[发明专利]一种齿轮箱轴承剩余寿命的预测方法

权利要求书

1.一种齿轮箱轴承剩余寿命的预测方法，其特征在于包括以下步骤：

步骤S1：利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，并进行数据预处理；

步骤S2：针对多通道振动信号和多通道定子电流信号分别设计深度卷积网络空间特征学习模块，对每一个时间点进行多传感器特征的融合提取，得到多通道振动信号和多通道定子电流信号的特征时序序列，并在通道维度上进行拼接；

步骤S3：设计基于注意力机制的加权融合层，动态加权融合特征；

步骤S4：将融合后的特征序列输入到双向长短时记忆网络中，进一步提取时间维度的特征，输出多视角时空融合特征；

步骤S5：构建Dense回归层，将多视角时空融合特征输入到Dense回归层中，输出得到齿轮箱轴承的剩余寿命预测结果。

2.根据权利要求1所述的一种齿轮箱轴承剩余寿命的预测方法，其特征在于：所述步骤S1包括如下具体步骤：

步骤S11、所得到的多通道振动信号和多通道定子电流信号的数据大小分别为H₁×1×C₁和H₂×1×C₂，其中H₁、C₁分别表示多通道振动信号的长度和通道数，H₂、C₂分别表示多通道定子电流信号的长度和通道数；

步骤S12、对数据在时序上进行等距索引以减少数据量，步长为M；

步骤S13、进行滑窗处理以充分提取时序特征信息，窗口大小为W，进一步经过最大最小值归一化处理后，最终得到的数据大小为：

H₁/(M*W)×1×C₁,H₂/(M*W)×1×C₂，计算公式如下：

其中y_ij是标准化处理后的多通道时间序列中通道j的第i个值，x_ij是原始多通道时间序列中通道j的第i个值，min(x_j)和max(x_j)分别是通道j的最小值和最大值。

3.根据权利要求1所述的一种齿轮箱轴承剩余寿命的预测方法，其特征在于：所述步骤S2包括如下具体步骤：

步骤S21、针对多通道振动信号和多通道定子电流信号不同的特点分别设计深度卷积网络空间特征学习模块，卷积层采用ReLU作为激活函数，并在模块内添加Dropout层和批标准化层以提高模型的训练效果，从而获得信号的空间特征图；多通道振动信号的深度卷积神经网络共有3个卷积层，卷积层的卷积核大小为F₁×1，数量为N₁；多通道定子电流信号的深度卷积神经网络共有3个卷积层，卷积层的卷积核大小为F_i×1，数量为N₂，第l个卷积层的第n个特征图可表示为x^l_n；

步骤S22、分别对处理后的多通道振动信号和多通道定子电流信号的每个时间点t₀,t₁,…t_n分别进行空间特征提取，最终得到多通道振动信号和多通道定子电流信号的时序特征序列；

步骤S23、将所得到的多通道振动信号和多通道定子电流信号的时序特征序列在通道维度上进行拼接，以保持特征序列的时序关系。

4.根据权利要求3所述的一种齿轮箱轴承剩余寿命的预测方法，其特征在于：所述步骤S3包括如下具体步骤：

步骤S31、将步骤S2中得到的时序特征序列进行全局平均池化处理，聚合每个通道的全局信息，计算公式如下

z^l代表更新后的特征图，I为每个特征序列的长度；

步骤S32、通过多层感知机和hard sigmoid激活函数得到通道权重，和输入相乘后得到每个时间点的加权融合后的特征序列。

5.根据权利要求1所述的一种齿轮箱轴承剩余寿命的预测方法，其特征在于：所述步骤S4包括如下具体步骤：

采用双向长短时记忆网络来提取时序特征信息，以达到时空特征融合的目的。