[发明专利]一种基于MMALSTM的齿轮剩余寿命的预测方法

摘要

本发明涉及一种基于MMALSTM的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于MMALSTM的多步预测，针对不同特征信息所包含的信息量不同的特点，采用MMA对融合特征数据进行宏微观处理；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理。本发明能够在降低计算量的同时提高齿轮剩余寿命的预测速度与精度。

主权项

1.一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于基于宏微观注意力的长短期记忆网络(Macroscopic‑microscopic attention in LSTM networks，MMALSTM)的多步预测，采用宏微观注意力机制(Macroscopic‑microscopic attention，MMA)对融合特征数据进行宏微观处理；最后，根据MMA的结果，放大输入数据和递归数据的权重，对融合特征数据进行自动、不同程度的处理；所述预测方法具体包括以下步骤：S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；S2：分别计算采集的n段齿轮振动信号降噪之后的21种时频特征，则得到n×21维的特征值矩阵X；S3：选取前面n1个采样点组成的特征值矩阵X1作为训练矩阵；S4：通过ISOMAP算法处理训练矩阵X1和特征值矩阵X，分别选取利用最大特征值计算的结果V1＝(v1₁,v1₂,...,v1_n1)^T和V＝(v₁,v₂,...,v_n)^T作为其主要成分；S5：使用最小二乘法使目标函数最小，然后通过公式v′_i＝av_i+b将向量V里的所有元素与向量V1统一化，其中a、b分别表示向量V里的所有元素向向量V1统一化过程中所使用的函数的斜率与偏置，具体大小通过上述目标函数最小化确定；S6：将向量V1归一化，得到归一化之后的向量W＝(w₁,w₂,...,w_n1)^T；S7：重构矩阵其中p为神经网络输入层单元数；S8：将矩阵U前面p行作为MMALSTM网络的输入，最后一行作为MMALSTM网络的输出来训练网络；S9：将倒数p个输出作为网络输入，得到下一时刻的输出；S10：重复步骤S9一定次数，将这些输出反归一化之后与实际特征值V'＝(v'_p+1,v'_p+2,...,v'_n)^T比较，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。