[发明专利]一种基于门控神经网络框架的轴承剩余寿命预测方法

权利要求书

1.一种基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，包括如下步骤：

S1、获得轴承的全寿命周期振动信号，提取振动分布特征并创建门控神经网络训练集合；

S2、构建门控神经网络模型，引入直接计算权重的注意力机制，以提高提取时序信息的完整性；

S3、添加贝叶斯层，构建时序信息与剩余寿命之间的非线性映射关系；

S4、将测试轴承的振动信号作为输入，门控神经网络模型的输出结果即为当前时刻测试轴承的剩余寿命。

2.根据权利要求1所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S1中，具体包括以下步骤：

S101、从轴承全寿命周期振动信号中提取与振动分布相关的特征；

S102、对提取的描述振动分布的特征进行归一化；

S103、采用时间窗构建时序输入数据并创建训练集合。

3.根据权利要求2所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S101中，在时刻t的振动信号定义为其中l为采样的时间长度，则所提取描述振动信号分布的特征为：

4.根据权利要求2所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S103中，利用时间窗构建时间序列，以符合门控神经网络的输入要求；采用时间窗对归一化后的特征进行处理，时间窗定义为：

TW_t＝{C_t-L+1，C_t-L+1，…，C_t} (1)

其中L为时间窗的长度，C为归一化后的特征组成的集合；

时间窗每次向后推移一个时刻，最终创建的训练集合为{TW_t，R_t}，其中R_t为对应的剩余寿命。

5.根据权利要求1所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S2中，具体包括以下步骤：

S201、用堆叠的门控神经网络提取输入特征中的时序特征；

S202、引入直接计算权重的注意力机制，对每个时刻门控神经网络提取的时序特征赋予不同的权重，并加权得到最终的时序特征。

6.根据权利要求5所述的基于门控神经网络框架的轴承剩余寿命预测方法，其特征在于，在步骤S201中，采用堆叠门控神经网络的结构，即前一个门控神经网络的输出作为后一个门控神经网络的输入，以提高整体网络提取时序特征的能力；经过堆叠门控神经网络，每个时刻所提取的特征为