预测模型，将经过均等分割的时间序列片段按采样时间依次送入模型。

进一步地，在本发明的一个实施例中，预设的故障预测模型由单层双向GRU网络构成，双向GRU网络包括前向隐藏状态和后向隐藏状态且前向隐藏状态和后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示

可以理解的是，建立的预测模型是单层双向门控循环单元网络，并且引入了注意力机制来捕获目标预测(即设备运行状态)的长期依赖性，并将更高的权重分配给对工业设备健康状态表示影响显著的信息采样点，从而提高预测模型的预测精度和时间效率。

具体而言，S31：双向门控循环单元由前向GRU和反向GRU组成，其中前者从原始子序列按时间顺序x₁到x_T学习并计算前向隐藏状态而后者则以相反的顺序(即从x_T到x₁)学习并生成反向隐藏状态表示方法如下：

S32将前向隐藏状态和后向隐藏状态直接连接，得到轴承健康状况的表示，具体如下：

在步骤S104中，根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成轴承的故障预测结果。

可以理解的是，如图2所示，模型为每个等长时间序列片段生成相应的预测结果，同时根据注意力机制为每个结果对最终输出的贡献大小分配权重，对其加权求和以生成最终输出。

具体而言，如图3所示，基于注意力的均等分割双向门控循环单元网络模型的算法，其中最底层为数据预处理层，执行均等分割步骤；将数据切割成128个点一组后，按时间顺序输入上层的双向神经网络，通过训练学习如何选取注意力权重α_t，从而准确地选取影响显著的采样点生成健康感知向量v；然后将输入上层的softmax分类器，执行四分类任务；最终经由Target层输出预测的结果。

进一步地，在本发明的一个实施例中，根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，进一步包括：将隐藏状态h_t馈入一层全连接的神经网络以得到隐藏表示d_t；引入评估采样点的重要程度α_t的状态矢量d_s；提取对工业设备健康状态影响的原始采样点，以得到健康状态感知向量v，并且隐藏表示d_t、重要程度α_t和健康状态感知向量v分别表示为：

d_t＝tanh(W_sh_t+b_s)，

其中，W_s为d_s的初始化权值矩阵，h_t为各时刻隐藏状态，b_s为d_s的初始化偏差向量，T为GRU模型的超参数时间步长，表示d_t的转置，d_s为状态矢量，i为GRU模型时间步索引。

其中，在本发明的一个实施例中，还包括：将健康状态感知向量v作为softmax分类器中故障预测的特征，并进行四分类诊断任务，且添加正则化项以修改成本函数，并且通过最小化成本函数来训练模型，以得到故障预测模型。

具体而言，如图4所示，基于注意力的均等分割双向门控循环单元网络模型的预测模型建立流程，根据输入的隐藏状态h_t建立流程包括以下步骤：

S41将隐藏状态h_t馈入一层全连接的神经网络得到隐藏表示d_t，计算方法如下：

d_t＝tanh(W_sh_t+b_s)；

S42随机初始化一组状态矢量d_s，用于选择对工业设备健康状态影响显著的信息采样点，并利用该矢量得到每个采样点的重要程度α_t，计算方法如下：

S43根据状态矢量d_s提取对工业设备状态影响显著的原始采样点，汇总这些原始数据点的表示以形成最终的健康状态感知向量v，计算方法如下：

S44利用健康状态感知向量v作为softmax分类器中故障预测的特征，具体计算方法如下：

h_θ(x_t)＝softmax(v)，

假设样本集由多个带有其标签的输入组成，其中y⁽ⁱ⁾∈{1,2,…,K}。对于每个输入样本，softmax分类器将计算每个标签的样本概率，输出包含K个元素的向量，其中每个值指的是输入样本对于相应标签的概率。诊断任务表达如下：

S45添加正则化项用于修改成本函数，通过最小化成本函数来训练模型，成本函数表示如下：

输出结果由两部分组成，左边显示模型预测损失，用于测量模型与样本之间的拟合程度。如果括号值为真，则指示函数1{·}返回1，否则为0。右边是重量衰减项，用于修改成本函数。这个衰减项将通过调整超参数来惩罚过大的参数，其值严格大于0。

S46将成本函数最小化作为目标训练模型，迭代状态矢量d_s，重复步骤S42到S45，直到平均误差不再发生变化时，结束更新迭代，输出轴承故障预测结果。

进一步地，如图2所示，本发明实施例的方法还包括步骤S5，重复步骤S1和S2，得到重新获取的轴承振动信号和经过均等分割处理的时间序列片段，通过预测模型对轴承健康状况进行判别，提高了预测精度和故障识别精度，以便于有针对性地对轴承进行维护。

下面将通过具体实施例的方式对基于均等分割的轴承故障预测方法进行进一步阐述。

所采用的数据由驱动端和风扇端单点故障时的运行数据，以及二者正常运行的数据构成。单点故障具体包括内圈、滚珠和外圈故障。

首先按照8:2的比例对原始数据进行分割，分别作为训练数据和测试数据。分别选择基本RNN、LSTM、GRU、BiGRU以及本发明提出的AESGRU方法结构进行训练和故障预测，将时间步长设置为128，并使用单层模型架构。随后，对这些模型进行了300个阶段的训练，选择准确率、训练所需时长和预测所需时长作为性能指标来衡量模型的优劣，对比结果如下表1：

