[发明专利]基于隐马尔科夫模型和迁移学习的轴承寿命预测方法有效
| 申请号： | 201910838978.8 | 申请日： | 2019-09-05 |
| 公开（公告）号： | CN110555273B | 公开（公告）日： | 2023-03-24 |
| 发明（设计）人： | 朱军;沈长青;陈楠;宋冬淼;周建芹;王俊;石娟娟;黄伟国;朱忠奎 | 申请（专利权）人： | 苏州大学 |
| 主分类号： | G06F30/17 | 分类号： | G06F30/17;G06F30/27;G06N3/088;G06N7/01;G06F119/04;G06F111/08 |
| 代理公司： | 苏州市中南伟业知识产权代理事务所(普通合伙) 32257 | 代理人： | 冯瑞 |
| 地址： | 215168 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，包括步骤(1)采集滚动轴承的全寿命原始信号；并提取包含时域、时频域和三角函数特征的特征集合；(2)将特征集合输入隐马尔科夫模型预测隐状态，获取故障发生时刻；(3)将来自所有源域和部分目标域的特征集合组成训练集输入构建的多层感知机模型，通过优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得神经网络寿命预测模型；(4)将剩余的目标域特征集输入神经网络寿命预测模型，根据输出值预测轴承的剩余寿命。本发明利用隐马尔科夫模型自动检测出故障发生时刻，之后采用基于多层感知器的迁移学习来解决不同工况条件造成的源域和目标域的分布差异。 | ||
| 搜索关键词： | 基于 隐马尔科夫 模型 迁移 学习 轴承 寿命 预测 方法 | ||
【主权项】：
1.一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征在于：包括以下步骤，/n(1)采集滚动轴承运行的全寿命原始信号；/n(2)从原始信号中提取时域特征、时频域特征和三角函数特征，形成特征集合；/n(3)将特征集合转成观测序列输入隐马尔科夫模型，通过无监督方式预测隐状态，获取故障发生时刻；/n(4)取滚动轴承运行在故障发生时刻以后的特征集合用于其寿命预测：根据迁移学习框架构建多层感知机模型，将来自所有源域和部分目标域的特征集合组成训练集输入多层感知机模型，通过所提的优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得神经网络寿命预测模型；/n(5)将剩余的目标域特征集组成测试集输入神经网络寿命预测模型，根据输出值预测该轴承的剩余寿命。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于苏州大学，未经苏州大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910838978.8/，转载请声明来源钻瓜专利网。
