申请/专利权人：华南理工大学

申请日：2022-03-25

公开（公告）日：2024-06-21

公开（公告）号：CN114626625B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0455;G06N3/0442;G06N3/084;G06F119/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.07.01#实质审查的生效;2022.06.14#公开

摘要：本发明公开了基于多模块U‑BiLSTM网络的轴承寿命预测方法。所述方法包括以下步骤：分别采集同工况下滚动轴承全寿命周期的振动加速度信号训练数据xSt和待预测数据xTt；对采集得到的训练数据和待预测数据标准化处理后，进行数据预处理，获得训练集和待预测集；构建多模块U‑BiLSTM神经网络寿命预测模型；训练集多模块U‑BiLSTM神经网络寿命预测模型，得到训练后的多模块U‑BiLSTM神经网络寿命预测模型；将待预测集输入到完成训练后的多模块U‑BiLSTM神经网络寿命预测模型中，输出轴承剩余使用寿命的预测结果。本发明可实现对轴承寿命预测过程中深层特征的提取和利用，整体上具有更好的综合预测性能。

主权项：1.基于多模块U-BiLSTM网络的轴承寿命预测方法，其特征在于，包括以下步骤：S1、分别采集同工况下滚动轴承全寿命周期的振动加速度信号训练数据xSt和待预测数据xTt；S2、对步骤S1中采集得到的训练数据和待预测数据标准化处理后，使用时间窗嵌入策略对训练数据和待预测数据进行数据预处理，获得训练集和待预测集；S3、构建多模块U-BiLSTM神经网络寿命预测模型，其中，多模块U网络用于特征提取，BiLSTM网络用于回归预测；所述多模块U-BiLSTM神经网络寿命预测模型包括顺次连接的编码器、解码器和回归器；编码器包括顺次连接的第一模块和第二模块，第一模块为二维卷积神经网络，提取振动信号数据的浅层特征；第二模块包括顺次连接的残差块和二维深度卷积可分神经网络；解码器包括第三模块，第三模块包括顺次连接的逆卷积层、池化层和批归一化层；回归器包括顺次连接的双向长短时记忆神经网络和全连接层；其中，编码器和解码器按照顺序线性连接并统称为多模块U网络，回归器称为BiLSTM网络；输入数据经多模块U网络特征提取后得到输出数据，再将得到的输出数据输入至BiLSTM网络，实现预测；输出数据输入BiLSTM网络后，首先经双向长短时记忆神经网络得到当前时刻的输出ct，公式为：ft＝σgWfct-2,ct-1+bf；it＝σgWict-2,ct-1+bi；ot＝tanhWoct-2,ct-1+bo；ct＝ft*ct-1+it*ot；其中，ft为遗忘门输出，it为输入门输出，ot为输出门输出，ct为当前时刻t的输出；σg为sigmoid激活函数；tanh·为tanh激活函数；Wf、Wi、Wo分别为遗忘门权重矩阵、输入门权重矩阵和输出门权重矩阵；bf、bi、bo分别为遗忘门偏置权重、输入门偏置权重和输出门偏置权重；双向长短时记忆神经网络包括多个顺次连接的神经元，每个神经元对应一个时刻，ct表示当前第t个神经元的输出即当前时刻t的输出，ct-1表示第t-1个神经元的输出即上一个时刻t-1的输出，ct-2表示第t-2个神经元的输出即上上个时刻t-2的输出；将经双向长短时记忆神经网络得到当前时刻t的输出ct输入全连接层实现预测，公式为：z＝W*ct+b；其中，z为全连接层的输出数据，ct为全连接层的输入数据，W和b分别为全连接层的权重矩阵和偏置矩阵；S4、将滚动轴承实际剩余使用寿命占全寿命周期的百分比作为对应标签，将训练集作为输入数据输入到多模块U-BiLSTM神经网络寿命预测模型进行迭代训练，直至损失函数达到预设值，得到训练后的多模块U-BiLSTM神经网络寿命预测模型；S5、将待预测集输入到完成训练后的多模块U-BiLSTM神经网络寿命预测模型中，输出轴承剩余使用寿命的预测结果。

全文数据：

权利要求：

百度查询： 华南理工大学 基于多模块U-BiLSTM网络的轴承寿命预测方法

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