[發明專利]基于自注意力網絡的產品關鍵零件壽命端到端預測方法

有效

• 申請號: 202110805989.3
• 申請日: 2021-07-16
• 公開（公告）號: CN113343591B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 劉振宇;劉惠;郟維強;張棟豪;譚建榮
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06N3/04;G06N3/08;G06Q10/04;G06F119/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

1.一種基于自注意力網絡的產品關鍵零件壽命端到端預測方法，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.對振動信號數據進行數據預處理，得到訓練數據樣本，同時對零件運行的時間進行處理，得到訓練數據樣本對應的剩余使用壽命標簽；

S3.構建自注意力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；

S4.將S2中得到的訓練數據樣本和對應的剩余使用壽命標簽輸入預測模型中訓練預測模型，獲得訓練好的預測模型；

S5.在同種零件工作的過程中使用與S1和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，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；

所述S3中自注意力神經網絡包括四個池化層、特征自注意力機制層、位置編碼層、數據融合層、兩個多頭自注意力機制層、數據展平層、兩個全連接網絡層和輸出層；

自注意力神經網絡的輸入作為四個并行的池化層的輸入，四個并行的池化層的輸出沿特征維度進行連接后輸入到特征自注意力機制層中，訓練數據樣本同時經過四個并行的池化層處理后，其特征維度的尺度變為8；所述特征自注意力機制層沿著振動信號數據的特征維度進行操作，給不同維度的特征分配不同的權重；特征自注意力機制層依次經位置編碼層、數據融合層、兩個多頭自注意力機制層、數據展平層和兩個全連接網絡層后與輸出層相連；特征自注意力機制層的輸出輸入到數據融合層中，特征自注意力機制層的輸出還輸入到數據展平層中；

位置編碼層通過位置編碼函數給不同的數據點進行位置編碼得到位置編碼矩陣；將位置編碼矩陣與特征自注意力層的輸出相加后得到編碼數據作為位置編碼層的輸出，從而讓模型學習到不同數據點之間的位置關系；

所述兩個多頭自注意力機制層之間通過串行的方式處理數據，即前一個多頭自注意力機制層的輸出作為下一個多頭自注意力機制層的輸入；多頭自注意力機制層沿著振動信號數據的時間維度進行操作；

在每個多頭自注意力機制層中，m個自注意力機制分別并行地處理輸入數據，然后將m個自注意力機制的輸出矩陣進行相加得到該層的輸出矩陣；

數據融合層將特征自注意力機制層的輸出與位置編碼層的輸出相加后得到融合數據，數據展平層是將二維矩陣數據進行一維化處理，方便全連接網絡進行處理。

2.根據權利要求1所述的一種基于自注意力網絡的產品關鍵零件壽命端到端預測方法，其特征在于：所述S1中零件的振動信號數據包括水平與豎直兩個方向的振動信號。

3.根據權利要求1所述的一種基于自注意力網絡的產品關鍵零件壽命端到端預測方法，其特征在于，所述S2中對振動信號數據進行數據預處理，得到訓練數據樣本，具體為：采用最大-最小歸一化方法沿時間軸對振動信號數據進行歸一化處理，將振動信號數據轉化為0到1區間內的數據后作為訓練數據樣本。

4.根據權利要求1所述的一種基于自注意力網絡的產品關鍵零件壽命端到端預測方法，其特征在于：所述特征自注意力機制層的自注意力機制采用常用的加性注意力。

5.根據權利要求1所述的一種基于自注意力網絡的產品關鍵零件壽命端到端預測方法，其特征在于：所述多頭自注意力機制層采用點乘注意力。

6.根據權利要求1所述的一種基于自注意力網絡的產品關鍵零件壽命端到端預測方法，其特征在于：所述位置編碼層選用正弦函數和余弦函數作為位置編碼函數。