一种基于模糊认知图的轴承故障预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115901264A(43)申请公布日2023.04.04(21)申请号202211655135.2(22)申请日2022.12.22(71)申请人首都师范大学地址100048北京市海淀区西三环北路56号(72)发明人秦墩旺吴立锋(74)专利代理机构北京慧泉知识产权代理有限公司11232专利代理师王顺荣(51)Int.Cl.G01M13/045(2019.01)权利要求书3页说明书8页附图3页(54)发明名称一种基于模糊认知图的轴承故障预测方法(57)摘要本发明提出一种基于模糊认知图的轴承故障预测方法，包括：S1.构建轴承故障预测模型；S2.将得到的故障数据进行归一化处理，把轴承数据每个变量作为节点输入到STFCM，学习轴承数据之间的时空特征；S3.STFCM得到的轴承状态值经过残差结构输入到LSTM；S4.将LSTM的先前隐藏状态输入到TFCM；S5.经过三层全连接层得到输出预测结果。轴承通常在复杂的环境下工作，导致其容易发生故障且在故障早期故障征兆不明显。给工业界带来潜在的安全威胁和不可估量的经济损失。轨道交通的故障诊断目前方法很难处理大量高维数据的状况，本发明能够更好捕获信号的高频变化，诊断轨道交通故障。CN115901264ACN115901264A权利要求书1/3页1.一种基于模糊认知图的轴承故障预测方法，其特征在于，包括如下步骤：步骤一：将轴承变量数据输入到时空模糊认知图STFCM，学习各个轴承变量之间以及各自时间维度上的关系，得到的轴承变量值输入到残差结构；步骤二：将步骤一中STFCM得到的状态值与初始状态值经过线性变化构成残差结构，解决深度注意力模糊认知图DAFCM网络深度增加导致梯度爆炸和梯度消失的问题，将残差结构更新的轴承状态值输入到长短期记忆神经网络LSTM；步骤三：将步骤二更新的轴承状态值输入到LSTM，捕捉轴承数据全局上下文的信息，将LSTM的先前隐藏状态输入到时间模糊认知图TFCM；步骤四：使用TFCM捕获从LSTM输出隐藏状态的时间相关性，提高轴承非平稳时间序列的预测能力，得到新的轴承状态值后在输入到下一个残差结构；步骤五：TFCM输出的轴承状态值与初始状态值经过线性变化构成残差结构，再经过三层全连接层得到最终的输出状态值。2.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤一中，将节点状态值输入到STFCM，在不同的时间点为不同的节点分配权重值，与时间维度联系起来，先计算节点之间的相关性，进行节点关系的学习，具体如下：其中，We是可学习的参数，Be为偏置项，αt是权重值，f是将激活值映射到特定范围的传递函数，为节点j的打分函数，为节点i的打分函数，At为轴承状态值，为注意力分布值，i为当前轴承变量值，N为轴承数据总计变量；轴承变量的状态值更新公式(3)如下：3.根据权利要求2所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：把更新后的节点序列公式(3)再输入改进的注意力机制中；在STFCM中，某个节点的状态值与其之前一段时间的状态值相关联，由一个时间层STFCM扩展为多个时间层STFCM，使用改进注意力打分函数的注意力机制，增强对长期时间序列的预测，具体如下：其中，Wf1、Wf2、Wf3、是可学习的参数，Bf1、Bf2为偏置项，βt是权重值，表示转换2CN115901264A权利要求书2/3页门控LSTM的隐藏状态和单元状态，f是将激活值映射到特定范围的传递函数，st为STFCM更新后轴承状态值，zt为轴承数据时间t的打分函数，zi为轴承数据时间i的打分函数，T为学习轴承数据的总体时间值，Al'为更新的轴承变量状态值；在获得权重值后就能获得节点t时刻的状态值st。4.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤二中，将残差结构引入DAFCM；STFCM是计算模块，残差信息通过线性变换增加，加快收敛速度；最初节点状态值输入到残差结构中，具体如下：其中，是线性变换的权重，Bq为偏置项，At为轴承状态值，为经过残差结构后的轴承状态值，st为STFCM更新后轴承状态值。5.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤三中，轴承的历史状态输入到LSTM，每个LSTM在时刻的时间状态为对存储单元的访问c将由三个门控制：遗忘门ft、输入门输出门分别用于控制遗忘、输入以及保留的信息；具体如下：其中，Wc、Uc、bc为所用控制门中要学习的参数，与是先前隐藏状态，是节点状态，σ(·)和tanh(·)分别sigmoid函数与双曲正切函数，⊙是元素乘法，为输入门，为更新细胞状态。6.根据权利要求1所述的一种基于模糊认知图的轴承故障预测方法，其特征在于：在步骤四