CN113051689A - 基于卷积门控循环网络的轴承剩余使用寿命预测方法 - Google Patents

基于卷积门控循环网络的轴承剩余使用寿命预测方法 Download PDF

Info

Publication number
CN113051689A
CN113051689A CN202110449650.4A CN202110449650A CN113051689A CN 113051689 A CN113051689 A CN 113051689A CN 202110449650 A CN202110449650 A CN 202110449650A CN 113051689 A CN113051689 A CN 113051689A
Authority
CN
China
Prior art keywords
bearing
service life
convolution
residual service
life
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110449650.4A
Other languages
English (en)
Other versions
CN113051689B (zh
Inventor
赵志宏
李晴
李乐豪
杨绍普
李鹤飞
顾晓辉
刘泽潮
刘永强
陈恩利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202110449650.4A priority Critical patent/CN113051689B/zh
Publication of CN113051689A publication Critical patent/CN113051689A/zh
Application granted granted Critical
Publication of CN113051689B publication Critical patent/CN113051689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，涉及轴承检测方法技术领域。所述方法包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。通过所述方法预测的轴承剩余使用寿命更准确，可以防止重大事故发生，为预测性维修提供参考意见。

Description

基于卷积门控循环网络的轴承剩余使用寿命预测方法
技术领域
本发明涉及轴承检测方法技术领域，尤其涉及一种基于卷积门控循环网络的轴承剩余使用寿命预测方法。
背景技术
轴承是机械设备中最重要的部件之一，若轴承发生故障，可能造成经济损失或者人员伤亡的情况。通过对轴承进行剩余使用寿命预测，可以在轴承即将发生故障时进行替换，以规避轴承故障引发的恶劣影响。为更好判断当前轴承的剩余使用寿命，对轴承进行剩余使用寿命预测就显得尤为重要。现亟须一种可以预测轴承剩余使用寿命，将轴承剩余使用寿命具体化为具体数值的剩余使用寿命预测方法，为更好地进行轴承故障诊断维护管理提供便利。
发明内容
本发明所要解决的技术问题是如何提供一种能够准确的预测轴承剩余使用寿命的方法。
为解决上述技术问题，本发明所采取的技术方案是：一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：
采集轴承全生命周期的振动加速度信号；
对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；
设计出卷积门控循环单元神经网络和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；
将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；
得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
进一步的技术方案在于，所述采集轴承全生命周期的振动加速度信号的方法为：
采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。
进一步的技术方案在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：
数据预处理：采用最小最大标准化，将数据集中的最小值和最大值转化为[0,1]之间，缩小数据范围，提高计算速度，具体公式如式(1)所示，式中Xt为数据集t时刻的输入，Xmin为数据集的最小值，Xmax为数据集的最大值，
Figure BDA0003038174840000021
为t时刻通过数据标准化后的值：
Figure BDA0003038174840000022
对于轴承剩余使用寿命进行归一化，其定义和计算公式为；假设第i行数据的剩余使用寿命标签为yi，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命。经过归一化处理后的剩余使用寿命标签，可以降低不同轴承、不同工况、不同剩余使用寿命值之间的影响，提高剩余使用寿命预测的准确性；
Figure BDA0003038174840000023
进一步的技术方案在于：所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。
进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循环单元、BatchNormalization层、注意力机制、平铺层和全连接层。
进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为ReLU：
ReLU：R(x)＝max(0,x) (3)
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为MSE：
Figure BDA0003038174840000031
其中：n为样本数量，yi为真实值，
Figure BDA0003038174840000032
为预测值。