表1

从表1可以看出，本发明实施例提出的AESGRU模型有效提高了轴承故障预测的准确度。

为了验证本发明提出的AESGRU模型能够捕捉到采样点的重要程度，分别绘制了四种设备状态下的注意力权重分布，如图5所示。

从图5可以看出，每个片段都有相应的注意力权重分布，权重被分配给所有的点，取值在0到1之间，表明该模型可以捕获传感器序列所具有的长期依赖关系，并根据对结果预测的贡献程度将权重分配给序列采样点所对应的隐藏表示。

图6是一组原始采样点相应注意力权重分布图，蓝线和绿线是来自风机端和驱动端的原始数据，红线是模型对这组采样值的注意力权重分布。从图中可以明显看出，模型用这组数据做预测之时，更关注其中的哪些采样点。

综上，本发明实施例将注意力机制引入到单层Bi-GRU网络中，并在实验中取得了良好的性能。此外，该模型不仅适用于多传感器感知场景，而且节省了复杂的特征工程。在对原始传感器序列进行均等分割后，将采样值直接输入到模型中，真正实现了端到端的学习系统。不仅如此，注意力机制在传感器序列的长期依赖性建模中是有效的，并且在时间相关性上获得了传感器片段的最佳改进。

根据本发明实施例提出的基于均等分割的轴承故障预测方法，不仅省去了繁杂的特征工程，实现了端到端的故障诊断系统，并且，均等分割后每段的长度正好对应于GRU网络的时间步长，从而可以将分割步长视为一个超参数来调整，以这种方式代替维数约简，可以构造足够的样本集进行模型训练，并且模型也适用于多通道传感场景，只需扩展传感器序列的维数即可；此外，引入了注意力机制来捕获目标预测(即设备运行状态)的长期依赖性，并评估每个采样点对最终结果的贡献，同时将更高的权重分配给对工业设备状态表示影响显著的信息采样点，从而提高预测模型的预测精度和时间效率。

其次参照附图描述根据本发明实施例提出的基于均等分割的轴承故障预测装置。

图7是本发明一个实施例的基于均等分割的轴承故障预测装置的结构示意图。

如图7所示，该基于均等分割的轴承故障预测装置10包括：检测模块100、分割模块200、获取模块300和分配模块400。

其中，检测模块100用于检测轴承的一维或多维振动信号，以根据一维或多维振动信号得到样本信号。分割模块200用于对样本信号进行均等分割，以得到均等分割的时间序列片段。获取模块300用于将均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果。分配模块400用于根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成轴承的故障预测结果。本发明实施例的装置10可以有效提高预测模型的预测精度和时间效率，适用性强，简单易实现。

进一步地，在本发明的一个实施例中，分割模块200进一步用于将多维振动信号对齐，并将整个传感器序列按相等比例划分为多个子时间序列，其中，如果最后段的子时间序列的数据点的数目小于预设值，则丢弃或者拼接后续序列。

进一步地，在本发明的一个实施例中，预设的故障预测模型由单层双向GRU网络构成，双向GRU网络包括前向隐藏状态和后向隐藏状态且前向隐藏状态和后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示

进一步地，在本发明的一个实施例中，分配模块400进一步用于将隐藏状态h_t馈入一层全连接的神经网络以得到隐藏表示d_t，并引入评估采样点的重要程度α_t的状态矢量d_s，且提取对工业设备健康状态影响的原始采样点，以得到健康状态感知向量v，并且隐藏表示d_t、重要程度α_t和健康状态感知向量v分别表示为：

d_t＝tanh(W_sh_t+b_s)，

其中，W_s为d_s的初始化权值矩阵，h_t为各时刻隐藏状态，b_s为d_s的初始化偏差向量，T为GRU模型的超参数时间步长，表示d_t的转置，d_s为状态矢量，i为GRU模型时间步索引。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：模型训练模块。其中，模型训练模块用于将健康状态感知向量v作为softmax分类器中故障预测的特征，并进行四分类诊断任务，且添加正则化项以修改成本函数，并且通过最小化成本函数来训练模型，以得到故障预测模型。

需要说明的是，前述对基于均等分割的轴承故障预测方法实施例的解释说明也适用于该实施例的基于均等分割的轴承故障预测装置，此处不再赘述。

根据本发明实施例提出的基于均等分割的轴承故障预测装置，不仅省去了繁杂的特征工程，实现了端到端的故障诊断系统，并且，均等分割后每段的长度正好对应于GRU网络的时间步长，从而可以将分割步长视为一个超参数来调整，以这种方式代替维数约简，可以构造足够的样本集进行模型训练，并且模型也适用于多通道传感场景，只需扩展传感器序列的维数即可；此外，引入了注意力机制来捕获目标预测(即设备运行状态)的长期依赖性，并评估每个采样点对最终结果的贡献，同时将更高的权重分配给对工业设备状态表示影响显著的信息采样点，从而提高预测模型的预测精度和时间效率。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于均等分割的轴承故障预测方法，包括以下步骤：检测轴承的一维或多维振动信号，以根据所述一维或多维振动信号得到样本信号；对所述样本信号进行均等分割，以得到均等分割的时间序列片段；将所述均等分割的时间序列片段输入故障预测模型，并获取预测结果，其特征在于，还包括以下步骤：

