基于自注意力网络的产品关键零件寿命端到端预测方法技术

本发明专利技术公开了一种基于自注意力网络的产品关键零件寿命端到端预测方法。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间；对振动信号数据进行数据预处理，同时对运行时间进行处理，得到训练数据样本及对应的剩余使用寿命标签；构建剩余使用寿命的预测模型；训练预测模型，获得训练好的预测模型；采集零件的振动信号数据并进行数据预处理后，输入到训练好的预测模型中实时预测获得零件的剩余使用寿命。本发明专利技术采用自注意力网络构建预测模型，能充分挖掘振动信号中的时序特征，克服复杂数据预处理和特征提取的缺点，实现从振动信号到剩余使用寿命的端到端预测，具备操作简单、泛化性强的优点。泛化性强的优点。泛化性强的优点。

【技术实现步骤摘要】
基于自注意力网络的产品关键零件寿命端到端预测方法


[0001]本专利技术属于机械产品零件剩余使用寿命预测领域的一种产品关键零件寿命端到端预测方法，涉及了一种基于自注意力网络的产品关键零件寿命端到端预测方法。

技术介绍

[0002]机械产品关键零件如刀具、齿轮、轴承等在现代工业中应用十分广泛，其不仅在机械产品的功能实现中起着关键作用，而且其运行状态对机械产品能否正常工作有着极大的影响。以轴承和齿轮为例，若减速器的轴承和齿轮出现故障问题，减速器就不能发挥正常的作用了。剩余使用寿命预测技术是产品健康管理的重要环节，可以用于实时监测产品关键零件的运行状态，提供其还能正常使用的时间，从而实现对零件的及时维护，避免因故障而出现长时间停工的情况，从而提高了生产效率、降低了生产成本。综上所述，对机械产品关键零件进行剩余使用寿命研究具有重大意义。
[0003]机械振动是工程技术中常见的现象，在机械产品关键零件的工作过程中，振动信号随着其健康状态而变化，即振动信号中有着丰富的退化信息。因此可以采集机械关键零件在运行过程中产生的振动信号来分析其健康状态。通过传感器采集的振动信号属于时序信号，其中蕴含着丰富的时序特征，通过提取与分析这些时序特征可以实现健康状态监测和寿命预测。因此，研究剩余使用寿命预测技术的关键在于如何有效提取并利用振动信号中的时序特征。
[0004]在现有的研究中，深度学习中的各种神经网络常被用于对振动信号进行特征提取和分析。常用的神经网络模型包括卷积神经网络、长短期记忆网络、门控循环单元网络、自编码器等。卷积神经网络最初是为图像处理而设计的，因其有效的局部特征提取能力而得到了广泛应用，近年在处理时序数据问题中也得到了一定应用。2019年，专利“一种深度卷积神经网络的旋转机械健康评估方法”公开了一种基于深度卷积网络的旋转机械健康评估方法，通过对振动信号进行挖掘实现旋转类零部件的健康评估与寿命预测；长短期记忆网络和门控循环单元网络擅长于处理时序数据，可以提取时序数据中重要的时序特征，因此在时序数据问题中得到了广泛应用。专利“一种基于长短时记忆网络的滚动轴承剩余使用寿命预测方法”和专利“多层双向门控循环单元网络的旋转机械剩余使用寿命预测方法”分别在2018年和2019年公开了基于长短期记忆网络和门控循环单元网络的旋转机械剩余使用寿命方法，借助于这两种网络对时间序列数据进行了特征提取，实现了较精确的寿命预测；此外，2020年，专利“基于非对称损失神经网络的产品关键零件剩余寿命预测方法”公开了一种机械产品关键零件剩余使用寿命预测方法，通过卷积自编码器对传感器数据的时频域特征进行数据降维，并利用长短期记忆网络和卷积神经网络提取重要时序特征实现剩余使用寿命预测。
[0005]现有的基于神经网络的方法在机械产品关键零件的剩余使用寿命预测中取得了较好的成果，已经成为了最常用的预测方法。但已有的方法仍然存在一定局限性，比如模型的时序特征提取能力不强导致无法进一步提高预测精度。此外，已有的方法通常依赖于复
杂的数据预处理和特征提取来预先提取数据中的重要特征，无法实现端到端的预测。在这种情况下，模型的预测精度往往依赖于人工所提取的特征，而不合适的特征将大大降低模型的预测精度。同时，精确的数据预处理和特征提取需要大量的本领域专业知识，且实现过程较为复杂，从而增加了已有预测方法在工业界的应用难度。比如专利“基于非对称损失神经网络的产品关键零件剩余寿命预测方法”在深度学习模型对数据进行处理前，需要事先通过统计手段和小波变化提取振动信号中的特征，这在一定程度上限制了方法的泛化性和可行性。端到端预测是指数据处理、特征提取和寿命预测皆在模型中完成，不需要进行复杂的数据预处理和特征提取，将振动信号数据输入到训练好的预测模型中即可得到零件的剩余使用寿命。因此端到端的寿命预测具备实现过程简便、泛化性较强的优点，符合工业界的实际需求。
[0006]综上所述，提出一种能有效提取振动信号中的时序特征且简易可行的方法来实现高精度的剩余使用寿命端到端预测是非常重要的。