进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构的构建方法如下：
ConvGRU网络结构基本在典型一维GRU上改进，将激活函数σ内的全连接运算改为卷积运算。其中σ为sigmoid函数，*为卷积操作，⊙为元素相乘记号。Rt为重置门控制上一时刻隐藏状态的保留程度，Zt为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态
Figure BDA0003038174840000033
的信息分配。具体公式如式(5)：
Figure BDA0003038174840000034
采用的是注意力机制中的Scaled Dot-Product Attention方法，其计算主要分为3个步骤：
第1步：将query和每个key进行点积计算得到权重；
第2步：使用softmax函数对权重归一化处理；
第3步：将权重和对应的value加权求和获得Attention。
Attention具体计算公式如式(6)：
Figure BDA0003038174840000035
其中，queries，keys，values的矩阵表示为Q,K,V，Q＝K＝V＝L,L为注意力层的输入，dk为queries,keys,values的向量维度。
对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，…，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过BatchNormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值yt。
进一步的技术方案在于：利用一次线性回归预测得到t时刻对应的剩余使用寿命RULt。
所述的剩余使用寿命计算步骤为：
(1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：t＝a·yt+b (7)
(2)计算轴承的全寿命周期，当yt＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：m＝a·yt+b＝a·0+b＝b (8)
(3)计算轴承任意时刻t的剩余使用寿命：RULt＝m-t (9)
其中：：a为一次线性函数的斜率，b为一次线性函数的截距，t为轴承已运行时间，yt为当前剩余使用寿命与全寿命结果的比值，m为轴承的全寿命周期，RULt为t时刻后轴承的剩余使用寿命。
采用上述技术方案所产生的有益效果在于：本发明通过采集正常状态下的振动加速信号片段，将获得的振动信号进行数据处理和数据转化后输入基于卷积门控循环单元神经网络和注意力机制融合的网络自动获取特征信息，经过全连接层获取对应时刻的剩余使用寿命的比值，通过线性回归得到此刻的剩余使用寿命，预测的剩余使用寿命准确度高，可以防止重大事故发生，为预测性维修提供参考意见。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例所述方法的流程图；
图2是本发明实施例所述方法中卷积门控循环单元内部结构图；
图3是本发明实施例所述方法中轴承剩余使用寿命预测的卷积门控循环单元神经网络方法的网络结构图；
图4是本发明实施例所述方法的预测结果图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
实施例一
总体的，如图1所示，本发明实施例公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，包括如下步骤：
S1、采集轴承全寿命振动加速度信号；
具体的，采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。
所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：
采用最小最大标准化，将数据集中的最小值和最大值转化至[0,1]之间，具体公式如式(1)所示，式中Xt为数据集t时刻的输入，Xmin为数据集的最小值，Xmax为数据集的最大值，
Figure BDA0003038174840000051
为t时刻通过数据标准化后的值：
Figure BDA0003038174840000052
对于轴承剩余使用寿命标签进行归一化，其定义和计算公式为；假设第i行数据的剩余使用寿命标签为yi，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命：
Figure BDA0003038174840000061
S2、对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；
S3、设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合主要包括卷积门控循环单元神经网络和注意力机制两部分；
基于卷积门控循环单元神经网络和注意力机制融合的网络包括2层卷积门控循环单元、BatchNormalization层、注意力机制、平铺层和全连接层，其中所使用的激活函数ReLU：
ReLU：R(x)＝max(0,x) (3)
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为MSE：
Figure BDA0003038174840000062
其中：n为样本数量，yi为真实值，
Figure BDA0003038174840000063
为预测值。
所述卷积门控循环单元神经网络和注意力机制融合的网络结构的处理方法如下：
ConvGRU网络结构基本在典型一维GRU上改进，将激活函数σ内的全连接运算改为卷积运算。其中σ为sigmoid函数，*为卷积操作，⊙为元素相乘记号。Rt为重置门控制上一时刻隐藏状态的保留程度，Zt为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态
Figure BDA0003038174840000064
的信息分配。具体公式如式(5)：
Figure BDA0003038174840000071
