[发明专利]一种基于深度梯度下降森林的轴承剩余寿命预测方法

权利要求书

1.一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法，其特征在于，该方法包括以下步骤：

步骤a.针对机械轴承原始时域信号进行预处理，根据公式对训练集，测试集进行快速傅里叶变换，其中，IF_t:当前时刻t的迭代特征，l:一维时间序列的长度，i:次数，FFT：快速傅里叶变换；

步骤b.利用长短时记忆网络(LSTM)根据公式提取机械轴承时序特征，其中，pooling:池化操作，第l层第j个特征的权值，第l层第j个特征的偏置，输出特征维度；

步骤c.构建深度梯度下降森林预测模型，将提取的时序特征作为级联森林结构的输入；

步骤d.使用训练集训练子树；

步骤e.计算子树的机械轴承剩余寿命预测误差，以及当前子树所占森林的权重，即权重＝子树颗数/森林中子树总数；

步骤f.输入测试集至当前子树，并计算当前森林在训练集和测试集上的机械轴承剩余寿命预测误差；

步骤g.分别计算当前一层级联结构在训练集和测试集上的机械轴承剩余寿命预测误差；

步骤h.模型自动评估是否需要进入下一层级联结构进行诊断，若需要返回步骤d直至停止训练，若不需要立即停止训练；

步骤i.在所有扩展层中找出测试集上机械轴承剩余寿命预测误差最小的一层，并输出该层的预测结果为最终机械轴承剩余寿命预测误差；

步骤j.构建机械轴承剩余寿命性能退化指标其中，ActRUL:真实寿命，RUL:实际预测寿命，利用最终预测结果与真实值对比，得到性能退化指标N，完成模型的训练，机械轴承剩余寿命RUL＝L_q-L_d,L_q：全寿命，L_d：当前寿命。

2.根据权利要求1所述的一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法，其特征在于，步骤e具体为：每颗完全森林子树的每一个节点通过随机选取一个特征作为判别条件，并根据所选取的判别条件生成子节点，一直待到每个叶子节点只包含同一类的实例才停止运算。每棵梯度下降算法子树通过(α_n表示第n次迭代学习率,α表示首次学习率，μ表示衰减率，λ_n表示第n次迭代学习步数，λ表示总学习步数)为判别条件进行计算。

3.根据权利要求1所述的一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法，其特征在于，步骤f具体为：在深度梯度下降森林的级联结构中每一层含有5个完全随机森林和5个梯度下降森林，每个完全随机森林、梯度下降森林内含500颗树，每棵子树计算方法同上，每棵树通过投票的方式选出预测误差最小的子树作为每个完全随机森林和梯度下降森林的预测误差。

4.根据权利要求1所述的一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法，其特征在于，步骤g具体为：每一层级联结构包含5个完全随机森林、5个梯度下降森林，并行计算每个森林的预测误差，每一层级联结构通过投票选取预测误差最低的森林代表本层计算误差。

5.根据权利要求1所述的一种基于深度梯度下降森林模型的机械轴承剩余寿命预测方法，其特征在于，步骤h中当级联森林结构扩展到新的层后，之前所有级联结构的效果将通过验证集去评估运算，当评估结果无法得到进一步提升时则会自动结束训练过程。