[发明专利]一种基于MMALSTM的齿轮剩余寿命的预测方法

权利要求书

1.一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于MMALSTM的多步预测，采用MMA对融合特征数据进行宏微观处理，其中，MMALSTM表示基于宏微观注意力的长短期记忆网络，MMA表示宏微观注意力机制；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理；所述预测方法具体包括以下步骤：

S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；

S2：分别计算采集的n段齿轮振动信号降噪之后的21种时频特征，则得到n×21维的特征值矩阵X；

S3：选取前面n1个采样点组成的特征值矩阵X1作为训练矩阵；

S4：通过ISOMAP算法处理训练矩阵X1和特征值矩阵X，分别选取利用最大特征值计算的结果V1＝(v1₁,v1₂,...,v1_n1)^T和V＝(v₁,v₂,...,v_n)^T作为其主要成分；

S5：使用最小二乘法使目标函数最小，然后通过公式v′_i＝av_i+b将向量V里的所有元素与向量V1统一化，其中a、b分别表示向量V里的所有元素向向量V1统一化过程中所使用的函数的斜率与偏置，具体大小通过上述目标函数最小化确定；

S6：将向量V1归一化，得到归一化之后的向量W＝(w₁,w₂,...,w_n1)^T；

S7：重构矩阵其中p为神经网络输入层单元数；

S8：将矩阵U前面p行作为MMALSTM网络的输入，最后一行作为MMALSTM网络的输出来训练网络；

所述MMALSTM表示基于宏微观注意力的长短期记忆网络，是根据MMA从宏观和微观两方面对特征值矩阵的注意力系数进行评价，然后根据宏观和微观注意力系数实时放大输入神经网络的输入权重和递归权重；所述MMA是注意力机制在整个时间维度和每个时间维度上对数据的操作，具体为：首先，对数据矩阵进行处理，利用MMA计算其宏微观注意力系数；预测过程中，整个时间维度的输入数据集为X_t＝[x₁ x₂...x_t]，其中x_t＝[x_t,1 x_t,2...x_t,n]表示t时刻输入数据，h_t-1＝[h_t-1,1 h_t-1,2…h_t-1,m]表示t-1时刻MMALSTM网络的递归数据；宏观注意力机制是通过注意力机制对整个时间维度内的数据进行处理；微观注意力机制是在每个时间维度利用注意力机制处理输入数据x_t＝[x_t,1 x_t,2...x_t,n]和递归数据h_t-1＝[h_t-1,1h_t-1,2...h_t-1,m]；

S9：将MMALSTM网络的倒数p个输出作为网络输入，得到下一时刻的输出；

S10：重复步骤S9一定次数，将这些输出反归一化之后与实际特征值V'＝(v′_p+1,v′_p+2,...,v′_n)^T比较，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。

2.根据权利要求1所述的一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，所述MMALSTM网络的计算过程为：

1)计算宏微观注意力系数公式：

其中，α_i、λ_i分别为微观注意力机制中输入数据和递归数据的注意力系数，χ_i为整个时间维度上所得的宏观注意力系数，为x_i的均值，x_t,j为t时刻输入数据x_t＝[x_t,1 x_t,2…x_t,n]中第j个元素，h_t-1,p为t-1时刻递归数据h_t-1＝[h_t-1,1 h_t-1,2…h_t-1,m]中第p个元素，t为输入数据集为X_t＝[x₁ x₂...x_t]的维度，为输入数据集X_t中第k个向量的均值，q为查询向量，在MMALSTM网络训练过程中，设为宏观层面的查询向量q_M，x_t+1,n设为微观层面的查询向量q_m；在预测阶段，将x_t,n分别设为q_M、q_m；相关评分函数计算如下：

其中，n为t时刻输入数据x_t＝[x_t,1 x_t,2...x_t,n]的维度，m为t-1时刻MMALSTM网络的递归数据h_t-1＝[h_t-1,1 h_t-1,2...h_t-1,m]的维度；

2)根据相应的宏微观注意力系数对所关联的输入数据权重和递归数据权重进行实时的多层次的放大；

其中，w_ix表示LSTM神经网络输入数据与隐含层中输入门之间的权重，w_ox表示LSTM神经网络输入数据与隐含层中输出门之间的权重，w_fx表示LSTM神经网络输入数据与隐含层中遗忘门之间的权重，w_ih表示LSTM神经网络递归数据与隐含层中输入门之间的权重，w_oh表示LSTM神经网络递归数据与隐含层中输出门之间的权重，w_fh表示LSTM神经网络递归数据与隐含层中遗忘门之间的权重，表示w′_ix表示MMALSTM神经网络输入数据与隐含层中输入门之间的权重，w′_ox表示MMALSTM神经网络输入数据与隐含层中输出门之间的权重，w′_fx表示MMALSTM神经网络输入数据与隐含层中遗忘门之间的权重，w′_ih表示MMALSTM神经网络递归数据与隐含层中输入门之间的权重，w′_oh表示MMALSTM神经网络递归数据与隐含层中输出门之间的权重，w′_fh表示MMALSTM神经网络递归数据与隐含层中遗忘门之间的权重；

3)根据输入数据权重和递归数据权重的放大，得出相应计算结果：

其中，σ为sigmod激活函数，g为线性激活函数，b_i为MMALSTM隐含层输入门阈值，b_f为MMALSTM隐含层遗忘门阈值，b_c为MMALSTM隐含层存储细胞单元阈值，b_o为MMALSTM隐含层输出门阈值，b_y为MMALSTM输出层阈值，i_t为t时刻输入门输出，f_t为t时刻遗忘门输出，c_t-1为t-1时刻存储细胞单元输出，c_t为t时刻存储细胞单元输出，o_t为t时刻输出门输出，h_t为t时刻隐含层输出，y_t为t时刻输出层输出，w_cx表示MMALSTM神经网络输入数据与隐含层中存储细胞单元之间的权重，w_ch表示MMALSTM神经网络递归数据与隐含层中存储细胞单元之间的权重，w_yh表示MMALSTM神经网络递归层与输出层之间的权重。