[发明专利]基于非对称损失神经网络的产品关键零件剩余寿命预测方法

权利要求书

1.一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法，其特征在于，包括以下步骤：

S1.在机械产品关键零件上安装加速度传感器，在零件运行过程中通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间，直至零件损坏；

S2.对机械产品关键零件运行中获得的振动信号数据进行预处理，得到训练数据样本，包括一维时域特征数据与二维时频域特征数据；

S3.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；所述步骤S3具体如下：

构建并行多特征深层神经网络，输入为S2中得到的一维时域特征与二维时频域特征，输出为零件的剩余使用寿命；并行多特征深层神经网络包括两层双向长短时记忆网络和四层卷积神经网络：

对于一维时域特征，输入到两层连续的双向长短时记忆网络进行处理，输出时域中间特征；对于二维时频域特征，输入到四层连续的卷积神经网络进行处理，输出时频域中间特征；采用自注意力机制对时域中间特征和时频域中间特征进行加权，训练学习两种特征对预测结果的不同权重；最后采用三层全连接网络对于加权后的结果进行回归，最终得到零件的剩余使用寿命预测值；

S4.将处理好的训练数据样本和剩余使用寿命标签输入预测模型中训练预测模型，在训练的过程中采用一种非对称的损失函数进行训练，以提升预测模型的安全性能；所述步骤S4具体如下：

在并行多特征深层神经网络的训练过程中，建立以下损失函数：

其中，loss()为损失函数，y_true为训练样本剩余使用寿命的真实值，y_predict为训练样本剩余使用寿命的预测值，N为训练样本的数量，为第i个训练样本的剩余使用寿命的真实值，为第i个训练样本的剩余使用寿命的预测值，λ为正则化因子，max()为最大值函数；

S5.在同种零件工作的过程中使用与S1、S2中相同的方法采集振动信号数据并进行数据预处理，得到测试数据；

S6.将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。

2.根据权利要求1所述的一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法，其特征在于：所述步骤S2具体如下：

S21.对在机械产品关键零件运行过程中获得的振动信号数据进行降采样，将每次采样的数据沿时间维度平均分为N组，计算每组数据的最大值、方均根、方差和峰峰值共四种特征；

S22.从降采样后的数据提取时域特征：将四种特征在特征维度上进行拼接，由同一时间点的四种特征组成一维向量作为该时间点的时域特征；

S23.从降采样后的数据提取时频域特征：从步骤S22得到的长度为N的一维时域数据提取出方均根特征的部分进行小波变换，转化为N×N的二维时频域特征；

S24.采用卷积自编码技术对时频域数据进行降维：构建卷积自编码器，卷积自编码器包括编码器和解码器；先构建编码器，采用两层卷积神经网络与两层最大池化层交替连接构成，将二维时频域特征的维度缩小为原来的四分之一，即(N/4)×(N/4)；再构建解码器，采用两层卷积神经网络与两层上采样层交替连接构成，将编码器输出的编码后的二维时频域特征放大四倍，即恢复为原来的尺寸；然后通过训练卷积自编码器使得编码器的输入与解码器的输出之间的损失最小化；训练结束后，仅采用编码器对二维时频域特征进行处理，输出(N/4)×(N/4)的二维特征作为降维后的时频域特征。