[发明专利]部件寿命预测方法及装置

权利要求书

1.一种部件寿命预测方法，其特征在于，包括：

获取安装于待测部件的传感器采集到的加速度信号；

对所述加速度信号进行特征提取，获得特征指标；

将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的；

其中，所述对所述加速度信号进行特征提取，获得特征指标，包括：

运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；

运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；

运用小波包变换方法，从所述加速度信号提取出小波包特征指标；

对降维处理后的所述时域特征指标、所述频域特征指标和所述小波包特征指标依次进行特征嵌入和归一化处理，获得所述特征指标；

所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；

其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；

增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；

集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。

2.根据权利要求1所述的方法，其特征在于，所述对所述加速度信号进行特征提取，获得特征数据之前，还包括：

对所述加速度信号进行滤波处理。

3.根据权利要求1所述的方法，其特征在于，

所述多尺度时间重构层，具体用于根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；

其中，所述重构公式为：

D(a，n，：)＝x(t_ai：t_aj)；

其中，t_ai＝a*scale，t_aj＝t_ai+scale，a＝0，1，2...m，scale为时间尺度，a为尺度因子，m为抽取次数，D(a，n，：)为不同时间尺度的特征指标集，t_ai为不同时间尺度的起始时间，t_aj为不同时间尺度的结束时间，x(t_ai：t_aj)为在不同时间尺度下抽取的特征指标。

4.一种部件寿命预测装置，其特征在于，包括：

获取模块，用于获取安装于待测部件的传感器采集到的加速度信号；

提取模块，用于对所述加速度信号进行特征提取，获得特征指标；

预测模块，用于将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的；

所述提取模块包括：

时域提取单元，用于运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；

频域提取单元，用于运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；

小波包提取单元，用于运用小波包变换方法，从所述加速度信号提取出小波包特征指标；

运算处理单元，用于对降维处理后的所述时域特征指标、所述频域特征指标和所述小波包特征指标依次进行特征嵌入和归一化处理，获得所述特征指标；

所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；

其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；

增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；

集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。