[發明專利]基于非對稱損失神經網絡的產品關鍵零件剩余壽命預測方法

有效

• 申請號: 202010767530.4
• 申請日: 2020-08-03
• 公開（公告）號: CN111931625B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 劉振宇;張朔;郟維強;譚建榮
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

1.一種基于非對稱損失神經網絡的產品關鍵零件剩余壽命預測方法，其特征在于，包括以下步驟：

S1.在機械產品關鍵零件上安裝加速度傳感器，在零件運行過程中通過加速度傳感器記錄零件的振動信號數據，并記錄零件運行的時間，直至零件損壞；

S2.對機械產品關鍵零件運行中獲得的振動信號數據進行預處理，得到訓練數據樣本，包括一維時域特征數據與二維時頻域特征數據；

S3.建立并行多特征深層神經網絡作為機械產品關鍵零件剩余使用壽命的預測模型；所述步驟S3具體如下：

構建并行多特征深層神經網絡，輸入為S2中得到的一維時域特征與二維時頻域特征，輸出為零件的剩余使用壽命；并行多特征深層神經網絡包括兩層雙向長短時記憶網絡和四層卷積神經網絡：

對于一維時域特征，輸入到兩層連續的雙向長短時記憶網絡進行處理，輸出時域中間特征；對于二維時頻域特征，輸入到四層連續的卷積神經網絡進行處理，輸出時頻域中間特征；采用自注意力機制對時域中間特征和時頻域中間特征進行加權，訓練學習兩種特征對預測結果的不同權重；最后采用三層全連接網絡對于加權后的結果進行回歸，最終得到零件的剩余使用壽命預測值；

S4.將處理好的訓練數據樣本和剩余使用壽命標簽輸入預測模型中訓練預測模型，在訓練的過程中采用一種非對稱的損失函數進行訓練，以提升預測模型的安全性能；所述步驟S4具體如下：

在并行多特征深層神經網絡的訓練過程中，建立以下損失函數：

其中，loss()為損失函數，y_true為訓練樣本剩余使用壽命的真實值，y_predict為訓練樣本剩余使用壽命的預測值，N為訓練樣本的數量，為第i個訓練樣本的剩余使用壽命的真實值，為第i個訓練樣本的剩余使用壽命的預測值，λ為正則化因子，max()為最大值函數；

S5.在同種零件工作的過程中使用與S1、S2中相同的方法采集振動信號數據并進行數據預處理，得到測試數據；

S6.將測試數據輸入訓練好的預測模型中實時預測獲得零件的剩余使用壽命。

2.根據權利要求1所述的一種基于非對稱損失神經網絡的產品關鍵零件剩余壽命預測方法，其特征在于：所述步驟S2具體如下：

S21.對在機械產品關鍵零件運行過程中獲得的振動信號數據進行降采樣，將每次采樣的數據沿時間維度平均分為N組，計算每組數據的最大值、方均根、方差和峰峰值共四種特征；

S22.從降采樣后的數據提取時域特征：將四種特征在特征維度上進行拼接，由同一時間點的四種特征組成一維向量作為該時間點的時域特征；

S23.從降采樣后的數據提取時頻域特征：從步驟S22得到的長度為N的一維時域數據提取出方均根特征的部分進行小波變換，轉化為N×N的二維時頻域特征；

S24.采用卷積自編碼技術對時頻域數據進行降維：構建卷積自編碼器，卷積自編碼器包括編碼器和解碼器；先構建編碼器，采用兩層卷積神經網絡與兩層最大池化層交替連接構成，將二維時頻域特征的維度縮小為原來的四分之一，即(N/4)×(N/4)；再構建解碼器，采用兩層卷積神經網絡與兩層上采樣層交替連接構成，將編碼器輸出的編碼后的二維時頻域特征放大四倍，即恢復為原來的尺寸；然后通過訓練卷積自編碼器使得編碼器的輸入與解碼器的輸出之間的損失最小化；訓練結束后，僅采用編碼器對二維時頻域特征進行處理，輸出(N/4)×(N/4)的二維特征作為降維后的時頻域特征。