[发明专利]多层双向门控循环单元网络的旋转机械剩余寿命预测方法

权利要求书

1.多层双向门控循环单元网络的旋转机械剩余寿命预测方法，其特征在于：包括如下步骤：

步骤1，采集振动信号：对旋转机械的关键部件的振动信号进行采集；

步骤2，健康指标的构建；构建描述旋转机械关键部件退化过程的健康指标；

步骤3，构建网络训练集：对步骤1采集的振动信号，构建网络训练集，将旋转机械关键部件的退化状态作为双向门控循环单元神经网络的输入，利用滑动窗技术构建训练和测试数据集；

步骤4，构建MBi-GRU(multi-layer bidirectional gated recurrent unit,MBi-GRU)神经网络：由单个双向GRU网络构建MBi-GRU神经网络；

步骤5，通过Bootstrap方法构建集成学习网络获取预测结果不确定性表达；

步骤6，训练网络：通过误差反向传递来最小化损失函数来训练，用自然衰减学习效率来训练MBi-GRU神经网络；

步骤7，剩余寿命均值和置信区间的获取：将测试集的数据输入到步骤(2)训练好的网络中，测试集对应的输出就是想要得到的剩余寿命预测值；

步骤8，评价剩余寿命预测结果：采用均方误差和预测绝对误差评价剩余寿命预测结果。

2.根据权利要求1所述的多层双向门控循环单元网络的旋转机械剩余寿命预测方法，其特征在于：所述步骤2中从振动信号中提取原始特征，选取趋势值大的特征构成特征子集，最后采用无监督SOM算法将所选的特征子集构建评价轴承全寿命的健康指标。

3.根据权利要求1所述的多层双向门控循环单元网络的旋转机械剩余寿命预测方法，其特征在于：步骤4中，更新门同时控制当前输入数据x_t和先前记忆信息h_t-1，输出一个在0到1之间的数值z_t，计算公式为

z_t＝σ(W_z[h_t-1,x_t]+b_x) (1)

式中，x是输入数据，h为GRU单元的输出，r是重置门，z是更新门，r和z共同控制了如何从之前的隐藏状态h_t-1计算获得新的隐藏状态h_t；z_t决定要以多大程度将h_t-1向下一个状态传递，由式(1)可得；

式中σ为sigmoid函数，W_z为更新门权重，b_z为偏置。重置门控制h_t-1对结果h_t的重要程度；如果先前记忆h_t-1和新的记忆完全不相关，重置门可以发挥作用，去除先前记忆的影响，即

r_t＝σ(W_r[h_t-1,x_t]+b_r) (2)

根据更新门产生新的记忆信息即

当前时刻的输出为h_t，即

Bi-GRU模型的基本单元由一个前向传播的GRU单元和一个后向传播的GRU单元一起构成；在单向的神经网络结构中，状态总是从前往后输出的；

然而在剩余寿命预测中，如果当前时刻的输出能与前一时刻的状态和后一时刻的状态都产生联系；Bi-GRU当前的隐层状态由当前的输入x_t，t-1时刻向前的隐层状态和反向的隐层状态的输出三个部分共同决定。

其中：GRU()函数表示对输入的机械设备退化指标的非线性变换，把退化指标编码成对应的GRU隐层状态；w_t、v_t分别表示t时刻双向GRU所对应的前向隐层状态和反向的隐层状态的输出所对应的权重，b_t表示t时刻隐层状态所对应的偏置。