一种基于MMALSTM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CN110175425A(43)申请公布日2019.08.27(21)申请号201910471737.4(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)权利要求书3页说明书8页附图4页(54)发明名称一种基于MMALSTM的齿轮剩余寿命的预测方法(57)摘要本发明涉及一种基于MMALSTM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MMALSTM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MMA对融合特征数据进行宏微观处理；最后，根据MMA的结果，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、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。CN110175425ACN110175425A权利要求书1/3页1.一种基于MMALSTM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基于宏微观注意力的长短期记忆网络(Macroscopic-microscopicattentioninLSTMnetworks，MMALSTM)的多步预测，采用宏微观注意力机制(Macroscopic-microscopicattention，MMA)对融合特征数据进行宏微观处理；最后，根据MMA的结果，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、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MMALSTM网络的输入，最后一行作为MMALSTM网络的输出来训练网络；S9：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MMALSTM的齿轮剩余寿命的预测方法，其特征在于，步骤S8中，所述MMALSTM网络是：根据宏微观注意力机制从宏观和微观两方面对特征值矩阵的注意系数进行评价，然后根据宏观和微观注意系数实时放大输入神经网络的输入权重和递归权重。3.根据权利要求2所述的一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，所述宏微观注意力机制是注意力机制在整个时间维度和每个时间维度上对数据的操作，具体为：首先，对数据矩阵进行处理，利用MMA计算其宏微观注意系数；预测过程中，整个时间维度的输入数据集为Xt＝[x1x2...xt]，其中xt＝[xt,1xt,2...xt,n]表示t时刻输入数据，ht-1＝[ht-1,1ht-1,2...ht-1,m]表示t-1时刻MMALSTM网络的递归数据；宏观注意力机制2CN110175425A权利要求书2/3页是通过注意力机制对整个时间维度内的数据进行处理；微观注意力机制是在每个时间维度利用注意力机制处理输入数据xt＝[xt,1xt,2…xt,n]和递归数据ht-1＝[ht-1,1ht-1,2…ht-1,m]。4.根据权利要求3所述的一种基于MMALSTM的齿轮剩余寿命的预测方法，其特征在于，所述MMALSTM网络的计算过程为：1)计算宏微观注意力系数公式：其中，αi、λi分别为微观注意力机制中输入数据和递归数据的注意力系数，χi为整个时间维度