[发明专利]一种滚动轴承退化趋势预测方法

权利要求书

1.一种滚动轴承退化趋势预测方法，其特征在于，包括以下步骤：

第一步：提取滚动轴承多视角退化特征，所述多视角退化特征包括：

四个时域特征参数，分别为振动信号最大值、最小值、标准差和峭度；

三个频域特征参数，分别为振动信号傅立叶谱的均方根值、峰值指标和峰值因子；

和振动信号的样本熵、以及振动信号的无序性特征参数；

第二步：利用主成分分析对所述多视角特征进行特征融合，得到表征滚动轴承全生命周期状态的退化趋势曲线；

第三步：通过时间卷积网络建立退化趋势预测模型，对所述退化趋势曲线进行预测。

2.根据权利要求1所述的滚动轴承退化趋势预测方法，其特征在于，所述主成分分析包括：

1)将数据样本标准化：

其中，标准化之前的数据样本x_n×p＝(x_ij)_n×p，数据标准化后记为n、p分别为样本数和特征维数；和s_j分别代表样本第j列特征的均值和标准差；

2)计算标准化后样本的相关矩阵R：

并计算相关矩阵R的特征值和特征向量；

3)根据方差贡献率η_j和累计方差贡献力η_∑(m)计算主成分个数，

λ_j为特征值，m为降维后的特征维度；

4)数据经降维后特征由p维减少到m维，求得主成分矩阵Z_n×m：

上式中，U_p×m为前m个特征值对应的特征向量组成的矩阵。

3.根据权利要求1所述的滚动轴承退化趋势预测方法，其特征在于，所述时间卷积网络通过空洞卷积核来获取样本数据整个序列的全局信息，并设置有残差结构；

构建时间卷积网络，具体包括：

1)序列建模，通过建立网络模型预测与输入序列等长的序列，使预测输出与实际输出间损失尽可能小；

2)采用因果卷积实现序列间的因果性，即某一时刻预测数据只与当前时刻之前的数据有关，与当前时刻之后的数据无关：

y_T＝f(x₁，x₂，...，x_t)

其中，x₁，x₂，...，x_t为输入因果卷积层f(·)的特征向量，为因果卷积层f(·)的输出向量；

3)采用空洞卷积获得更大的感受野，对于一维序列x∈Rⁿ：

Rⁿ表示n维实数空间，d为膨胀系数，k为卷积核大小，下标“s-d·i”是第s个元素空洞卷积时，卷积核第i个元素f(i)对应的上一层元素的序号，F(s)为空洞卷积的输出；

4)通过残差块连接的方式堆叠深度时间卷积网络，所述残差块包含两层均由膨胀因果卷积、权重归一化、修正线性单元和Dropout构成的结构，两层之间通过一层一维卷积实现残差连接，残差块定义如下：

H(x)＝F(x)+x

上式中，x为输入序列，H(x)代表残差块输出，F(x)代表输入序列经过一系列卷积后的输出；

5)利用动态卷积为单个卷积层赋予多个卷积核，根据输入动态生成注意力权重，集成多个卷积核为单个核，作为后续卷积核的加权权值矩阵和加权偏置向量。

4.根据权利要求3所述的滚动轴承退化趋势预测方法，其特征在于，所述动态卷积的流程包括：输入数据先通过全局池化，再通过中间包含RELU激活函数的两层全连接层，然后通过一层Softmax激活函数获得K个卷积核的注意力权重，计算获得的注意力权重为权值矩阵和偏置向量赋予权重，经过动态卷积的数据最后通过批归一化和激活函数得到输出。

5.根据权利要求4所述的滚动轴承退化趋势预测方法，其特征在于，所述动态卷积的数学表达式为：

其中：

式中，x和y分别为动态卷积g(·)的输入和输出，和分别为动态卷积的权重矩阵和偏置向量，π_k为动态系数。