[发明专利]基于卷积门控循环网络的轴承剩余使用寿命预测方法

权利要求书

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；

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y_t。

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X_t为数据集t时刻的输入，X_min为数据集的最小值，X_max为数据集的最大值，为t时刻通过数据标准化后的值；

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y_i，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：

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，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：

其中：n为样本数量，y_i为真实值，为预测值。