[发明专利]一种基于模糊认知图的轴承故障预测方法

权利要求书

1.一种基于模糊认知图的轴承故障预测方法，其特征在于，包括如下步骤：

步骤一：将轴承变量数据输入到时空模糊认知图STFCM，学习各个轴承变量之间以及各自时间维度上的关系，得到的轴承变量值输入到残差结构；

步骤二：将步骤一中STFCM得到的状态值与初始状态值经过线性变化构成残差结构，解决深度注意力模糊认知图DAFCM网络深度增加导致梯度爆炸和梯度消失的问题，将残差结构更新的轴承状态值输入到长短期记忆神经网络LSTM；

步骤三：将步骤二更新的轴承状态值输入到LSTM，捕捉轴承数据全局上下文的信息，将LSTM的先前隐藏状态输入到时间模糊认知图TFCM；

步骤四：使用TFCM捕获从LSTM输出隐藏状态的时间相关性，提高轴承非平稳时间序列的预测能力，得到新的轴承状态值后在输入到下一个残差结构；

步骤五：TFCM输出的轴承状态值与初始状态值经过线性变化构成残差结构，再经过三层全连接层得到最终的输出状态值。

2.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤一中，将节点状态值输入到STFCM，在不同的时间点为不同的节点分配权重值，与时间维度联系起来，先计算节点之间的相关性，进行节点关系的学习，具体如下：

其中，W_e是可学习的参数，B_e为偏置项，α_t是权重值，f是将激活值映射到特定范围的传递函数，为节点j的打分函数，为节点i的打分函数，A_t为轴承状态值，为注意力分布值，i为当前轴承变量值，N为轴承数据总计变量；轴承变量的状态值更新公式(3)如下：

3.根据权利要求2所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：把更新后的节点序列公式(3)再输入改进的注意力机制中；在STFCM中，某个节点的状态值与其之前一段时间的状态值相关联，由一个时间层STFCM扩展为多个时间层STFCM，使用改进注意力打分函数的注意力机制，增强对长期时间序列的预测，具体如下：

其中，W_f1、W_f2、W_f3、是可学习的参数，B_f1、B_f2为偏置项，β_t是权重值，表示转换门控LSTM的隐藏状态和单元状态，f是将激活值映射到特定范围的传递函数，s_t为STFCM更新后轴承状态值，z_t为轴承数据时间t的打分函数，z_i为轴承数据时间i的打分函数，T为学习轴承数据的总体时间值，A_l'为更新的轴承变量状态值；在获得权重值后就能获得节点t时刻的状态值s_t。

4.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤二中，将残差结构引入DAFCM；STFCM是计算模块，残差信息通过线性变换增加，加快收敛速度；最初节点状态值输入到残差结构中，具体如下：

其中，是线性变换的权重，B_q为偏置项，A_t为轴承状态值，为经过残差结构后的轴承状态值，s_t为STFCM更新后轴承状态值。

5.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤三中，轴承的历史状态输入到LSTM，每个LSTM在时刻的时间状态为对存储单元的访问将由三个门控制：遗忘门f_t^c、输入门输出门分别用于控制遗忘、输入以及保留的信息；具体如下：

其中，W^c、U^c、b^c为所用控制门中要学习的参数，与是先前隐藏状态，是节点状态，σ(·)和tanh(·)分别sigmoid函数与双曲正切函数，⊙是元素乘法，为输入门，为更新细胞状态。