本發(fā)明涉及軸承使用壽命預測，具體為一種基于改進attention-gru模型的軸承剩余使用壽命預測方法。

背景技術：

1、滾動軸承作為旋轉機械的關鍵零部件，其健康狀態(tài)直接關系到整個旋轉機械的工作狀態(tài)，一旦軸承發(fā)生故障將會嚴重影響到機械系統(tǒng)的安全性，造成嚴重的經(jīng)濟損失。但滾動軸承時常工作在如航空發(fā)動機等惡劣環(huán)境中，很容易發(fā)生故障，從而導致發(fā)動機失覺，因此剩余使用壽命（rul）預測技術在滾動軸承方面的應用一直是重點研究問題。

2、現(xiàn)有的壽命預測的方法主要包括基于統(tǒng)計模型的方法、基于狀態(tài)監(jiān)測數(shù)據(jù)的數(shù)據(jù)驅動方法以及混合預測方法。其中，混合預測方法雖然結合了前兩種方法，但卻未能在多尺度上對振動數(shù)據(jù)信息進行特征提取。如論文（a?novel?deep?learning?method?based?onattention?mechanism?for?bearing?remaining?useful?life?prediction）中提出了一種基于編碼器-解碼器框架的純數(shù)據(jù)驅動方法。該方法包括三個步驟：特征提取、通過rnn計算hi和通過線性回歸預測方位rul。第一步，從原始信號中提取五個子波段頻譜的能量值作為特征。然后，以特征為輸入，獲得介于0和1之間的hi值序列，作為預測神經(jīng)網(wǎng)絡的輸出。最后，通過線性回歸將最后一個?hi?值按比例放大，即可計算出采集信號末端的rul值。該方法的不足之處便在于沒有對初始振動數(shù)據(jù)信息中包含的特征進行更加深入的挖掘，只采用了一個數(shù)據(jù)集對進行特征提取，但對模型的泛用性卻沒有進行探究。因此，現(xiàn)在亟需一種能夠在不同尺度上對振動數(shù)據(jù)信息進行特征提取的軸承剩余使用壽命預測方法。

技術實現(xiàn)思路

1、本發(fā)明所解決的技術問題在于提供一種基于改進attention-gru模型的軸承剩余使用壽命預測方法實現(xiàn)對振動數(shù)據(jù)信息在不同尺度上的特征提取以提高滾動軸承在惡劣環(huán)境中發(fā)生故障的安全性，降低出現(xiàn)發(fā)動機失覺的概率。

2、本發(fā)明提供的基礎方案：一種基于改進attention-gru模型的軸承剩余使用壽命預測方法，包括以下步驟：

3、s1：監(jiān)測軸承運行直到損壞的全壽命振動數(shù)據(jù)；

4、s2：從振動數(shù)據(jù)中提取時頻域特征并進行特征融合，得到輸入序列；

5、s3：通過離散小波下采樣對輸入序列進行特征提取，得到特征學習后的數(shù)據(jù)表示；

6、s4：通過傅里葉頻域特征提取對離散小波下采樣的輸出數(shù)據(jù)進行特征提取，進一步取得振動數(shù)據(jù)中的頻域特征；

7、s5：通過通道和空間注意力特征增強提高振動數(shù)據(jù)在通道和空間上的感受野；

8、s6：采用attention-gru回歸預測，將離散小波下采樣、傅里葉頻域特征提取以及通道和空間注意力特征增強處理后的輸出融合連接得到融合特征，并計算所預測時間步的健康指標與全壽命數(shù)據(jù)相結合得到的預測剩余壽命。

9、進一步，所述s2包括：

10、通過計算軸承振動數(shù)據(jù)的以下特征的中的一種或者多種以得到時頻域特征：均值、均方根、峰度、偏度、峰值、方差、峰值因子、脈沖因子、裕度因子、形狀因子、方根幅值和波形因子；

