[发明专利]一种基于Attention-MGRU的回转支承寿命预测方法

权利要求书

1.一种基于Attention-MGRU的回转支承寿命预测方法，其特征在于，包括以下步骤：

步骤1、构建回转支承的多变量门控循环单元预测模型：利用经过预处理的振动、温度、扭矩信号建模，引入门控循环单元(Gated Recurrent Unit,GRU)；

步骤2、引入注意力机制：在步骤1的基础上引入注意力机制，分析各要素对剩余使用寿命(Remaining Useful Life,RUL)预测的重要程度，挖掘多要素间的关联性，实现关键要素的强化；

步骤3、建立基于注意力机制的多变量门控循环单元(multivariable GRU basedonAttention mechanism,Attention-MGRU)模型：在多变量GRU模型中引入注意力机制，通过搭建注意力机制可以探寻多物理信号健康指标与回转支承RUL之间的内在联系，在量化不同健康指标对于RUL的影响力的同时，强化相关性高的健康指标，建立起完备健全的寿命预测模型；所述步骤2中的注意力机制，其实质是通过获取Key的权重系数，从而对Value加权求和；计算过程分为三个步骤：计算权重系数、对权重数值进行归一化、加权求取Attention的值；将注意力机制引入回转支承的RUL预测任务中，分析各要素对RUL预测的重要程度，挖掘多要素间的关联性，实现关键要素的强化；

权重计算通过多层感知机实现，以GRU网络前一时刻的隐含层输出h_t-1及当前时刻的要素作为多层感知机的输入，输出即为当前时刻第n个要素的注意力权重，计算式为为量化当前时刻不同要素对于RUL的影响程度，对进行归一化处理，即为注意力机制最终的输出权重，其大小直接反映了当前各输入要素对于预测信息的影响力，计算式为：

式中，W_e、U_e为多层感知机训练得到的神经元权重，b_e为偏置参数；将注意力权重赋予原始输入序列，依据权重对各要素信息的表达进行增强或削弱，加权计算后获得新的序列X_t，计算式为：X_t对各要素进行了关联，实现了关键要素的强化，将X_t作为GRU网络的输入序列，多角度全方位的考虑剩余寿命的关联要素，自适应优化各要素的影响力，构建更加全面合理的预测模型；所述步骤3中所述基于Attention-MGRU预测模型具体功能如下：

Attention-MGRU预测模型包括六个功能模块：网络预测模块、输出层模块、隐含层模块、注意力层模块、输入层模块、网络训练模块；其中输入层模块的目的是对时序序列进行初步处理，以达到网络输入的要求；注意力层模块用于计算不同健康指标对当前时刻预测情况的影响权重，其输入为原始时序序列及GRU网络前一时刻的隐含层输出，输出为加权修正后的时序序列；隐含层模块用来搭建GRU网络结构，输出层输出最后的预测结果。