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：长春工程学院

摘要：本发明公开了一种基于深度学习混合模型的轴承寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：首先，提取振动信号的均方根值作为原始数据。为了增强退化信息的提取能力，采用灰狼优化算法GWO优化的变分模态分解VMD对原始数据进行分解，得到各子序列。接着，通过BiTCN提取隐藏信息，并将其输入到结合注意力机制AM的BiGRU中进行预测。最终，通过对各分量预测值进行求和，得到整体预测结果。将所提算法与先进算法进行对比实验，验证了本文所提出预测模型的显著优势。能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。

主权项：1.一种基于深度学习混合模型的轴承寿命预测方法，其特征在于：S1、获取轴承振动信号传感器采集的原始退化时间序列数据，并进行数据预处理；提取其中的均方根值作为原始特征数据；S2、将S1提取后的轴承退化时频信息先输入到灰狼优化算法GWO优化的变分模态分解VMD中，以提取振动信号的时频域特征，形成原始特征数据集；S3、将S2分解后的特征数据输入到双向时间卷积网络BiTCN中，提取双向的特征信息。S4、将双向特征信息送入双向门控循环单元BiGRU网络。BiGRU能够捕捉序列中的长期依赖关系，并通过前向和后向两个方向的GRU单元，输出融合了全局信息的特征序列，并使用注意力机制AM来进一步提取关键信息。最后经过一个全连接层得到最后的输出。本发明技术方案的进一步改进在于：S1具体包括以下步骤：S11、获取轴承振动信号传感器采集的原始退化时间序列数据，并进行数据预处理，主要包括对数据中的异常点的剔除，以及对缺失点的填充；S12、提取振动信号中的均方根值RMS作为初始特征。均方根值是一种常用的信号幅度度量指标，它反映了信号的能量大小。对于每个采样点，我们计算其对应的振动信号的均方根值，公式如下： 其中N是采样点的数量，xi是第i个采样点的振动信号幅度。本发明技术方案的进一步改进在于：S2具体包括以下步骤：S21、首先要为GWO挑选一个合适的适应度函数。针对轴承振动信号这类非线性复杂信号，我们采用多尺度置换熵MPE作为适应度函数。多尺度置换熵能够有效检测复杂的时间序列信号，特别适用于非线性信号的分析。适应度函数的公式如下所示： 其中HpM的值表示时间序列的随机性和复杂性程度，m为嵌入维数。多尺度排列熵的嵌入维数m是一个重要的特征参数，m太小会导致排列模式太少，动态变化中所包含的信息会丢失；m太大会导致排列模式大幅增加，从而导致多尺度排列熵的计算时间消耗大幅增加。S22、先将提取的均方根值特征作为灰狼优化算法的输入。通过多尺度置换熵在多个尺度上捕捉信号的动态变化。通过计算输入特征信号的多尺度置换熵，我们可以得到一个评估值，该值反映了信号的复杂度。S23、将多尺度置换熵的评估值作为猎物，我们将其引入到灰狼优化算法中。在算法迭代过程中，狼群会根据猎物的位置不断更新自己的位置，以逼近最优解。同时，猎物即多尺度置换熵评估值也会根据狼群的更新而更新，以反映新的最优特征子集，并将特征子集的前两个作为参数α和K传入VMD中。狼群更新的公式如下：Xit+1＝Xit-A*Di+A*C*Xpt-Xit其中，Xit表示第i只狼在第t代的位置，A和C分别表示收敛因子和探索因子，Di表示第i只狼与猎物之间的距离，Xpt表示猎物的位置。S24、将S23中得到的α和K作为VMD的初始参数传入。变分模态分解过程的核心在于变分问题的表述和求解。在VMD分解过程中，每个IMF都经过迭代更新，中心频率和带宽有限制。分量信号的中心频率和带宽的确定涉及寻找K个模态函数，确保所有分解的IMF的总带宽最小，并且它们的和等于目标信号。变分模态分解的公式如下: 式中，uk为分解模态分量IMF，ωk为第k中心频率，δt为单位冲击函数，*为卷积符号。本发明技术方案的进一步改进在于：S3具体包括以下步骤：S31、将S24中将S15中获得的模态分量输入到BiTCN中。BiTCN是一种结合了TCN和双向处理机制的网络结构。它通过捕捉序列数据中的双向时间依赖关系，提高了对复杂时间序列数据的特征提取能力。S32、输入序列被分别通过前向和后向两个TCN进行处理，然后将两者的输出进行合并，以得到最终的输出。此外采用了残差连接为了防止梯度消失和梯度爆炸的问题。前向TCN按照时间步从前往后的顺序进行卷积操作，生成前向特征序列。后向TCN则按照时间步从后往前的顺序进行卷积操作，生成后向特征序列。对于给定的输入序列X∈RT×D。其中T是序列长度，D是特征维度，前向TCN和后向TCN的输出可以分别表示为： 其中，和分别是前向和后向TCN输出的特征序列，C是输出特征维度。在得到前向和后向特征序列后，BiTCN将它们进行合并以生成最终的输出。最终的输出可以表示为： 本发明技术方案的进一步改进在于：S4具体包括以下步骤：S41、接下来，特征序列FBiTCN被送入BiGRU网络。BiGRU能够捕捉序列中的长期依赖关系，并通过前向和后向两个方向的GRU单元，输出融合了全局信息的特征序列。S42、在BiGRU中，每个时间步t的隐藏状态ht由前向和后向GRU的隐藏状态共同决定。前向GRU按照序列的正向顺序从t＝1到t＝T处理输入，生成前向隐藏状态序列ht；后向GRU则按照序列的反向顺序从t＝T到t＝1处理输入，生成后向隐藏状态序列最终，每个时间步的隐藏状态ht是前向隐藏状态和后向隐藏状态的拼接或组合。GRU的公式为：zt＝σWz·[ht-1,xt]+bzrt＝σWr·[ht-1,xt]+br S43、输出融合了全局信息的特征序列，使用注意力机制来进一步提取关键信息。AM引入了一个额外的注意力权重向量，该向量能够基于输入数据的动态特性进行实时计算。通过对输入数据的不同部分施加不同程度的权重，AM使得模型能够更加关注对任务至关重要的信息，同时忽略那些无关紧要的信息。AM的权重公式表示如下：scoret,s＝tanhwtht+wshs 其中scoret,s是注意力概率分布函数；wt，ws是注意力权重矩阵；ht，hs是隐藏层向量；ai是注意力得分；a是注意力层输出值。

全文数据：

权利要求：

百度查询： 长春工程学院 一种基于深度学习混合模型的轴承寿命预测方法