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：本发明公开了一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统，方法包括如下步骤，S1、健康指标曲线构建；S2、健康阶段划分；S3、构建并训练剩余寿命预测模型；S4、剩余寿命预测。优点是：能够巧妙地将寿命周期中存在的不同健康阶段对应于不同子域，将全局对齐的整体差异分散到局部对齐的阶段差异。在迁移预测阶段，利用基于数据标签和隶属度的多阶度量拉近各退化阶段，完成模糊子结构对齐和跨域回归。本发明能够实现更细粒度的特征对齐，构建出泛化性更好的模型，同时又能够实现更准确的剩余寿命预测。

主权项：1.一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法，其特征在于：包括如下步骤，S1、健康指标曲线构建：获取原始数据集，对原始数据集中的源域数据和目标域数据进行时域和频域特征提取，并将得到的多维特征进行二次指标优化和相关性分析，获取健康指标曲线；所述二次指标优化具体为，对多维特征进行特征间差异对齐操作得到相对指标，再将相对指标进行特征内压缩平滑操作得到去噪指标；具体地，相对指标的作用是消除个体差异，拉近分布间隙，对其各类特征向量；去噪指标是为了减少异常数据点准确局部序列波动压缩范围，保证数据趋势的单调性；所述相关性分析具体为，对二次优化后的指标使用皮尔逊相关系数衡量每一时刻数据与初始时刻数据的相关程度，构建健康指标；具体地，将变换后的25维特征进行相关性分析，使用Pearson相关系数对两个时间点上数据的相关程度进行有效的衡量，得到时间轴上变化趋势，构建通用HI曲线；S2、健康阶段划分：采用时序窗口加权聚类算法对健康指标曲线进行处理，获取每个源域数据和目标域数据所属的健康阶段标签及其模糊隶属度，并按比例划分为训练集和测试集；步骤S2具体包括如下内容，S21、将健康指标曲线划分为窗口，使用该窗口的统计数值代替当前单点数值，实现健康指标曲线的模糊平滑处理；S22、对模糊平滑处理后的健康指标曲线进行聚类，通过迭代优化每个数据点的模糊隶属度以及每个类别的聚类中心，获取每个源域数据和目标域数据所属的健康阶段标签及其模糊隶属度；S23、将源域数据、目标域数据及其所属健康阶段标签和模糊隶属度按比例划分为训练集和测试集；具体地，选择高斯函数为窗口进行处理，其定义为： 其中，ri为HI曲线上的第i个值，μ表示样本的均值，σ表示样本的标准差；随后，对数据进行窗口处理，对于每个数据点ri，将高斯函数在这个点上的值作为权重，对窗口内所有数据点进行加权平均，处理后的HI，即序列G，由下式表示： G＝g1，g2,…,gN在对HI曲线进行模糊平滑处理后，对其进行聚类从而获得健康阶段指标；首先确定聚类的数量N，并随机初始化每个数据点到各个聚类的隶属度值uij；每个数据点i的隶属度uij表示数据点i属于第j个聚类的程度，它是一个介于0到1之间的值，模糊隶属度uij的计算如下式所示： 式中，‖·‖表示特征样本xj到类中心ci之间的欧氏距离范数指数，q表示模糊因子；之后，基于每个数据点的模糊隶属度，计算每个聚类的中心点C＝c1,c2,…,ci,…cN，对于第i个聚类，其中心点公共的坐标ci通过下式进行计算： 时序窗口加权聚类算法通过迭代过程来优化隶属度值和每个类别的聚类中心，从而最小化目标函数J，直到满足停止条件为止；目标函数J和相应的约束条件如下式所示： 0≤uij≤1,1≤i≤C,1≤j≤N由于每个类中心最初都是在迭代过程开始时随机初始化的，所以当获得目标函数的局部极小值或鞍点时即停止迭代；停止条件定义为两个连续迭代步骤之间的隶属度矩阵的变化满足终止阈值ε；收敛条件表示如下：||Uk+1-Uk||＜ε最终，经过时序窗口加权聚类算法处理，得到每个数据点所属的健康阶段ci∈1,2,…,N及对应的模糊隶属度ui＝ui1,ui2,…,uiN，健康阶段标签与模糊隶属度矩阵将作为深度迁移网络的输入数据；S3、构建并训练剩余寿命预测模型：所述剩余寿命预测模型包括模糊子域特征提取器和RUL回归器；将训练集输入到剩余寿命预测模型中对其进行训练；训练过程中，基于模糊子域特征提取器中子结构模糊对齐模块的对齐损失和RUL回归器的回归损失，获取模型总损失，并通过最小化模型总损失优化模糊子域特征提取器和RUL回归器的参数，获取并保存训练好的剩余寿命预测模型；步骤S3具体包括如下内容，S31、将训练集输入到模糊子域特征提取器中，利用模糊子域特征提取器的深度神经网络，分别获取训练集中源域数据和目标域数据的特征潜在表示，获取源域数据和目标域数据对应的高维特征矩阵；S32、将源域数据和目标域数据对应的高维特征矩阵输入到模糊子域特征提取器的子结构模糊对齐模块中，通过计算源域数据和目标域数据特征矩阵之间的FLMMD、源域数据和目标域数据特征矩阵时间的FLCORAL，获取对齐损失；步骤S32具体包括如下内容，S321、第一部分对齐：基于最大均值差异的模糊局部最大均值差异，同时考虑每个样本属于所有类别的概率，实现更细粒度的模糊子域对齐；通过计算源域数据和目标域数据特征矩阵之间的FLMMD作为第一部分损失；S322、第二部分对齐：基于二阶统计量CorrelationAlignment的FuzzyLocalCORAL，同时考虑每个样本属于所有类别的概率，在二阶统计量上进行细粒度对齐；通过计算源域数据和目标域数据特征矩阵之间的FLCORAL作为第二部分损失；S323、综合第一部分损失和第二部分损失，获取对齐损失；S33、将模糊子域特征提取器输出的对齐后的源域数据与训练集中的目标域数据的时序特征矩阵输入到RUL回归器中，输出源域数据和训练集中目标域数据的剩余寿命预测值，并计算源域剩余寿命预测值与真实值的均方误差，作为回归损失；S34、根据对齐损失和回归损失计算模型总损失；S35、最小化模型总损失，反馈调节模糊子域特征提取器和RUL回归器的网络参数，实现对模糊子域特征提取器和RUL回归器的网络训练，直到训练完成，获取训练好的剩余寿命预测模型；S4、剩余寿命预测：将测试集输入到训练好的剩余寿命预测模型中进行剩余寿命预测，获取剩余寿命预测结果。

全文数据：

权利要求：

百度查询： 中国科学院空间应用工程与技术中心 一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统