[发明专利]一种基于MMALSTM的齿轮剩余寿命的预测方法

说明书

本发明涉及一种基于MMALSTM的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。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，针对不同特征信息所包含的信息量不同的特点，采用MMA对融合特征数据进行宏微观处理；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。本发明能够在降低计算量的同时提高齿轮剩余寿命的预测速度与精度。

技术领域

本发明属于大数据和智能制造领域，涉及一种基于MMALSTM的齿轮剩余寿命的预测方法。

背景技术

齿轮广泛应用于机械设备中，是应用最广泛的机械零件之一。齿轮具有传动效率高、结构紧凑、传动平顺性好、承载能力大、使用寿命长等独特的优点，使其具有强大而持久的生命力。在复杂的工作条件和环境下，齿轮容易发生故障，可能导致机器运行的灾难，甚至危及人身安全。对于大型或超大型设备，如水轮发电机、矿山输送机械、直升机动力传动系统、重型机床等，更是如此。进行在役齿轮的寿命预测，能够有效地确定设备的维护时间，提高生产效率，保证生产的连续高效进行，降低事故发生率，防止突发性事故发生，对于工程生产意义重大。

常用机械设备寿命预测方法主要分为以下三类：1)基于模型的预测方法；2)数据驱动；3)前两种方法的混合。基于模型的方法构建描述组件退化过程的物理模型。这种方法需要特定的力学知识，因此适用性较低。数据驱动方法从常规收集的监测数据中派生出预测模型。它主要基于统计和机器学习方法，目的是发现系统的行为。因此，这些方法在精确性、复杂性和适用性之间提供了一种折衷。混合方法结合了基于模型和数据驱动技术。利用监测系统的物理知识建立模型，利用数据驱动技术对参数进行学习和更新。基于模型和数据驱动技术的结合使该方法准确，但仍然需要特定的物理知识而且计算上很昂贵。数据驱动方法中基于机器学习的方法能够克服退化模型未知的问题，同时构建模型的输入也不仅局限于状态监测数据，可以是多种不同类型的数据。其中基于RNN的剩余寿命预测方法能够融合原有学习样本与新的学习模式实现样本的重新训练，不仅能够提高剩余寿命预测的准确性，而且具有收敛速度快和稳定性高等特点，在可靠性评估和剩余寿命预测领域发挥着重要作用。但处理长期依赖型退化数据时，传统RNN方法会面临梯度消失或爆炸问题，剩余寿命预测精度会受到严重影响。

为解决这个问题长短期记忆(long short-term memory,LTSM)网络应运而生，然而LSTM虽然具有处理长期依赖型退化数据的能力，当其能力也有不足的时候。首先LSTM的长期信息的存储能力也是有限的，冗余信息的存储即不利于寿命预测也会白白浪费计算资源。并且不相关和/或冗余特征的存在会影响神经网络模型训练的速度和准确性。因此在神经网络训练之前，有必要把相关的信息和不必要的信息区分开来，对输入数据进行差异化处理，对预测结果贡献度大的数据着重学习，贡献度小的信息进行轻微的学习。这样就能够最优化的分配计算机资源，有目的的处理输入数据，从而实现准确快速的预测齿轮的剩余使用寿命。

发明内容

有鉴于此，本发明的目的在于提供一种基于MMALSTM的齿轮剩余寿命的预测方法，为了全面、准确地表达齿轮的退化过程，计算齿轮的所有特性，对高维特征进行简化和融合，从而减少神经网络的计算量，提高预测速度与精度。

为达到上述目的，本发明提供如下技术方案：

一种基于MMALSTM的齿轮剩余寿命的预测方法，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基于宏微观注意力的长短期记忆网络(MMALSTM)的多步预测，针对不同特征信息所包含的信息量不同的特点，采用宏微观注意力机制(MMA)对融合特征数据进行宏微观处理；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；