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！

摘要：本发明为基于阶段注意力机制网络模型的断路器剩余寿命预测方法，首先采集分闸过程中的振动信号，接着优化VMD算法并利用优化后的VMD算法对振动信号进行分解，选取峭度较大的模态分量进行重构；然后，根据能熵比从重构后的振动信号中提取触头分断振动片段；最后，建立融合阶段注意力机制的预测模型，预测模型以一维卷积神经网络和GRU网络为主干网络，阶段注意力机制分为两个阶段，第一阶段为运用于一维卷积神经网络的分布式注意力机制，对输入样本在时间和特征维度上进行加权，第二阶段为运用于GRU网络的时间步注意力机制，再次在时间维度上进行加权。该方法强化了时间维度和特征维度上重要信息对预测结果的贡献程度，提高了预测精度。

主权项：1.一种基于阶段注意力机制网络模型的断路器剩余寿命预测方法，其特征在于，该方法包括以下步骤：第一步、使用万能式断路器机械寿命试验系统采集断路器分闸过程中的振动信号；第二步、基于能量损失对VMD算法进行优化，得到最优的模态分量数和二次惩罚因子；利用优化后的VMD算法对振动信号进行分解，得到多个模态分量；计算每个模态分量的峭度，选取峭度较大的模态分量进行重构，得到重构后的振动信号；第三步、对重构后的振动信号进行分帧，得到多帧重构信号；计算所有帧重构信号的能熵比，根据能熵比从整段重构后的振动信号中提取触头分断振动片段；以触头分断振动片段为基础构造数据集，数据集包含多个二维格式的输入样本，每个输入样本包含多个触头分断振动片段，每个触头分断振动片段包含多个采样点；第四步、建立融合阶段注意力机制的预测模型，预测模型以一维卷积神经网络和GRU网络为主干网络，阶段注意力机制分为两个阶段，第一阶段为运用于一维卷积神经网络的分布式注意力机制，第二阶段为运用于GRU网络的时间步注意力机制；一维卷积神经网络包含四个卷积层，每个卷积层包含三个卷积核，每个卷积核在输入样本的多个时间步数据上进行横向滑动卷积；将第二卷积层的输出矩阵作为分布式注意力机制的输入矩阵，首先，对输入矩阵在时间维度上进行加权，得到输入矩阵中所有行向量的时间加权权重，所有行向量的时间加权权重构成时间权重列向量，将时间权重列向量与原输入矩阵进行对应元素相乘，得到时间加权矩阵；首先，假设分布式注意力机制的输入矩阵大小为M'×L'，则输入矩阵的第i个行向量表示为xi＝[xi1,xi2,...,xiL']，i＝1,2,...,M'，则根据式11和12对行向量xi分别进行全局最大池化和全局平均池化，得到全局最大池化时间权重系数ai和全局平均池化时间权重系数bi；同理，对输入矩阵的所有行向量进行相同操作后，得到M'组一一对应的全局最大池化时间权重系数和全局平均池化时间权重系数，最后通过式13的dense层和softmax激活函数计算行向量xi的时间加权权重αi；同理，计算输入矩阵中所有行向量的时间加权权重，得到M'个行向量的时间加权权重，这M'个行向量的时间加权权重构成时间权重列向量；将时间权重列向量与分布式注意力机制的输入矩阵进行对应元素相乘，得到时间加权矩阵，即实现分布式注意力的输入矩阵的时间加权；ai＝globalmaxxi＝globalmax[xi1,xi2,...,xiL']11bi＝globalaveragexi＝globalaverage[xi1,xi2,...,xiL']12αi＝softmaxwa*ai+biasa+wb*bi+biasb13式中，wa、wb分别为时间加权过程中全局最大池化以及全局平均池化的卷积核矩阵，biasa、biasb分别为时间加权过程中全局最大池化和全局平均池化的偏置矩阵；然后，对时间加权矩阵在特征维度上继续进行加权操作，假设时间加权矩阵的第e个列向量为xe＝[x1e,x2e,...,xM'e]T，e＝1,2,...,L'，则根据式14和15对列向量xe分别进行全局最大池化和全局平均池化，得到全局最大池化特征权重系数ce和全局平均池化特征权重系数de；同理，对时间加权矩阵的所有列向量进行相同操作后，得到L'组一一对应的全局最大池化特征权重系数和全局平均池化特征权重系数，最后通过式16所示的dense层和softmax激活函数计算列向量xe的特征加权权重βe；同理，计算时间加权矩阵中所有列向量的特征加权权重，得到L'个列向量的特征加权权重，这L'个列向量的特征加权权重构成特征权重行向量；将特征权重行向量与原时间加权矩阵进行对应元素相乘，得到特征加权矩阵；ce＝globalmax[x1e,x2e,...,xM'e]T14de＝gobalaverage[x1e,x2e,...,xM'e]T15βe＝softmaxwe*[ce；de]+biase16其中，we为特征加权过程的卷积核矩阵，biase为特征加权过程的偏置矩阵；最后，将特征加权矩阵与分布式注意力机制的输入矩阵相加，相加后的矩阵作为第三卷积层的输入矩阵，依次经过第三卷积层和第四卷积层后，得到一维卷积神经网络的输出矩阵；将一维卷积神经网络的输出矩阵作为GRU网络的输入矩阵，利用得分函数对一维卷积神经网络的输出矩阵中所有时刻对应的时间步信息进行打分并计算权重概率；所有时刻的权重概率构成权重列向量，将权重列向量与GRU网络的输出矩阵进行对应元素相乘，得到时间步注意力加权结果；最后，时间步注意力加权结果经过全连接层，得到预测模型的输出，即预测值，至此完成融合注意力机制的预测模型的构建；对融合阶段注意力机制的预测模型进行训练，将预训练的预测模型用于预测断路器剩余机械寿命。

全文数据：

权利要求：

百度查询： 河北工业大学 基于阶段注意力机制网络模型的断路器剩余寿命预测方法