一种基于LSTMPP的齿轮剩余寿命的预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110210126A(43)申请公布日2019.09.06(21)申请号201910471710.5(22)申请日2019.05.31(71)申请人重庆大学地址400044重庆市沙坪坝区沙坪坝正街174号(72)发明人秦毅项盛金磊王阳阳(74)专利代理机构北京同恒源知识产权代理有限公司11275代理人赵荣之(51)Int.Cl.G06F17/50(2006.01)G06N3/04(2006.01)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LSTMPP的齿轮剩余寿命的预测方法(57)摘要本发明涉及一种基于LSTMPP的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。该方法首先对采集的齿轮震动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于偏心长短期记忆网络LSTMPP的多步预测，针对不同特征信息所包含的信息量不同的特点，采用注意力机制方法对融合特征数据进行偏心处理；最后，根据偏心处理结果，放大输入数据和递归数据的权重，对融合特征数据进行自动和不同程度的处理。本发明能够在降低计算量的同时提高齿轮剩余寿命的预测速度与精度。CN110210126ACN110210126A权利要求书1/3页1.一种基于LSTMPP的齿轮剩余寿命的预测方法，其特征在于，该方法首先对采集的齿轮振动信号的高维特征进行简化和融合；然后将降维后的融合特征信息用于偏心长短期记忆网络(longshort-termmemorywithprojectionandweightpartiality，LSTMPP)的多步预测，采用注意力机制方法对融合特征数据进行偏心处理；最后，根据偏心处理结果，放大输入数据和递归数据的权重，对融合特征数据进行自动和不同程度的处理；所述预测方法具体包括以下步骤：S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；S2：分别计算采集的n段齿轮振动信号降噪之后的21种时频特征，则得到n×21维的特征值矩阵X；S3：选取前面n1个采样点组成的特征值矩阵X1作为训练矩阵；S4：通过ISOMAP算法处理训练矩阵X1和特征值矩阵X，分别选取利用最大特征值计算的TT结果V1＝(v11,v12,...,v1n1)和V＝(v1,v2,…,vn)作为其主要成分；S5：使用最小二乘法使目标函数最小，然后通过公式v’i＝avi+b将向量V里的所有元素与向量V1统一化，其中a、b分别表示向量V里的所有元素向向量V1统一化过程中所使用的函数的斜率与偏置，具体大小通过上述目标函数最小化确定；TS6：将向量V1归一化，得到归一化之后的向量W＝(w1,w2,…,wn1)；S7：重构矩阵：其中p为神经网络输入层单元数；S8：将矩阵U前面p行作为LSTMPP神经网络的输入，最后一行作为LSTMPP神经网络的输出来训练网络；S9：LSTMPP训练好后，将倒数p个输出作为网络输入，得到下一时刻的输出；S10：重复步骤S9一定次数，将这些输出反归一化之后与实际特征值V'＝(v'p+1,vT'p+2,…,v'n)比较，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。2.根据权利要求1所述的一种基于LSTMPP的齿轮剩余寿命的预测方法，其特征在于，步骤S8中，所述LSTMPP神经网络采用偏心系数法来扩大输入数据和经过映射层运算的回归数据的权重。3.根据权利要求2所述的一种基于LSTMPP的齿轮剩余寿命的预测方法，其特征在于，所述偏心系数法为：假设t时刻输入数据集xt＝[x1x2…xN]及t-1时刻的递归数据集rt-1＝[r1r2…rm]，结合这两个数据集构成注意力机制的输入，然后计算偏心系数；基于注意力机制的偏心系数的具体计算过程包括以下步骤：1)：通过评分函数计算出输入值与预测值之间的相关性，该函数采用按比例缩放的点2CN110210126A权利要求书2/3页积模型；在神经网络训练阶段，设xN+1为预测目标相关查询向量q，设xt和rt-1为被选择向量；在预测阶段，设xN为预测目标相关查询向量q；将输入数据与递归数据同时参与注意力分配，相关评分函数计算如下：2)：正则化由公式(1)、(2)算得的原始分值，则相应的注意系数计算如下：其中，αi、λi分别是输入数据和递归数据的注意系数，并以注意系数作为特征信息贡献程度的评价标准；则输入数据和递归数据的偏心系数分别为：βi＝(1+αi)(5)δi＝(1+λi)(6)3)：LSTMPP网络根据给出的偏心系数，对LSTMPP网络的相应权值进行了放大；偏心系数βi和δi分别放大输入数据权重和递归数据权重：其中，wix表示LSTMP神经网络输