[发明专利]基于卷积神经网络的行波超声电机寿命预测方法及系统

权利要求书

1.一种基于卷积神经网络的行波超声电机寿命预测方法，其特征在于，包括：

基于预设的数据采集模板对待测电机进行数据采集，获取输入数据；

将所述输入数据输入神经网络模型中，获取所述的待测电机的剩余寿命的预测值；

其中，所述基于预设的数据采集模板对待测电机进行数据采集，获取输入数据，包括：

以所述待测电机的运行状态数据为属性、时间为序数，采集预设维度的数据，作为待处理数据；

将所述待处理数据中同一属性的数据进行归一化处理；归一化处理公式如下：

其中，D′_i为归一化处理后同一属性的数据中第i个数据值；D_i为归一化处理前同一属性的数据中第i个数据值；D_max为归一化处理前同一属性的数据中的最大值；D_min为归一化处理前同一属性的数据中的最小值；

将归一化处理后的数据，以同一序数的数据为行、以同一属性的数据为列，构建数据矩阵；

获取所述数据采集模板；

确定所述数据矩阵的各个数据和所述数据采集模板各个空白区域对应的关系；

确定所述数据矩阵的各个数据对应的灰度值；

为所述数据采集模板中与所述数据矩阵的各个数据对应的所述空白区域填充所述灰度值所对应颜色，形成一组所述输入数据。

2.如权利要求1所述的基于卷积神经网络的行波超声电机寿命预测方法，其特征在于，所述运行状态数据包括：转速、驱动电流、激励电压、电压相位、驱动频率、温度、振动幅度、负载扭矩其中一种或多种结合。

3.如权利要求1所述的基于卷积神经网络的行波超声电机寿命预测方法，其特征在于，所述神经网络模型通过如下步骤训练：

获取多个与所述待测电机同一型号的电机的全寿命数据；

解析所述全寿命数据进行处理，获取多组训练数据；

将多组所述训练数据按照预设的比例划分规则，划分为训练集、验证集和测试集；

在训练时，当浅层特征信息被多个并行的卷积融合后所得到的深层卷积特征再与浅层卷积结合得出一个分类分支，剩下的部分继续进行更深层的卷积，通过反复调试和配比卷积核大小、深浅层网络结构的相加位置，得到最优的模型结构；

将训练集输入搭建好的所述模型结构，进行反复迭代计算损失函数反向传播更新参数，直到模型收敛后保存，获得所述神经网络模型。