基于卷积门控循环网络的轴承剩余使用寿命预测方法与流程

1.本发明涉及轴承检测方法技术领域，尤其涉及一种基于卷积门控循环网络的轴承剩余使用寿命预测方法。


背景技术：

2.轴承是机械设备中最重要的部件之一，若轴承发生故障，可能造成经济损失或者人员伤亡的情况。通过对轴承进行剩余使用寿命预测，可以在轴承即将发生故障时进行替换，以规避轴承故障引发的恶劣影响。为更好判断当前轴承的剩余使用寿命，对轴承进行剩余使用寿命预测就显得尤为重要。现亟须一种可以预测轴承剩余使用寿命，将轴承剩余使用寿命具体化为具体数值的剩余使用寿命预测方法，为更好地进行轴承故障诊断维护管理提供便利。


技术实现要素：

3.本发明所要解决的技术问题是如何提供一种能够准确的预测轴承剩余使用寿命的方法。
4.为解决上述技术问题，本发明所采取的技术方案是：一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：
5.采集轴承全生命周期的振动加速度信号；
6.对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；
7.设计出卷积门控循环单元神经网络和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；
8.将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；
9.得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
10.进一步的技术方案在于，所述采集轴承全生命周期的振动加速度信号的方法为：
11.采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。
12.进一步的技术方案在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：
13.数据预处理：采用最小最大标准化，将数据集中的最小值和最大值转化为[0,1]之间，缩小数据范围，提高计算速度，具体公式如式(1)所示，式中x
t
为数据集t时刻的输入，x
min
为数据集的最小值，x
max
为数据集的最大值，为t时刻通过数据标准化后的值：
[0014][0015]
对于轴承剩余使用寿命进行归一化，其定义和计算公式为；假设第i行数据的剩余使用寿命标签为y
i
，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命。经过归一化处理后的剩余使用寿命标签，可以降低不同轴承、不同工况、不同剩余使用寿命值之间的影响，提高剩余使用寿命预测的准确性；
[0016][0017]
进一步的技术方案在于：所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。
[0018]
进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循环单元、batchnormalization层、注意力机制、平铺层和全连接层。
[0019]
进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为relu：
[0020]
relu：r(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为mse：
[0022][0023]
其中：n为样本数量，y
i
为真实值，为预测值。
[0024]
进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构的构建方法如下：
[0025]
convgru网络结构基本在典型一维gru上改进，将激活函数σ内的全连接运算改为卷积运算。其中σ为sigmoid函数，*为卷积操作，
⊙
为元素相乘记号。rt为重置门控制上一时刻隐藏状态的保留程度，zt为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态的信息分配。具体公式如式(5)：
[0026][0027]
采用的是注意力机制中的scaled dot
‑
product attention方法，其计算主要分为3个步骤：
[0028]
第1步：将query和每个key进行点积计算得到权重；
[0029]
第2步：使用softmax函数对权重归一化处理；
[0030]
第3步：将权重和对应的value加权求和获得attention。
[0031]
attention具体计算公式如式(6)：
[0032][0033]
其中，queries，keys，values的矩阵表示为q,k,v，q＝k＝v＝l,l为注意力层的输入，d
k
为queries,keys,values的向量维度。
[0034]
对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，
…
，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过batchnormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值y
t
。
[0035]
进一步的技术方案在于：利用一次线性回归预测得到t时刻对应的剩余使用寿命rul
t
。
[0036]
所述的剩余使用寿命计算步骤为：
[0037]
(1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：t＝a
·
y
t
b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0038]
(2)计算轴承的全寿命周期，当y
t
＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：m＝a
·
y
t
b＝a
·
0 b＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0039]
(3)计算轴承任意时刻t的剩余使用寿命：rul
t
＝m
‑
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0040]
其中：：a为一次线性函数的斜率，b为一次线性函数的截距，t为轴承已运行时间，y
t
为当前剩余使用寿命与全寿命结果的比值，m为轴承的全寿命周期，rul
t
为t时刻后轴承的剩余使用寿命。
[0041]
采用上述技术方案所产生的有益效果在于：本发明通过采集正常状态下的振动加速信号片段，将获得的振动信号进行数据处理和数据转化后输入基于卷积门控循环单元神经网络和注意力机制融合的网络自动获取特征信息，经过全连接层获取对应时刻的剩余使用寿命的比值，通过线性回归得到此刻的剩余使用寿命，预测的剩余使用寿命准确度高，可以防止重大事故发生，为预测性维修提供参考意见。
附图说明
[0042]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0043]
图1是本发明实施例所述方法的流程图；
[0044]
图2是本发明实施例所述方法中卷积门控循环单元内部结构图；
[0045]
图3是本发明实施例所述方法中轴承剩余使用寿命预测的卷积门控循环单元神经网络方法的网络结构图；
[0046]
图4是本发明实施例所述方法的预测结果图。
具体实施方式
[0047]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0049]
实施例一
[0050]
总体的，如图1所示，本发明实施例公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，包括如下步骤：
[0051]
s1、采集轴承全寿命振动加速度信号；
[0052]
具体的，采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。
[0053]
所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：
[0054]
采用最小最大标准化，将数据集中的最小值和最大值转化至[0,1]之间，具体公式如式(1)所示，式中x
t
为数据集t时刻的输入，x
min
为数据集的最小值，x
max
为数据集的最大值，为t时刻通过数据标准化后的值：
[0055][0056]
对于轴承剩余使用寿命标签进行归一化，其定义和计算公式为；假设第i行数据的剩余使用寿命标签为y
i
，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命：
