[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

说明书

本发明公开了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。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据；对振动信号数据进行预处理得到训练数据样本；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；在训练预测模型的过程中采用一种非对称的损失函数进行训练，在零件实际使用过程中获取测试数据，并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型，当出现预测寿命大于真实寿命这种危险情况时，加大惩罚力度，从而使预测模型在工业生产的应用中更加安全。

技术领域

本发明涉及了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，属于机械零件剩余使用寿命预测领域。

背景技术

机械产品关键零件如齿轮、轴承等在现代制造业中的应用十分广泛，大量机械系统的故障与关键零件性能的下降有关。关键零件的工作状态对于机械系统的安全性、可靠性和有效性具有重要意义。剩余使用寿命预测技术可以帮助用户监视关键零件的工作状态，并估计零件发生故障之前剩余的时间，从而可以及时对零件进行维护与更换，避免机械系统故障的发生。因此，对机械产品关键零件剩余使用寿命预测方法的研究是很有意义的。

在机械产品关键零件工作过程中，其振动信号包含了丰富的与零件性能有关的信息，因此可以通过使用传感器获取零件工作过程中的振动信号并对获得的信号进行分析与处理来实现对零件剩余使用寿命的预测。

卷积自编码技术可以在充分保留二维局部信息的同时进行降维，降低数据规模、提高信噪比，有利于进一步的数据分析，目前在图像语义分割领域取得了很好的效果。

深层神经网络可以在缺乏先验知识的条件下，从数据中学习输入到输出的映射关系，在数据挖掘领域取得了很好的效果。双向长短时记忆网络可以有效地捕捉序列数据中每个数据对前后两个方向上数据的长期依赖关系，适合处理一维时域特征数据。卷积神经网络可以有效提取以图像为代表的二维数据的局部特征，适合处理二维时频域特征。自注意力机制能够学习不同输入数据之间的关联程度，捕捉不同特征对于预测结果的重要程度，在机器翻译领域取得了非常好的效果。

损失函数的选择对于神经网络的训练过程起到决定性的作用。一方面，它承担着使模型的预测值接近真实值的任务，另一方面，也可以通过损失函数的设置给模型施加某种约束或限制，人为地使模型具备某种特定的倾向。

在目前的基于深层神经网络的机械产品关键零件剩余使用寿命预测技术中，通常只考虑到使预测寿命接近真实寿命，而没有考虑到在真实的工业应用中，当零件的预测寿命大于其真实寿命时，导致管理人员错误地乐观估计了零件的寿命，而容易造成零件故障等危险的后果。因此现有技术缺少了一种既能使零件的预测寿命接近真实寿命，又能尽量减少预测寿命大于真实寿命这一危险情况。

发明内容

为了解决背景技术中存在的问题，本发明提出了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，既有效又安全地预测剩余使用寿命。该方法从零件工作过程中产生的振动信号中提取时域信息与时频域信息，并采用卷积自编码技术在保留时频域信息的同时降低了时频域特征的数据规模；分别采用双向长短时记忆网络和卷积神经网络来处理时域特征与时频域特征，并采用自注意力机制对两种特征的处理结果进行融合；在训练的过程中采用一种非对称的损失函数，在保证预测模型有效性的同时提升了预测模型在工业应用中的安全性，可应用于实际工业生产中的机械产品关键零件剩余使用寿命预测中。

为实现上述功能，本发明的技术方案具体包括以下技术步骤：

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；