[发明专利]基于GDAU神经网络的轴承剩余寿命的预测方法

权利要求书

1.一种基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测；

该方法具有包括以下步骤：

S1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为T_s，样本数为n；

S2：计算降噪处理后各振动信号的均方根值，得到n×1维特征值向量X＝[x₁,x₂,…,x_n]^T；选取前m个样本的特征值向量作为训练向量S＝[x₁,x₂,…,x_m]^T；

S3：归一化训练向量S，得到归一化后的训练向量Y＝[y₁,y₂,…,y_m]^T；

S4：重构矩阵W；

S5：构建门控双注意力单元网络(Gated dual attention unit network,GDAU)，输入层单元数为k，输出层单元数为1；

S6：将矩阵W前面k行作为GDAU神经网络的输入，最后一行作为GDAU神经网络的输出来训练网络；

S7：将倒数k个输出作为网络输入，得到下一时刻的输出；

S8：重复步骤S7，当输出反归一化之后超过设定的阈值时，这时预测的采样点数减去m乘以振动信号间隔时间与采样时间之和T_s+T即为轴承的剩余寿命。

2.根据权利要求1所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，所述步骤S3中，归一化训练向量S采用线性归一化方法。

3.根据权利要求1所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，所述步骤S4中，重构矩阵为

4.根据权利要求1所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，所述步骤S5中，构建的GDAU神经网络为：

r_t＝σ(U_rx_t+W_rh_t-1+b_r)

z_t＝σ(U_zx_t+W_zh_t-1+b_z)

其中，r_t表示重置门输出，z_t表示更新门输出；x_t为GDAU网络t时刻输入信息，h_t-1为上一时刻隐藏状态信息；W_r和U_r为重置门权重矩阵，W_z和U_z为更新门门权重矩阵，W_h和U_h为候选状态权重矩阵，b_r,b_z,b_h为偏置矩阵；为注意力门输出，A_t为重置门和更新门的注意力分布。

5.根据权利要求4所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，构建的GDAU神经网络中，第一个注意力门是在每个时间维度利用注意力机制处理输入数据x_t和递归数据h_t-1，具体计算公式为：

s(x_t,h_t-1)＝V^Ttanh(W_sx_t+U_sh_t-1)

其中，V为注意力门有关的附加参数，W_s和U_s为与打分函数相关的权重矩阵，和为与注意力门输出有关的权重矩阵，为注意力门输出，α_t为注意力分布向量。

6.根据权利要求4所述的基于GDAU神经网络的轴承剩余寿命的预测方法，其特征在于，构建的GDAU神经网络中，第二个注意力门是在每个时间维度利用sigmoid和Tanh函数对重置门和更新门输出进行处理，具体计算公式为：

其中，为权重矩阵，为偏置矩阵；通过sigmoid函数计算，表示重置门和更新门输出的注意力比率；是利用Tanh函数计算出候选注意力值，表示信息对预测的贡献度。