[0057][0058]
s2、对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；
[0059]
s3、设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合主要包括卷积门控循环单元神经网络和注意力机制两部分；
[0060]
基于卷积门控循环单元神经网络和注意力机制融合的网络包括2层卷积门控循环单元、batchnormalization层、注意力机制、平铺层和全连接层，其中所使用的激活函数relu：
[0061]
relu：r(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0062]
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为mse：
[0063][0064]
其中：n为样本数量，y
i
为真实值，为预测值。
[0065]
所述卷积门控循环单元神经网络和注意力机制融合的网络结构的处理方法如下：
[0066]
convgru网络结构基本在典型一维gru上改进，将激活函数σ内的全连接运算改为卷积运算。其中σ为sigmoid函数，*为卷积操作，
⊙
为元素相乘记号。rt为重置门控制上一时刻隐藏状态的保留程度，zt为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态的信息分配。具体公式如式(5)：
[0067][0068]
采用的是注意力机制中的scaled dot
‑
product attention方法，其计算主要分为3个步骤：
[0069]
第1步：将query和每个key进行点积计算得到权重；
[0070]
第2步：使用softmax函数对权重归一化处理；
[0071]
第3步：将权重和对应的value加权求和获得attention。
[0072]
attention具体计算公式如式(6)：
[0073][0074]
其中，queries，keys，values的矩阵表示为q,k,v，q＝k＝v＝l,l为注意力层的输入，d
k
为queries,keys,values的向量维度。
[0075]
s4、将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。
[0076]
对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，
…
，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过batchnormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值y
t
；
[0077]
s5、此时得到的剩余使用寿命预测结果为当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
[0078]
计算剩余使用寿命：利用一次线性回归预测得到t时刻剩余使用寿命与全寿命结果的比值y
t
对应的剩余使用寿命rul
t
。
[0079]
进一步的，所述的剩余使用寿命计算步骤为：
[0080]
(1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：
[0081]
t＝a
·
y
t
b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0082]
(2)计算轴承的全寿命周期，当y
t
＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：
[0083]
m＝a
·
y
t
b＝a
·
0 b＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0084]
(3)计算轴承任意时刻t的剩余使用寿命：
[0085]
rul
t
＝m
‑
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0086]
其中：：a为一次线性函数的斜率，b为一次线性函数的截距，t为轴承已运行时间，y
t
为当前剩余使用寿命与全寿命结果的比值，m为轴承的全寿命周期，rul
t
为t时刻后轴承的剩余使用寿命。
[0087]
实施例二
[0088]
本发明实施例公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，包括如下步骤：
[0089]
s1、采集轴承全寿命振动加速度信号；
[0090]
使用来源于ieee phm2012 data challengepronostia试验台的轴承全生命周期振动信号，通过对轴承施加额外载荷或者增加转速，达到加速失效的目的。实验轴承1
‑
1～1
‑
7均在转速为1800r/min，载荷为4000n的工况下运行，加速度传感器每10s采集一次数据，每次采集数据的时间长度是0.1s，即每次采集2560个数据点。当加速度幅值超过20g时，即认为失效，结束实验。该工况下的7个轴承均从正常状态运行至失效。
[0091]
s2、对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；
[0092]
对于得到轴承数据进行整合处理，取轴承bearing1
‑
3为测试轴承,其余为训练轴承，其中训练集尺寸为(7534,2561)，测试集尺寸为(2375,2560)，训练集的前2560列为获取的振动加速度信号，第2561列为剩余使用寿命的比值；
[0093]
s3、设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络(如图2所示)和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合主要包括卷积门控循环单元神经网络和注意力机制两部分；
[0094]
所述卷积门控循环单元神经网络和注意力机制融合的网络结构如图3所示，基于卷积门控循环单元神经网络和注意力机制融合的网络包括2层卷积门控循环单元、batchnormalization层、注意力机制、平铺层和全连接层；
[0095]
网络参数的设置如表1所示，将s2得到的训练集和测试集进行转换，得到训练集为尺寸为(7534,64,40,1,1)，测试集为尺寸为(2375,64,40,1,1)，将转换后的训练集输入到卷积门控循环单元神经网络和注意力机制融合的网络中进行训练；
[0096]
表1：网络参数设置表；
[0097][0098]
s4、将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。
[0099]
具体的，对于输入的原始数据序列首先经过数据转换，得到7534个特征向量{x1，x2，x3，
…
，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过batchnormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值y
t
。，得到的bearing1
‑
3剩余使用寿命预测结果如图4所示。
[0100]
采用adam优化算法，学习率设置为0.005，超参数β1设置为0.9，β2设置为0.999，ω设置为1e
‑
08。训练模型设置为epochs＝200，batch_size设置为200。
[0101]
s5、此时得到的剩余使用寿命预测结果为当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
[0102]
具体的剩余使用寿命计算步骤为：
[0103]
1)通过线性回归建立预测bearing1
‑
3运行至18010s时的剩余使用寿命，得到的当前剩余使用寿命与全寿命结果之间的线性方程：
[0104]
t＝
‑
23086
·
y
t
23089；
[0105]
(2)计算轴承的全寿命周期，当yt＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：
[0106]
m＝23089s；
[0107]
(3)计算轴承任意时刻t的剩余使用寿命：rult＝23089
‑
18010＝5079s，实际剩余使用寿命为5730s。
[0108]
本发明通过采集正常状态下的振动加速信号片段，将获得的振动信号进行数据处理和数据转化后输入基于卷积门控循环单元神经网络和注意力机制融合的网络自动获取特征信息，经过全连接层获取对应时刻的剩余使用寿命的比值，通过线性回归得到此刻的剩余使用寿命，预测的剩余使用寿命准确度高。

