买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工业大学

摘要：本发明提供了一种基于CAE构建健康指标和AGRU的滚动轴承退化趋势预测方法，其特征在于，包括如下步骤：S1、将滚动轴承每个样本的时域信号通过快速傅里叶变换转换为频域信号；S2、根据频域信号尺寸和计划提取的特征集的尺寸设置卷积自编码器CAE结构，卷积自编码器从滚动轴承频域信号中自适应提取编码特征集，根据时间趋势性和单调性从中选取优质特征构建健康指标；S3、健康指标划分测试集与训练集，将训练集输入融合注意力机制的门控循环单元AGRU，剪枝算法对AGRU模型超参数进行优化，完成AGRU模型的训练，将测试集输入训练好的模型，完成滚动轴承退化趋势的预测；本发明健康指标的构建方法不需要太多先验知识，抗干扰能力强，AGRU预测模型精度较高。

主权项：1.一种基于CAE构建健康指标和AGRU的滚动轴承退化趋势预测方法，其特征在于，包括如下具体步骤：S1、滚动轴承振动信号预处理，将滚动轴承全寿命数据每个样本的时域信号，使用快速傅里叶变换转换为频域信号；S2、健康指标构建，根据频域信号尺寸和想要提取的编码特征的尺寸设置卷积自编码网络参数，卷积自编码器从频域信号中自适应提取编码特征集，根据时间趋势性和单调性从中选取优质特征构建健康指标；加入批归一化层加速网络收敛防止过拟合，激活函数使用sigmoid函数，使用Adam优化器对loss训练进行优化；设x为输入到卷积自编码网络中的频域信号，编码过程可以表示为：hk＝σx*Wk+bk其中，σ为激活函数，*表示卷积操作，k为卷积核个数，Wk和bk是输入层到隐含层的权重项和偏置项；解码器通过堆叠多个上采样层和反卷积层将隐含层的编码特征重构为尺寸近似原始数据的输出，解码过程可以表示为： 其中：和是隐含层到输出层的权重项和偏置项；批归一化层公式如下： 其中：xw为输入批归一化层的数据，yw为归一化后的输出数据，μw和σw分别为输入数据的均值和标准差，βw和yw分别是可学习的平移参数和缩放参数，上标w表示数据的第w维，ε是防止分母为0的一个小量；卷积层输出的计算公式如下： 反卷积层的计算公式如下：Lout＝Lin—1×stride—2×padding+dilation×kernel_size—1+Lout其中：Lin为卷积层输入数据的尺寸大小，Lout为卷积层输出数据的尺寸大小，padding为添加到输入数据两边的填充，dilation为卷积核之间的间距，kernel_size为卷积核的大小，stride为卷积的步幅；卷积自编码网络损失函数Ex,y定义为： 其中：N为批量大小，xi为编码器输入数据，yi为解码器输出数据；将频域特征输入到卷积自编码网络，提取编码特征集，将编码特征集进行归一化处理，进一步地，根据时间趋势性和单调性选择优质编码特征作为健康指标，单调性Mon表示特征指标随时间变化增加或减少的趋势，Mon取值范围为[0,1]，其值越接近1，特征指标的单调性越好，单调性Mon评判标准计算公式如下所示： 其中，Number为特征指标序列的正导数个数，Number为特征指标序列的负导数个数，T为特征序列的长度；时间趋势性Corr评判标准计算公式如下所示： 其中，di为特征指标序列与时间序列之间的差异；将两种评判指标线性组合来全面评估健康指标的优劣，综合评判标准Cie如下所示： 根据Cie选择综合指标最好的编码特征作为健康指标；S3、AGRU趋势预测模型，健康指标划分测试集与训练集，将训练集输入到融合注意力机制的门控循环单元，剪枝算法对AGRU模型超参数进行优化，完成AGRU模型的训练，将测试集输入训练好的模型，完成滚动轴承退化趋势的预测；所述步骤S3中AGRU模型的训练过程包括以下步骤：步骤3-1：健康指标划分训练集与测试集，其中80％为训练集，20％为测试集；步骤3-2：将训练集划分特征集和目标集，训练样本如下所示： 步骤3-3：将训练集特征集x＝x1,x2,…,xt输入到编码器的GRU网络中去，得到隐藏状态的输出h＝h1,h2,...,ht，假设xt为当前时刻的输入，则隐藏状态的输出ht的计算过程如下所示：zt＝σWZ.[ht-1,xt]其中，zt为更新门，更新门决定保留多少上一时刻的内容以及添加多少当前时刻的信息，σ为sigmoid激活函数，ht—1为上一时刻的隐藏状态和输出，WZ为更新门的权重矩阵，“.”表示点乘运算；rt＝σWr.[ht-1,xt]其中，rt为重置门，决定历史信息丢弃的数量，Wr为重置门的权重矩阵； 其中，候选状态h～t是当前时刻的输入xt与上一时刻ht-1经过重置门后的保留信息结合得到的，为当前时刻隐藏状态也就是输出ht提供信息，Wh为候选状态运算过程中的权重矩阵，“*”表示矩阵相乘运算；步骤3-4：编码器各个时刻的隐藏状态输出h＝h1,h2,...,ht计算完成后，将编码器当前时刻的隐藏状态ht输入解码器的GRU网络中，计算过程和步骤3-3相似，只是输入数据变为ht，输出数据为st，st为解码器的隐藏状态输出；步骤3-5：通过得分函数计算编码器所有时刻的隐藏状态输出对解码器隐藏状态输出的重要程度，得分函数计算过程和具体实现过程中使用的点积模型如下所示：et＝scorest,het＝stTh其中，h＝h1,h2,...,ht是编码器各个时刻的隐藏状态输出，st为解码器的隐藏状态输出，et＝et,1,et,2,...et,t为编码器各个时刻隐藏状态的重要得分；步骤3-6：将编码器各个时刻隐藏状态的重要得分通过softmax函数进行归一化处理，就得到了编码器各个时刻隐藏状态的权重系数，计算过程如下所示：αt＝softmaxet其中，et＝et,1,et,2,...et,t为编码器各个时刻隐藏状态的重要得分，αt＝αt,1,αt,2,...αt,t为编码器各个时刻隐藏状态的权重；步骤3-7：得到权重后，将编码器各个时刻隐藏状态的输出与对应的权重加权求和就得到的编码器新的隐藏状态ct输出，计算结果如下所示： 步骤3-8：将编码器新的隐藏状态输出与解码器隐藏状态输出结合，并通过全连接层得到预测值的输出，计算过程如下所示：h～＝concatenatect,stY＝FCh～其中，h～为编码器和解码器结合的隐藏状态，Y为预测值；步骤3-9：使用MSE损失函数，以预测值Y＝y1,y2,…yi和设置的目标值～Y＝y～1,y～2,…y～i的损失函数最小值最为优化目标，采用Adam优化算法来更新参数，损失函数计算公式如下： 步骤3-10：设置超参数范围，使用剪枝算法进行超参数优化，搜索60次后，获得最佳超参数，AGRU模型训练完成；步骤3-11：将测试集设置好格式，输入AGRU模型，训练集格式如下所示： 步骤3-11：训练集输入AGRU模型获得预测值，与真实值进行对比，通过计算均方根误差RMSE和平均绝对误差MAP对预测效果进行评判，评判指标计算公式如下所示： 其中，n为预测的点数，yi为真实值，y～i为预测值。

全文数据：

权利要求：

百度查询： 南京工业大学 一种基于CAE和AGRU的滚动轴承退化趋势预测方法