[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

说明书

本发明提供了一种基于门控神经网络框架的轴承剩余寿命预测方法，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。本发明无需添加额外的神经网络层数，避免了增加模型复杂度问题，通过将不同时刻提取的时序信息通过加权融合，以提高提取信息的完整性。同时，通过添加贝叶斯层，将传统点预测结果转化为区间预测，以考虑轴承剩余寿命预测的不确定性。

技术领域

本发明涉及轴承剩余寿命预测领域，尤其涉及一种基于门控神经网络框架的轴承剩余寿命预测方法。

背景技术

轴承作为旋转机械中重要的组成部分，在电力、高铁、机械等各领域中广泛应用。但同时，轴承也是最容易损伤的部件之一。轴承的故障会导致机械系统的安全隐患，增加非计划停机的风险，甚至会导致重大的经济损失和灾难性的事故。因此对轴承进行剩余寿命预测一直是近年来的研究重点。随着机器学习的不断发展，基于门控神经网络的轴承剩余寿命预测方法得到了广泛的关注。传统的门控神经网络在预测精度上不尽如人意，通过引入注意力机制是提高其预测精度的有效手段。但是传统的注意力机制往往需要添加额外的神经网络层数，导致模型更加复杂，增加计算负担。另外，传统的门控神经网络仅仅能进行点预测，对于由传感器噪声、运行工况变化以及未知失效模式所带来的不确定性未曾考虑。

发明内容

为了克服现有的门控神经网络轴承剩余寿命预测方法的预测精度较低、无法处理预测不确定性的不足，本发明提供一种基于门控神经网络框架的轴承剩余寿命预测方法。

为了解决上述技术问题提供的技术方案为：

一种基于门控神经网络框架的轴承剩余寿命预测方法，所述方法包括以下步骤：

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，将传统点预测结果转化为区间预测结果，以考虑轴承剩余寿命预测的不确定性；

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。

本发明的基于门控神经网络框架的轴承剩余寿命预测方法，与现有技术相比，具有以下优点：

通过本发明的基于门控神经网络框架的轴承剩余寿命预测方法来进行轴承剩余寿命预测，为了提高门控神经网络提取输入特征时序有效信息的能力，提出一种直接计算注意力权重的方法，该方法无需添加额外的神经网络层数，避免了增加模型复杂度问题，通过将不同时刻提取的时序信息通过加权融合，以提高提取信息的完整性。同时，通过添加贝叶斯层，将传统点预测结果转化为区间预测，以考虑轴承剩余寿命预测的不确定性。

进一步地，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。

进一步地，在步骤S101中，所述的在时刻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：

进一步地，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：