[发明专利]一种基于深度迁移学习的轴承剩余寿命预测模型和方法

权利要求书

1.一种基于深度迁移学习的轴承剩余寿命预测系统，其特征在于，包括基于深度神经网络训练实现的预测模型，所述预测模型包括：自适应特征提取模块和指标回归预测模块；

自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征，并根据所述自适应深度特征衍生相对应的输入特征和标注标签；

指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签，指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练；

自适应特征提取模块包括自动编码器、特征空间转换单元和数据处理单元；自动编码器用于提取未标注的振动数据样本的深度特征；特征空间转换单元用于将自动编码器提取的深度特征转换为自适应深度特征；自适应深度特征通过数据处理单元进行处理，以获得相对应的输入特征和标注标签；

所述自动编码器采用基于最大均值差异距离的稀疏自动编码器；

训练自适应特征提取模块的损失函数L为：

其中，L₁为自适应特征提取单元的稀疏惩罚函数，L₂为自适应特征提取单元的重构损失函数，L₃为自适应特征提取单元的最大均值差异损失函数；ρ为稀疏性参数，s为自动编码器中神经元的个数，i表示振动数据样本编号，j表示自动编码器中神经元的编号，1≤j≤s，a_j(x_i)表示在输入的振动数据样本为x_i的情况下隐藏神经元j的激活度；N为振动数据样本的数量，1≤i≤N；r_i为自动编码器的解码部分输出的与振动数据样本x_i对应的重构数据，表示第j个隐藏神经元在训练集中某一层的平均激活度；

z_i为编码部分针对振动数据样本x_i输出的深度特征，z′_i为随机特征，φ(·)表示映射函数，H表示用于度量距离的空间，表示通过函数φ(·)将z_i和z′_i映射到空间H中进行距离度量。

2.如权利要求1所述的基于深度迁移学习的轴承剩余寿命预测系统，其特征在于，还包括数据预处理模块，数据预处理模块利用最小-最大规范化对获取的原始振动信号进行归一化处理，以生成归一化的振动数据样本。

3.如权利要求1所述的基于深度迁移学习的轴承剩余寿命预测系统，其特征在于，用于训练指标回归预测模块的损失函数L₄为：

其中，M表示标签数量，y_k表示训练样本中的标注特征，y′_k表示与训练样本中的输入特征x′_k对应的预测特征，k表示下标。

4.如权利要求3所述的基于深度迁移学习的轴承剩余寿命预测系统，其特征在于，指标回归预测模块基于双向长短时记忆网络构建。