[發明專利]一種基于注意力機制和殘差神經網絡的軸承壽命預測方法

在審

• 申請號: 202011426208.1
• 申請日: 2020-12-11
• 公開（公告）號: CN112747924A
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 皮德常;喻文;謝凌強
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06F30/27;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F119/02;G06F119/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于注意力機制和殘差神經網絡的軸承壽命預測方法，其主要特征包括如下步驟：

(1)自適應退化模式識別：首先對數據進行清洗和歸一化，根據特征和聚類算法把軸承的狀態分為正常工作、退化和失效狀態。

(2)軸承數據去噪和分解：使用經驗模式分解法將處理好的退化和失效狀態數據分為6個基本模式分量，并除去不包含退化和故障信號的分量。

(3)模型的訓練和使用：將處理好的測試數據輸入模型，訓練模型。模型使用多個網絡模塊堆疊，每個模塊包含三個卷積層組成的特征提取結構和全局池化層和全連接層組成的注意力機制權值結果組成。最后使用訓練好的模型預測軸承的壽命預測。

2.根據權利要求1所述的基于注意力機制和殘差神經網絡的軸承壽命預測方法，其特征在于，步驟(1)是自適應退化模式識別，其實現方法包括：

(2-1)對數據清洗和歸一化得到數據集1。從數據集1中分別提取軸承信號特征：峰峰值、均方根值、偏度指標、峭度指標、峰值指標、脈沖指標、裕度指標和波形指標。

(2-2)使用k-means算法按照軸承的特征將軸承的運行狀態聚類為正常運行狀態、退化狀態和失效狀態。

3.根據權利要求1所述的基于注意力機制和殘差神經網絡的軸承壽命預測方法，其特征在于，步驟(2)是使用經驗模式分解法把軸承數據分為多個基本模式分量，并去除不含退化和故障數據的分量：

(3-1)選取數據集1中帶有退化和故障特征的數據。

(3-2)采用經驗模式分解法(EMD)把原始的軸承數據分為8個基本模式分量，并剔除峭度小于3的分量。

4.根據權利要求1所述的注意力機制和殘差神經網絡的軸承壽命預測方法，其特征在于，步驟(3)是模型的預測和使用，其實現方法如下：

(4-1)在基本模式分量被分離完畢后，把數據輸入引入注意力機制的殘差神經網絡模型，每一個基本模式分量作為輸入數據的一個通道。本發明使用的網絡模型單元包含特征模塊和注意力機制單元。

(4-2)每個網絡單元的特征學習模塊由3層卷積神經網絡組成。這三層神經網絡的首位都是卷積核大小固定為1的卷積層，中間卷積層卷積核大小由網絡結構確定。卷積層之間使用Relu激活函數連接。

(4-3)每個網絡單元的注意力機制模塊由全局池化層、兩層全連接神經網絡層和Sigmoid激活函數組成。全局池化層把(4-2)提取到的每個通道的所有特征都編碼為一個全局特征。提取的方法是全局平均池化，最后使用Sigmoid函數計算出每個通道的權值。

(4-4)將特征學習模塊得到的結果乘以通道權值作為神經網絡的特征，最后把計算出的特征值與輸入網絡單元的原始數據的和作為模塊的最終輸出。

(4-5)保存訓練過程中誤差最小的模型，并使用這種模型預測軸承的剩余壽命。