技术特征：
1.一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；设计卷积门控循环单元神经网络和注意力机制融合的网络结构，所述网络结构包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。2.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述采集轴承全生命周期的振动加速度信号的方法为：采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。3.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：采用最小最大标准化，将数据集中的最小值和最大值转化至[0,1]之间，具体公式如式(1)所示，式中x
t
为数据集t时刻的输入，x
min
为数据集的最小值，x
max
为数据集的最大值，为t时刻通过数据标准化后的值；对于轴承剩余使用寿命标签进行归一化，其定义为：假设第i行数据的剩余使用寿命标签为y
i
，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命：4.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。5.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循环单元、batchnormalization层、注意力机制、平铺层和全连接层。6.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为relu：relu：r(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为mse：其中：n为样本数量，y
i
为真实值，为预测值。7.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构的构建方法如下：将激活函数σ内的全连接运算改为卷积运算；其中σ为sigmoid函数，*为卷积操作，
⊙
为元素相乘记号；r
t
为重置门控制上一时刻隐藏状态的保留程度，z
t
为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态的信息分配，具体公式如式(5)：采用的是注意力机制中的scaled dot
‑
product attention方法，其计算主要分为3个步骤：第1步：将query和每个key进行点积计算得到权重；第2步：使用softmax函数对权重归一化处理；第3步：将权重和对应的value加权求和获得attention；attention具体计算公式如式(6)：其中，queries，keys，values的矩阵表示为q,k,v，q＝k＝v＝l,l为注意力层的输入，d
k
为queries,keys,values的向量维度。8.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构的处理方法如下：对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，
…
，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过batchnormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值y
t
。9.如权利要求1所述的轴承剩余使用寿命预测方法，其特征在于，利用一次线性回归预测得到t时刻对应的剩余使用寿命rul
t
；1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：
t＝a
·
y
t
b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)2)计算轴承的全寿命周期，当y
t
＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：m＝a
·
y
t
b＝a
·
0 b＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)3)计算轴承任意时刻t的剩余使用寿命：rul
t
＝m
‑
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)其中：a为一次线性函数的斜率，b为一次线性函数的截距，t为轴承已运行时间，y
t
为当前剩余使用寿命与全寿命结果的比值，m为轴承的全寿命周期，rul
t
为t时刻后轴承的剩余使用寿命。
技术总结
本发明公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，涉及轴承检测方法技术领域。所述方法包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。通过所述方法预测的轴承剩余使用寿命更准确，可以防止重大事故发生，为预测性维修提供参考意见。为预测性维修提供参考意见。为预测性维修提供参考意见。


技术研发人员：赵志宏 李晴 李乐豪 杨绍普 李鹤飞 顾晓辉 刘泽潮 刘永强 陈恩利
受保护的技术使用者：石家庄铁道大学
技术研发日：2021.04.25
技术公布日：2021/6/29