采用的是注意力机制中的Scaled Dot-Product Attention方法，其计算主要分为3个步骤：
第1步：将query和每个key进行点积计算得到权重；
第2步：使用softmax函数对权重归一化处理；
第3步：将权重和对应的value加权求和获得Attention。
Attention具体计算公式如式(6)：
Figure BDA0003038174840000072
其中，queries，keys，values的矩阵表示为Q,K,V，Q＝K＝V＝L,L为注意力层的输入，dk为queries,keys,values的向量维度。
S4、将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。
对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，…，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过BatchNormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值yt；
S5、此时得到的剩余使用寿命预测结果为当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
计算剩余使用寿命：利用一次线性回归预测得到t时刻剩余使用寿命与全寿命结果的比值yt对应的剩余使用寿命RULt。
进一步的，所述的剩余使用寿命计算步骤为：
(1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：
t＝a·yt+b (7)
(2)计算轴承的全寿命周期，当yt＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：
m＝a·yt+b＝a·0+b＝b (8)
(3)计算轴承任意时刻t的剩余使用寿命：
RULt＝m-t (9)
其中：：a为一次线性函数的斜率，b为一次线性函数的截距，t为轴承已运行时间，yt为当前剩余使用寿命与全寿命结果的比值，m为轴承的全寿命周期，RULt为t时刻后轴承的剩余使用寿命。
实施例二
本发明实施例公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，包括如下步骤：
S1、采集轴承全寿命振动加速度信号；
使用来源于IEEE PHM2012 Data ChallengePRONOSTIA试验台的轴承全生命周期振动信号，通过对轴承施加额外载荷或者增加转速，达到加速失效的目的。实验轴承1-1～1-7均在转速为1800r/min，载荷为4000N的工况下运行，加速度传感器每10s采集一次数据，每次采集数据的时间长度是0.1s，即每次采集2560个数据点。当加速度幅值超过20g时，即认为失效，结束实验。该工况下的7个轴承均从正常状态运行至失效。
S2、对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；
对于得到轴承数据进行整合处理，取轴承Bearing1-3为测试轴承,其余为训练轴承，其中训练集尺寸为(7534,2561)，测试集尺寸为(2375,2560)，训练集的前2560列为获取的振动加速度信号，第2561列为剩余使用寿命的比值；
S3、设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络(如图2所示)和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合主要包括卷积门控循环单元神经网络和注意力机制两部分；
所述卷积门控循环单元神经网络和注意力机制融合的网络结构如图3所示，基于卷积门控循环单元神经网络和注意力机制融合的网络包括2层卷积门控循环单元、BatchNormalization层、注意力机制、平铺层和全连接层；
网络参数的设置如表1所示，将S2得到的训练集和测试集进行转换，得到训练集为尺寸为(7534,64,40,1,1)，测试集为尺寸为(2375,64,40,1,1)，将转换后的训练集输入到卷积门控循环单元神经网络和注意力机制融合的网络中进行训练；
表1：网络参数设置表；
Figure BDA0003038174840000091
S4、将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。
具体的，对于输入的原始数据序列首先经过数据转换，得到7534个特征向量{x1，x2，x3，…，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过BatchNormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值yt。，得到的Bearing1-3剩余使用寿命预测结果如图4所示。
采用Adam优化算法，学习率设置为0.005，超参数β1设置为0.9，β2设置为0.999，Ω设置为1e-08。训练模型设置为epochs＝200，batch_size设置为200。
S5、此时得到的剩余使用寿命预测结果为当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
具体的剩余使用寿命计算步骤为：
1)通过线性回归建立预测Bearing1-3运行至18010s时的剩余使用寿命，得到的当前剩余使用寿命与全寿命结果之间的线性方程：
t＝-23086·yt+23089；
(2)计算轴承的全寿命周期，当yt＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：
m＝23089s；
(3)计算轴承任意时刻t的剩余使用寿命：RULt＝23089-18010＝5079s，实际剩余使用寿命为5730s。
本发明通过采集正常状态下的振动加速信号片段，将获得的振动信号进行数据处理和数据转化后输入基于卷积门控循环单元神经网络和注意力机制融合的网络自动获取特征信息，经过全连接层获取对应时刻的剩余使用寿命的比值，通过线性回归得到此刻的剩余使用寿命，预测的剩余使用寿命准确度高。

