[发明专利]一种基于ResNet与GRU的动车组车轴剩余寿命预估方法

权利要求书

1.一种基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于包括下列步骤：

(1)对采集的不同工况下的转向架车轴振动信号进行FFT变换，得到频域幅值信号数据作为训练集；

(2)将频域幅值信号用BN算法归一化处理后作为特征输入，车轴的寿命退化比率作为模型的输出以进行训练，公式如下：

其中，x_t∈R^N表示车轴在时刻t处的N维特征输入；y_t∈[0，1]表示该车轴在t时刻的寿命退化比率；V_TRN表示训练集中某一工况下车轴的振动信号数据；R为频域幅值特征矩阵；T为车轴设计寿命运行时间；

(3)选用去除全联接层的VGG16网络作为数据预处理网络，并加入ResNet模块，将归一化后的频域幅值信号作为网络的输入，运用VGG16网络的卷积层、池化层遍历整个输入数据序列，以提取振动信号的深层特征，并运用ResNet模块以提高VGG16网络对数据的深入特征提取能力；

(4)再将池化层输出结果输入到GRU网络中，利用GRU网络的记忆单元对时间序列数据具有长短期记忆的特点探究车轴寿命趋势变化规律，建立车轴寿命预测模型；

(5)对测试集中车轴不同工况的非全寿命时域振动信号进行FFT变换，得到频域幅值信号，并用BN算法进行归一化处理，经步骤3挖掘的深层特征，结合步骤4的寿命趋势变化模型，获取测试集的趋势性量化指标；采用指数平滑法对其进行平滑处理；

(6)利用多项式曲线拟合车轴性能退化趋势，预测车轴的剩余寿命。

2.根据权利要求1所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于：步骤3利用VGG16的卷积操作、局部连接、权值共享特性，并利用ResNet解决梯度消失和信息丢失问题，自动提取数据局部抽象信息以挖掘深层特征。

3.根据权利要求2所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于步骤3的具体实现过程为：

将车轴归一化后的频域幅值信号输入到卷积层中，卷积层的运算公式如式(1)所示：

式中：表示第l层的第i个卷积核的第j个权值，为第l层中j个被卷积的局部区域r，*表示卷积运算，W为卷积和尺寸，使用ResNet模块改善信息处理时的完整性，以提高网络对深层数据的挖掘能力，具体运算过程如公式(2)所示：

x^l+1＝x^l+F(x^l，K^l) (2)

式中：F(x^l，K^l)为残差映射函数；

使用ReLU激活函数对每一个卷积输出的y^l(i，j)进行非线性变换，以适应车轴振动数据的非线性特性，具体运算过程如公式(3)所示：

a^l(i，j)＝f(y^l(i，j))＝max{0，y^l(i，j)} (3)

式中：y^l(i，j)为卷积层输出值，f(y^l(i，j))为激活函数ReLU,a^l(i，j)为y^l(i，j)经过ReLU激活函数得到的激活值。

4.根据权利要求1所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于：池化层采用MaxPooling进行降采样操作以最小化网络参数，并获取深层特征。

5.根据权利要求1所述的基于ResNet与GRU的动车组车轴剩余寿命预估方法，其特征在于：步骤4中GRU网络中GRU记忆单元的构建过程为：

GRU网络在隐藏层引入了一组记忆单元，其中包括两个门控器：更新门z_t和重置门r_t，用于控制车轴振动数据中信息的流动，并挖掘序列中的长期依赖信息，有效处理车轴振动数据，其计算更新状态的步骤：

①更新门用于控制前一时刻的车轴振动频率数据被带入当前振动频率数据中的程度，

z_t＝σ(W_z·[h_t-1，x_r]) (4)

②重置门用于控制前一时刻车轴振动频率数据有多少被写入当前的候选集中，

r_t＝σ(W_r·[h_t-1，x_t]) (5)

其中，x是输入层，W为隐含层从上一时刻到下一时刻振动量专一的权重矩阵，σ为sigmoid函数；

③通过计算候选隐藏层以得到当前时刻信息，并通过tanh激活函数将数据缩放至-1～1的范围内，

④GRU网络记忆单元的输出为：