将所述均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果；以及

根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成所述轴承的故障预测结果。

2.根据权利要求1所述的基于均等分割的轴承故障预测方法，其特征在于，所述对所述样本信号进行均等分割，进一步包括：

将所述多维振动信号对齐；

将整个传感器序列按相等比例划分为多个子时间序列，其中，如果最后段的子时间序列的数据点的数目小于预设值，则丢弃或者拼接后续序列。

3.根据权利要求1所述的基于均等分割的轴承故障预测方法，其特征在于，所述故障预测模型由单层双向GRU网络构成，所述双向GRU网络包括前向隐藏状态和后向隐藏状态且所述前向隐藏状态和所述后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示 表示正向GRU网络在t时刻的输出、表示反向GRU网络在t时刻的输出、T为GRU模型的超参数时间步长、t指示超参数时间步长范围内的任一数据采样时刻。

4.根据权利要求3所述的基于均等分割的轴承故障预测方法，其特征在于，根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，进一步包括：

将隐藏状态h_t馈入一层全连接的神经网络以得到隐藏表示d_t；

引入评估采样点的重要程度α_t的状态矢量d_s；

提取对工业设备健康状态影响的原始采样点，以得到健康状态感知向量v，并且所述隐藏表示d_t、重要程度α_t和健康状态感知向量v分别表示为：

d_t＝tanh(W_sh_t+b_s)，

其中，W_s为d_s的初始化权值矩阵，h_t为各时刻隐藏状态，b_s为d_s的初始化偏差向量，T为GRU模型的超参数时间步长，表示d_t的转置，d_s为状态矢量，i为GRU模型时间步索引。

5.根据权利要求4所述的基于均等分割的轴承故障预测方法，其特征在于，还包括：

将所述健康状态感知向量v作为softmax分类器中故障预测的特征，并进行四分类诊断任务，且添加正则化项以修改成本函数，并且通过最小化成本函数来训练模型，以得到所述故障预测模型。

6.一种基于均等分割的轴承故障预测装置，包括：检测模块，用于检测轴承的一维或多维振动信号，以根据所述一维或多维振动信号得到样本信号；分割模块，用于对所述样本信号进行均等分割，以得到均等分割的时间序列片段；获取模块，用于将所述均等分割的时间序列片段输入故障预测模型，并获取预测结果，其特征在于，还包括：

获取模块，用于将所述均等分割的时间序列片段根据采集时间输入故障预测模型，并获取每个时间序列片段的预测结果；

分配模块，用于根据注意力机制为各时刻隐藏状态对最终输出的贡献大小分配权重，以对其加权求和后生成所述轴承的故障预测结果。

7.根据权利要求6所述的基于均等分割的轴承故障预测装置，其特征在于，所述分割模块进一步用于将所述多维振动信号对齐，并将整个传感器序列按相等比例划分为多个子时间序列，其中，如果最后段的子时间序列的数据点的数目小于预设值，则丢弃或者拼接后续序列。

8.根据权利要求6所述的基于均等分割的轴承故障预测装置，其特征在于，所述故障预测模型由单层双向GRU网络构成，所述双向GRU网络包括前向隐藏状态和后向隐藏状态且所述前向隐藏状态和所述后向隐藏状态分别表示为：

其中，将前向隐藏状态和后向隐藏状态直接连接，以得到轴承健康状况的表示 表示正向GRU网络在t时刻的输出、表示反向GRU网络在t时刻的输出、T为GRU模型的超参数时间步长、t指示超参数时间步长范围内的任一数据采样时刻。

9.根据权利要求8所述的基于均等分割的轴承故障预测装置，其特征在于，所述分配模块进一步用于将隐藏状态h_t馈入一层全连接的神经网络以得到隐藏表示d_t，并引入评估采样点的重要程度α_t的状态矢量d_s，且提取对工业设备健康状态影响的原始采样点，以得到健康状态感知向量v，并且所述隐藏表示d_t、重要程度α_t和健康状态感知向量v分别表示为：

d_t＝tanh(W_sh_t+b_s)，

其中，W_s为d_s的初始化权值矩阵，h_t为各时刻隐藏状态，b_s为d_s的初始化偏差向量，T为GRU模型的超参数时间步长，表示d_t的转置，d_s为状态矢量，i为GRU模型时间步索引。

10.根据权利要求9所述的基于均等分割的轴承故障预测装置，其特征在于，还包括：

模型训练模块，用于将所述健康状态感知向量v作为softmax分类器中故障预测的特征，并进行四分类诊断任务，且添加正则化项以修改成本函数，并且通过最小化成本函数来训练模型，以得到所述故障预测模型。