Claims (9)

1.一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：
采集轴承全生命周期的振动加速度信号；
对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；
设计卷积门控循环单元神经网络和注意力机制融合的网络结构，所述网络结构包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；
将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；
得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
2.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述采集轴承全生命周期的振动加速度信号的方法为：
采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。
3.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：
采用最小最大标准化，将数据集中的最小值和最大值转化至[0,1]之间，具体公式如式(1)所示，式中Xt为数据集t时刻的输入，Xmin为数据集的最小值，Xmax为数据集的最大值，
Figure FDA0003038174830000011
为t时刻通过数据标准化后的值；
Figure FDA0003038174830000012
对于轴承剩余使用寿命标签进行归一化，其定义为：假设第i行数据的剩余使用寿命标签为yi，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命：
Figure FDA0003038174830000021
4.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。
5.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循环单元、BatchNormalization层、注意力机制、平铺层和全连接层。
6.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为ReLU：
ReLU：R(x)＝max(0,x) (3)
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为MSE：
Figure FDA0003038174830000022
其中：n为样本数量，yi为真实值，
Figure FDA0003038174830000023
为预测值。
7.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构的构建方法如下：
将激活函数σ内的全连接运算改为卷积运算；其中σ为sigmoid函数，*为卷积操作，⊙为元素相乘记号；Rt为重置门控制上一时刻隐藏状态的保留程度，Zt为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态
Figure FDA0003038174830000024
的信息分配，具体公式如式(5)：
Figure FDA0003038174830000031
采用的是注意力机制中的Scaled Dot-Product Attention方法，其计算主要分为3个步骤：
第1步：将query和每个key进行点积计算得到权重；
第2步：使用softmax函数对权重归一化处理；
第3步：将权重和对应的value加权求和获得Attention；
Attention具体计算公式如式(6)：
Figure FDA0003038174830000032
其中，queries，keys，values的矩阵表示为Q,K,V，Q＝K＝V＝L,L为注意力层的输入，dk为queries,keys,values的向量维度。
8.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构的处理方法如下：
对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，…，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过BatchNormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值yt。
9.如权利要求1所述的轴承剩余使用寿命预测方法，其特征在于，利用一次线性回归预测得到t时刻对应的剩余使用寿命RULt；
1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：
t＝a·yt+b (7)
2)计算轴承的全寿命周期，当yt＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：
m＝a·yt+b＝a·0+b＝b (8)
3)计算轴承任意时刻t的剩余使用寿命：
RULt＝m-t (9)
其中：a为一次线性函数的斜率，b为一次线性函数的截距，t为轴承已运行时间，yt为当前剩余使用寿命与全寿命结果的比值，m为轴承的全寿命周期，RULt为t时刻后轴承的剩余使用寿命。
CN202110449650.4A 2021-04-25 2021-04-25 基于卷积门控循环网络的轴承剩余使用寿命预测方法 Active CN113051689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110449650.4A CN113051689B (zh) 2021-04-25 2021-04-25 基于卷积门控循环网络的轴承剩余使用寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110449650.4A CN113051689B (zh) 2021-04-25 2021-04-25 基于卷积门控循环网络的轴承剩余使用寿命预测方法

Publications (2)

Publication Number Publication Date
CN113051689A true CN113051689A (zh) 2021-06-29
CN113051689B CN113051689B (zh) 2022-03-25

Family

ID=76520436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110449650.4A Active CN113051689B (zh) 2021-04-25 2021-04-25 基于卷积门控循环网络的轴承剩余使用寿命预测方法

Country Status (1)

