申请/专利权人：石家庄铁道大学

申请日：2023-05-24

公开（公告）日：2023-12-19

公开（公告）号：CN116579247B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0985;G06F18/2135;G06F18/25;G06N3/0464;G06F119/04;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2023.12.19#授权;2023.08.29#实质审查的生效;2023.08.11#公开

摘要：本发明公开了一种基于MAML元学习的滚动轴承剩余寿命预测方法，所述方法包括：采用PCA算法进行多特征融合构建出滚动轴承的健康因子FHI；构建MAML‑N‑Beats滚动轴承剩余寿命预测模型，模型的输入为构建的健康因子FHI；将预测模型的各训练集T的健康因子FHI划分为许多个任务，并将每个任务划分为支持集和查询集；将每个测试任务查询集输入到微调好的MAML‑N‑Beats模型中，经过计算输出后实现轴承剩余寿命预测。与传统的RUL预测方法相比，该方法提高了预测精度，同时还能进行短期数据的快速预测。

主权项：1.一种基于MAML元学习的滚动轴承剩余寿命预测方法，其特征在于包括如下步骤：信号采集，使用传感器采集滚动轴承从开始到完全失效的全寿命周期数据；采用PCA算法进行多特征融合构建出滚动轴承的健康因子FHI；构建MAML-N-Beats滚动轴承剩余寿命预测模型，模型的输入为构建的健康因子FHI；将预测模型的各训练集T的健康因子FHI划分为许多个任务，并将每个任务划分为支持集和查询集；将测试集P按照步构造的测试任务集,将每个测试任务的支持集输入到MAML-N-Beats预测模型中，然后微调模型；将每个测试任务查询集输入到微调好的MAML-N-Beats模型中，经过计算输出后实现轴承剩余寿命预测；构建MAML-N-Beats滚动轴承剩余寿命预测模型的方法包括如下步骤：MAML-N-Beats轴承剩余寿命预测模型分为元训练阶段和元测试阶段，元训练阶段是通过训练一系列轴承寿命预测的历史任务，得到基线模型N-Beats的一个初始参数，使得这个初始模型能够快速适应新的任务；元测试阶段针对测试任务微调元训练阶段得到的N-Beats初始模型，通过少量样本和反向传播算法对模型参数进行更新，以适应新任务的特征；1元训练阶段基线模型是包括趋势栈和通用栈的N-Beats模型，用函数f表示；第1步，将轴承的健康因子FHI划分为训练任务Ttrain和测试任务Ttest，每个任务都包括支持集Si和查询集Qi；第2步，随机初始化N-Beats模型，初始化参数设为θ，此时模型用fθ表示；第3步，训练任务集Ttrain的任务Ti输入N-Beats模型进行训练，计算支持集Si在当前任务上的损失模型fθ的参数就会按式6梯度更新从θ更新为θi，其中α是N-Beats网络的学习率； 第4步，用当前任务的查询集Qi测试的性能，计算损失第5步，对训练任务集Ttrain的所有任务反复执行3、4步，计算之和,如公式7所示； 第6步，按照式7更新元网络的参数θmeta；其中，β为元网络的学习率；通过这样的训练模式，找到N-Beats模型的初始化参数； 2元测试阶段第1步，在元训练结束后得到的MAML-N-Beats模型上，用测试任务Ttest的支持集Si对其进行微调；第2步，用测试任务Ttest的查询集Qi评估MAML-N-Beats模型的性能。

全文数据：

权利要求：

百度查询： 石家庄铁道大学 基于MAML元学习的滚动轴承剩余寿命预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD