[发明专利]基于门控自适应分层注意力单元网络的电机寿命预测方法

说明书

本申请提供一种基于门控自适应分层注意力单元网络的电机寿命预测方法，具体方法为：采集伺服电机的振动信号，通过对振动信号进行预处理并利用傅里叶变换得到FFT数据，将该数据输入QFDCAE网络中构建伺服电机的健康特征指标，将该健康特征指标输入到基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型中进行电机剩余使用寿命预测；本申请采用基于门控自适应分层注意力单元网络GAHAU模型对电机剩余寿命进行预测，比现有神经网络的预测精度更高。

技术领域

本发明涉及一种电机寿命预测方法，特别是一种基于门控自适应分层注意力单元网络的电机寿命预测方法。

背景技术

伺服电机作为精密设备中的关键部分，已被广泛应用于数控机床、工业机器人等不同领域。由于其复杂且不可控的工作环境，伺服电机极易出现性能退化或发生故障，这会导致伺服驱动设备工作异常。伺服电机的性能退化通常会导致伺服驱动设备精度和生产率下降，严重情况下还会给生产活动带来极大危害，甚至会引发人身安全问题。所以，伺服电机的健康状态制约着整个伺服驱动设备的可靠性、安全性和高效性。因此，对伺服电机的剩余使用寿命预测具有重大的工程价值，能够对伺服驱动设备进行有效的评估，确保其安全高效地生产工作。

发明内容

本发明的目的就是提供基于门控自适应分层注意力单元网络的电机寿命预测方法，它可以用于电机剩余寿命的预测。

本发明的目的是通过这样的技术方案实现的，具体步骤为：

1)数据采集：采集伺服电机全生命周期中的振动信号，采样时间为T_m，相邻采样点之间的间隔为T_n，获得包含N个样本的采集数据；

2)构建健康特征：对步骤1)中的采集数据进行里叶变换，将经过傅里叶变换得到的FFT数据输入基于二次函数的深度卷积自编码器网络QFDCAE中获取健康特征指标，则可得到N+1维的健康特征指标向量x＝[x₁,x₂,…,x_N]^T；

3)构建Hankel矩阵：选取健康特征指标向量x的前M个健康特征指标向量作为训练向量k＝[x₁,x₂,…,x_M]^T，基于训练向量k，构建Hankel矩阵V；

4)构建GAHAU网络：构建基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型，所述寿命预测模型的输入层单元数为i，输出层单元数为1；

5)将矩阵V前i行作为神经网络的输入，i+1行作为神经网络的输出来训练GAHAU网络更新GAHAU网络模型的权重参数，得到更新后的GAHAU网络模型；

6)将t时刻的倒数的i个输出[x_M-i+1,x_M-i+2,…,x_M]^T作为更新后GAHAU网络模型的输入，得到t+1时刻的输出；

7)重复步骤6)，若t+1时刻的输出大于设定的失效阈值，则返回步骤6)计算t+2时刻的输出，若t+1时刻的刻健康特征指标向量的健康指标小于设定的失效阈值，则当前预测的采样点数减去M乘以振动信号间隔时间与采样时间之和T_m+T_n即为伺服电机的剩余使用寿命。

进一步，步骤3)中Hankel矩阵V为：

进一步，步骤3)中构建GAHAU网络的具体步骤为：

4-1)所述电机寿命预测的门控自适应分层注意力单元网络GAHAU模型包括重置门及更新门，其模型公式如下：