Country Link
CN (1) CN113051689B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505535A (zh) * 2021-07-08 2021-10-15 重庆大学 基于门控自适应分层注意力单元网络的电机寿命预测方法
CN113673687A (zh) * 2021-09-08 2021-11-19 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN114186475A (zh) * 2021-10-28 2022-03-15 南京工业大学 一种基于Attention-MGRU的回转支承寿命预测方法
CN114841078A (zh) * 2022-05-26 2022-08-02 重庆大学 一种轴承剩余使用寿命的预测方法及系统
CN114880767A (zh) * 2022-04-24 2022-08-09 西北工业大学 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111579243A (zh) * 2020-06-17 2020-08-25 大连理工大学 一种基于深度迁移学习的滚动轴承智能诊断系统
CN111595583A (zh) * 2020-05-29 2020-08-28 重庆大学 基于gau神经网络的轴承剩余寿命的预测方法
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
US20200349697A1 (en) * 2019-05-02 2020-11-05 Curacloud Corporation Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network
CN112036547A (zh) * 2020-08-28 2020-12-04 江苏徐工信息技术股份有限公司 自动特征提取结合lstm的滚动轴承剩余寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200349697A1 (en) * 2019-05-02 2020-11-05 Curacloud Corporation Method and system for intracerebral hemorrhage detection and segmentation based on a multi-task fully convolutional network
CN111325112A (zh) * 2020-01-31 2020-06-23 贵州大学 基于深度门控循环单元神经网络的刀具磨损状态监测方法
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
CN111595583A (zh) * 2020-05-29 2020-08-28 重庆大学 基于gau神经网络的轴承剩余寿命的预测方法
CN111579243A (zh) * 2020-06-17 2020-08-25 大连理工大学 一种基于深度迁移学习的滚动轴承智能诊断系统
CN112036547A (zh) * 2020-08-28 2020-12-04 江苏徐工信息技术股份有限公司 自动特征提取结合lstm的滚动轴承剩余寿命预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
VASWANI A 等: "Attention is all you need", 《31ST CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 *
YIRONG ZHOU 等: "A spatiotemporal attention mechanism-based model for multi-step citywide passenger demand prediction", 《INFORMATION SCIENCES》 *
杨平 等: "基于卷积门控循环网络的滚动轴承故障诊断", 《航空动力学报》 *
桂智明 等: "基于ACGRU模型的短时交通流预测", 《计算机工程与应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505535A (zh) * 2021-07-08 2021-10-15 重庆大学 基于门控自适应分层注意力单元网络的电机寿命预测方法
CN113505535B (zh) * 2021-07-08 2023-11-10 重庆大学 基于门控自适应分层注意力单元网络的电机寿命预测方法
CN113673687A (zh) * 2021-09-08 2021-11-19 深圳前海微众银行股份有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN114186475A (zh) * 2021-10-28 2022-03-15 南京工业大学 一种基于Attention-MGRU的回转支承寿命预测方法
CN114186475B (zh) * 2021-10-28 2023-05-12 南京工业大学 一种基于Attention-MGRU的回转支承寿命预测方法
CN114880767A (zh) * 2022-04-24 2022-08-09 西北工业大学 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
CN114880767B (zh) * 2022-04-24 2024-03-08 西北工业大学 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
CN114841078A (zh) * 2022-05-26 2022-08-02 重庆大学 一种轴承剩余使用寿命的预测方法及系统

Also Published As

Publication number Publication date
CN113051689B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN113051689B (zh) 基于卷积门控循环网络的轴承剩余使用寿命预测方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN106555788B (zh) 基于模糊处理的深度学习在液压装备故障诊断中的应用
CN111460728B (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN111289250A (zh) 一种伺服电机滚动轴承剩余使用寿命预测方法
CN111397902B (zh) 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法
CN117034123B (zh) 健身器材的故障监控系统及其方法
CN112257911B (zh) 基于并行时空注意力机制的tcn多元时间序列预测方法
CN113094822A (zh) 一种机械设备剩余寿命预测方法和系统
CN114841078B (zh) 一种轴承剩余使用寿命的预测方法及系统
CN116881685A (zh) 一种混合注意力机制下改进tcn的轴承寿命预测方法
CN116929815A (zh) 基于物联网的设备工作状态监测系统及其方法
CN114062812B (zh) 一种计量柜故障诊断方法及系统
CN116305614A (zh) 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
CN117664575A (zh) 基于双图注意力和gru的滚动轴承剩余使用寿命预测方法
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
CN115935285A (zh) 基于掩码图神经网络模型的多元时间序列异常检测方法和系统
CN115217534A (zh) 一种汽轮机服役质量状态监测方法及系统
CN114818811A (zh) 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法
CN116796617A (zh) 基于数据标识的滚动轴承设备剩余寿命预测方法及系统
CN112598186A (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
CN112818870A (zh) 一种基于门控神经网络框架的轴承剩余寿命预测方法
Yang et al. A Novel Temporal Convolutional Network Based on Position Encoding for Remaining Useful Life Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant