[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

本發明公開了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。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，并記錄零件運行的時間；對振動信號數據進行數據預處理，同時對運行時間進行處理，得到訓練數據樣本及對應的剩余使用壽命標簽；構建剩余使用壽命的預測模型；訓練預測模型，獲得訓練好的預測模型；采集零件的振動信號數據并進行數據預處理后，輸入到訓練好的預測模型中實時預測獲得零件的剩余使用壽命。本發明采用自注意力網絡構建預測模型，能充分挖掘振動信號中的時序特征，克服復雜數據預處理和特征提取的缺點，實現從振動信號到剩余使用壽命的端到端預測，具備操作簡單、泛化性強的優點。

技術領域

本發明屬于機械產品零件剩余使用壽命預測領域的一種產品關鍵零件壽命端到端預測方法，涉及了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。

背景技術

機械產品關鍵零件如刀具、齒輪、軸承等在現代工業中應用十分廣泛，其不僅在機械產品的功能實現中起著關鍵作用，而且其運行狀態對機械產品能否正常工作有著極大的影響。以軸承和齒輪為例，若減速器的軸承和齒輪出現故障問題，減速器就不能發揮正常的作用了。剩余使用壽命預測技術是產品健康管理的重要環節，可以用于實時監測產品關鍵零件的運行狀態，提供其還能正常使用的時間，從而實現對零件的及時維護，避免因故障而出現長時間停工的情況，從而提高了生產效率、降低了生產成本。綜上所述，對機械產品關鍵零件進行剩余使用壽命研究具有重大意義。

機械振動是工程技術中常見的現象，在機械產品關鍵零件的工作過程中，振動信號隨著其健康狀態而變化，即振動信號中有著豐富的退化信息。因此可以采集機械關鍵零件在運行過程中產生的振動信號來分析其健康狀態。通過傳感器采集的振動信號屬于時序信號，其中蘊含著豐富的時序特征，通過提取與分析這些時序特征可以實現健康狀態監測和壽命預測。因此，研究剩余使用壽命預測技術的關鍵在于如何有效提取并利用振動信號中的時序特征。

在現有的研究中，深度學習中的各種神經網絡常被用于對振動信號進行特征提取和分析。常用的神經網絡模型包括卷積神經網絡、長短期記憶網絡、門控循環單元網絡、自編碼器等。卷積神經網絡最初是為圖像處理而設計的，因其有效的局部特征提取能力而得到了廣泛應用，近年在處理時序數據問題中也得到了一定應用。2019年，專利“一種深度卷積神經網絡的旋轉機械健康評估方法”公開了一種基于深度卷積網絡的旋轉機械健康評估方法，通過對振動信號進行挖掘實現旋轉類零部件的健康評估與壽命預測；長短期記憶網絡和門控循環單元網絡擅長于處理時序數據，可以提取時序數據中重要的時序特征，因此在時序數據問題中得到了廣泛應用。專利“一種基于長短時記憶網絡的滾動軸承剩余使用壽命預測方法”和專利“多層雙向門控循環單元網絡的旋轉機械剩余使用壽命預測方法”分別在2018年和2019年公開了基于長短期記憶網絡和門控循環單元網絡的旋轉機械剩余使用壽命方法，借助于這兩種網絡對時間序列數據進行了特征提取，實現了較精確的壽命預測；此外，2020年，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”公開了一種機械產品關鍵零件剩余使用壽命預測方法，通過卷積自編碼器對傳感器數據的時頻域特征進行數據降維，并利用長短期記憶網絡和卷積神經網絡提取重要時序特征實現剩余使用壽命預測。