首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于非对称损失神经网络的产品关键零件剩余寿命预测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:浙江大学

摘要:本发明公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器,通过加速度传感器记录零件的振动信号数据;对振动信号数据进行预处理得到训练数据样本;建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型;在训练预测模型的过程中采用一种非对称的损失函数进行训练,在零件实际使用过程中获取测试数据,并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型,当出现预测寿命大于真实寿命这种危险情况时,加大惩罚力度,从而使预测模型在工业生产的应用中更加安全。

主权项:1.一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法,其特征在于,包括以下步骤:S1.在机械产品关键零件上安装加速度传感器,在零件运行过程中通过加速度传感器记录零件的振动信号数据,并记录零件运行的时间,直至零件损坏;S2.对机械产品关键零件运行中获得的振动信号数据进行预处理,得到训练数据样本,包括一维时域特征数据与二维时频域特征数据;S3.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型;所述步骤S3具体如下:构建并行多特征深层神经网络,输入为S2中得到的一维时域特征与二维时频域特征,输出为零件的剩余使用寿命;并行多特征深层神经网络包括两层双向长短时记忆网络和四层卷积神经网络:对于一维时域特征,输入到两层连续的双向长短时记忆网络进行处理,输出时域中间特征;对于二维时频域特征,输入到四层连续的卷积神经网络进行处理,输出时频域中间特征;采用自注意力机制对时域中间特征和时频域中间特征进行加权,训练学习两种特征对预测结果的不同权重;最后采用三层全连接网络对于加权后的结果进行回归,最终得到零件的剩余使用寿命预测值;S4.将处理好的训练数据样本和剩余使用寿命标签输入预测模型中训练预测模型,在训练的过程中采用一种非对称的损失函数进行训练,以提升预测模型的安全性能;所述步骤S4具体如下:在并行多特征深层神经网络的训练过程中,建立以下损失函数: 其中,loss为损失函数,ytrue为训练样本剩余使用寿命的真实值,ypredict为训练样本剩余使用寿命的预测值,N为训练样本的数量,为第i个训练样本的剩余使用寿命的真实值,为第i个训练样本的剩余使用寿命的预测值,λ为正则化因子,max为最大值函数;S5.在同种零件工作的过程中使用与S1、S2中相同的方法采集振动信号数据并进行数据预处理,得到测试数据;S6.将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。

全文数据:

权利要求:

百度查询: 浙江大学 基于非对称损失神经网络的产品关键零件剩余寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。