[发明专利]部件寿命预测方法及装置

说明书

本申请提供一种部件寿命预测方法及装置，方法包括：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。本方案采用一种多时间尺度增强门控神经网络的方法对部件寿命进行预测，解决了数据量和特征维度对部件寿命预测的限制，提高了部件寿命预测的准确度。

技术领域

本申请涉及机械检测领域，特别涉及一种部件寿命预测方法及装置。

背景技术

机械设备在使用的过程中，会受到较多因素的影响，对其各个部件的使用寿命造成较为严重的影响。随着我国经济的发展，在进行机械设备制造生产的过程中，针对机械设备的使用寿命进行预测能够较好的去除设备存在的安全隐患，为企业节省成本的同时，也能够对工作人员的生命安全起到良好的保护作用。

现有的部件寿命预测方法基于数据驱动的原理，通常分为两个阶段。第一阶段构建一个新的健康表征指标，第二阶段构建一个新的寿命预测算法。随后通过新的寿命预测算法来预测待测部件的寿命。然而在面对复杂机械部件时、往往需要涉及大量数据以及大特征多维度的指标特征数据时，现有的部件寿命预测方法则往往无法预测或者预测的精度不高。

发明内容

本申请提供一种部件寿命预测方法及装置，用于解决传统部件寿命预测方法对于大数据量的预测准确度不高的状况。

本申请的第一个方面是提供一种部件寿命预测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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：