11、將得到的時頻域特征進行融合以得到輸入序列。

12、進一步，所述離散小波下采樣包括步驟：

13、s311：對輸入序列通過離散小波變換將其分解為低頻部分和高頻部分：

14、

15、s312：將高頻部分進一步分解為水平方向、垂直方向和對角方向三個高頻部分：

16、

17、

18、

19、式中，表示空間維度（行和列），表示通道數(shù)?，代表選擇水平方向上的高頻分量，代表選擇垂直方向上的高頻分量，代表選擇對角線方向上的高頻分量；

20、s303：將低頻部分和高頻部分、以及沿著通道維度進行拼接，通道融合后對重塑的進行包括卷積、批量歸一化和激活操作在內的特征學習：

21、

22、式中，為離散小波下采樣的輸出，為批量歸一化操作，為卷積操作。

23、進一步，所述傅里葉頻域特征提取包括步驟：

24、s401：對輸入進行1維卷積操作并將特征進行壓縮：

25、

26、式中，為所述離散小波下采樣的輸出，為進行1維卷積操作后的輸出；

27、s402：重塑張量并進行傅里葉變換，對頻域信息進行提取后采取逆傅里葉變換并重塑為原形狀再與初始輸入進行殘差連接：

28、

29、

30、

31、

32、

33、

34、

35、

36、式中，的形狀為，是將的形狀塑造為，為序列長度，為通道數(shù)，為特征維度，為的投影，為的投影，為偏置項，其中范圍為，范圍為，范圍為，范圍為，為對進行傅里葉變換的結果，為傅里葉變換函數(shù)，為權重函數(shù)，為將指定變量變?yōu)閺蛿?shù)的函數(shù)，為初始權重，為隨機函數(shù)，為指定輸出數(shù)組的形狀，是在頻域中計算的中間結果，為對進行傅里葉逆變換的結果，為在頻域中計算的中間結果，為逆傅里葉變換函數(shù)，為初始權重，是將張量形狀重塑為，為序列長度，為的投影，為振動數(shù)據(jù)預處理輸出。

37、進一步，所述通道注意力特征增強包括步驟：

38、s501：將個輸入特征圖沿通道維度拼接在一起形成新特征圖：

39、

40、式中，為拼接操作函數(shù)，、、分別表示一個時間步的輸出，表示中間省略的輸入，表示n個時間步的輸出的集合；

41、s502：將多個輸入特征整合到一個張量中并將拼接后的新特征圖分割為個塊,形狀為，對特征和（形狀為）進行全局平均池化，得到通道描述符：

42、

43、式中，為序列長度，為特征數(shù)量，為將所有融合后的特征；

44、s503：將通道描述符通過帶有的全連接層，計算每個塊的注意力權重，計算得到的注意力權重對每個分塊特征圖進行加權求和，得到最終輸出特征圖：

45、

46、

47、式中，和代表用來進行線性變換的權重矩陣，代表激活函數(shù)，為激活函數(shù)。

48、進一步，所述空間注意力特征增強包括步驟：

49、s511：將輸入經(jīng)過不同卷積核處理后的特征圖進行堆疊和求和:

50、

51、

52、式中，為卷積結果，表示對輸入x進行一維卷積操作，代表不同的卷積核大小，為激活函數(shù)，代表特征圖融合的輸出，表示輸入經(jīng)過一維卷積操作后的輸出；

53、s512：對融合特征進行全局平均池化并通過全連接層減少通道數(shù)：

54、

55、

56、式中，為全局平均池化層的輸出，為序列長度，為特征圖融合的輸出，為全連接層輸出，和是全連接層的權重和偏置；

57、s513：計算每個通道的注意力權重并對多尺度特征圖進行加權求和：

58、

59、

60、式中，和是第k個全連接層的權重和偏置，為第個通道的注意力權重，為模塊的輸出。

61、進一步，所述attention-gru回歸預測包括步驟：

62、編碼器操作階段：

63、s601：將離散小波下采樣、傅里葉頻域特征提取以及通道和空間注意力特征增強的輸出融合連接得到融合特征；

64、s602：與初始隱藏狀態(tài)一起接入bigru得到編碼器輸出和當前時間步的隱藏狀態(tài)：

65、

66、式中，表示編碼器輸出和當前時間步的隱藏狀態(tài)，為雙向門控單元的函數(shù)；s603：編碼器輸出和當前時間步的隱藏狀態(tài)輸入到解碼器的注意力機制中，計算得到注意力權重和上下文向量：

67、

68、

69、式中，表示對矩陣進行轉置，表示雙曲正切函數(shù)，表示解碼器在時間步的隱藏狀態(tài)，表示解碼器在時間步的隱藏狀態(tài)，為第i個注意力權重，表示第i個解碼器的隱藏狀態(tài)；

70、解碼器操作階段：

71、s604:將上一時間步的編碼器輸出和上下文向量拼接后輸入gru，得到輸出：

72、

73、式中，為門控單元的函數(shù)，為上一時間步的解碼器輸出；

74、s605：將和拼接并接入線性層得到當前時間步的解碼器輸出：

75、

76、式中，為線性變換函數(shù)。

77、本發(fā)明的原理及優(yōu)點在于：本方案中的軸承壽命預測模型由離散小波下采樣特征提取模塊、傅里葉頻域特征提取模塊、通道和空間注意力特征增強模塊以及attention-gru回歸預測模塊連接組成。通過離散小波下采樣提取特征，減少了輸入模型的參數(shù)量，有效避免了梯度爆炸的現(xiàn)象。傅里葉頻域提取特征則能進一步提取振動信號中的頻域特征，而通道注意力特征提取和空間注意力特征提取則能夠獲得更加全面的感受野，對振動信號的特征挖掘更加深入和強化。在實現(xiàn)多尺度特征提取的同時，還通過通道注意力特征提取來權衡輸入特征對rul預測的貢獻，減少無關數(shù)據(jù)對預測的影響。