[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

本發明公開了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。在機械產品關鍵零件上安裝加速度傳感器，通過加速度傳感器記錄零件的振動信號數據；對振動信號數據進行預處理得到訓練數據樣本；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；在訓練預測模型的過程中采用一種非對稱的損失函數進行訓練，在零件實際使用過程中獲取測試數據，并將測試數據輸入訓練好的預測模型中實時預測零件的剩余使用壽命。本發明采用非對稱損失函數訓練預測模型，當出現預測壽命大于真實壽命這種危險情況時，加大懲罰力度，從而使預測模型在工業生產的應用中更加安全。

技術領域

本發明涉及了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，屬于機械零件剩余使用壽命預測領域。

背景技術

機械產品關鍵零件如齒輪、軸承等在現代制造業中的應用十分廣泛，大量機械系統的故障與關鍵零件性能的下降有關。關鍵零件的工作狀態對于機械系統的安全性、可靠性和有效性具有重要意義。剩余使用壽命預測技術可以幫助用戶監視關鍵零件的工作狀態，并估計零件發生故障之前剩余的時間，從而可以及時對零件進行維護與更換，避免機械系統故障的發生。因此，對機械產品關鍵零件剩余使用壽命預測方法的研究是很有意義的。

在機械產品關鍵零件工作過程中，其振動信號包含了豐富的與零件性能有關的信息，因此可以通過使用傳感器獲取零件工作過程中的振動信號并對獲得的信號進行分析與處理來實現對零件剩余使用壽命的預測。

卷積自編碼技術可以在充分保留二維局部信息的同時進行降維，降低數據規模、提高信噪比，有利于進一步的數據分析，目前在圖像語義分割領域取得了很好的效果。

深層神經網絡可以在缺乏先驗知識的條件下，從數據中學習輸入到輸出的映射關系，在數據挖掘領域取得了很好的效果。雙向長短時記憶網絡可以有效地捕捉序列數據中每個數據對前后兩個方向上數據的長期依賴關系，適合處理一維時域特征數據。卷積神經網絡可以有效提取以圖像為代表的二維數據的局部特征，適合處理二維時頻域特征。自注意力機制能夠學習不同輸入數據之間的關聯程度，捕捉不同特征對于預測結果的重要程度，在機器翻譯領域取得了非常好的效果。

損失函數的選擇對于神經網絡的訓練過程起到決定性的作用。一方面，它承擔著使模型的預測值接近真實值的任務，另一方面，也可以通過損失函數的設置給模型施加某種約束或限制，人為地使模型具備某種特定的傾向。

在目前的基于深層神經網絡的機械產品關鍵零件剩余使用壽命預測技術中，通常只考慮到使預測壽命接近真實壽命，而沒有考慮到在真實的工業應用中，當零件的預測壽命大于其真實壽命時，導致管理人員錯誤地樂觀估計了零件的壽命，而容易造成零件故障等危險的后果。因此現有技術缺少了一種既能使零件的預測壽命接近真實壽命，又能盡量減少預測壽命大于真實壽命這一危險情況。

發明內容

為了解決背景技術中存在的問題，本發明提出了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，既有效又安全地預測剩余使用壽命。該方法從零件工作過程中產生的振動信號中提取時域信息與時頻域信息，并采用卷積自編碼技術在保留時頻域信息的同時降低了時頻域特征的數據規模；分別采用雙向長短時記憶網絡和卷積神經網絡來處理時域特征與時頻域特征，并采用自注意力機制對兩種特征的處理結果進行融合；在訓練的過程中采用一種非對稱的損失函數，在保證預測模型有效性的同時提升了預測模型在工業應用中的安全性，可應用于實際工業生產中的機械產品關鍵零件剩余使用壽命預測中。

為實現上述功能，本發明的技術方案具體包括以下技術步驟：

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；