技术实现思路

[0007]针对
技术介绍
中提到的问题，本专利技术提出了一种基于自注意力网络的产品关键零件寿命端到端预测方法。本专利技术借助于时序特征提取能力强的自注意力机制网络对振动信号进行直接处理，不仅有效地提高了模型的预测能力，而且该方法应用广泛范围广、可行性高，能实现从传感器数据到剩余使用寿命的端到端预测，可广泛应用于各种机械产品关键零件的剩余使用寿命预测中。
[0008]为实现上述功能，本专利技术的技术方案如下：
[0009]本专利技术包括以下步骤：
[0010]S1.在机械产品关键零件上安装加速度传感器，在零件运行过程中通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间，直至零件损坏；
[0011]S2.对振动信号数据进行数据预处理，得到训练数据样本，同时对零件运行的时间进行处理，得到训练数据样本对应的剩余使用寿命标签；
[0012]S3.构建自注意力神经网络作为机械产品关键零件剩余使用寿命的预测模型；
[0013]S4.将S2中得到的训练数据样本和对应的剩余使用寿命标签输入预测模型中训练预测模型，获得训练好的预测模型；
[0014]S5.在同种零件工作的过程中使用与S1和S2中相同的方法采集振动信号数据并进行数据预处理，得到测试数据，将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。
[0015]所述S1中零件的振动信号数据包括水平与竖直两个方向的振动信号。
[0016]所述S2中对振动信号数据进行数据预处理，得到训练数据样本，具体为：采用最大
‑
最小归一化方法沿时间轴对振动信号数据进行归一化处理，将振动信号数据转化为0到1区间内的数据后作为训练数据样本。
[0017]所述S3中自注意力神经网络包括四个池化层、特征自注意力机制层、位置编码层、数据融合层、两个多头自注意力机制层、数据展平层、两个全连接网络层和输出层；
[0018]自注意力神经网络的输入作为四个并行的池化层的输入，四个并行的池化层的输出沿特征维度进行连接后输入到特征自注意力机制层中，特征自注意力机制层依次经位置
编码层、数据融合层、两个多头自注意力机制层、数据展平层和两个全连接网络层后与输出层相连；特征自注意力机制层的输出输入到数据融合层中，特征自注意力机制层的输出还输入到数据展平层中。
[0019]所述特征自注意力机制层的自注意力机制采用常用的加性注意力；所述特征自注意力机制层沿着振动信号数据的特征维度进行操作。
[0020]所述多头自注意力机制层采用点乘注意力；所述多头自注意力机制层沿着振动信号数据的时间维度进行操作。
[0021]所述位置编码层选用正弦函数和余弦函数作为位置编码函数。
[0022]本专利技术通过自注意力机制网络处理机械产品关键零件运行过程的振动信号，可以充分挖掘振动信号中与剩余使用寿命相关的重要时序特征，并将提取的特征。具体地，通过池化层对振动信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于，包括以下步骤：S1.在机械产品关键零件上安装加速度传感器，在零件运行过程中通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间，直至零件损坏；S2.对振动信号数据进行数据预处理，得到训练数据样本，同时对零件运行的时间进行处理，得到训练数据样本对应的剩余使用寿命标签；S3.构建自注意力神经网络作为机械产品关键零件剩余使用寿命的预测模型；S4.将S2中得到的训练数据样本和对应的剩余使用寿命标签输入预测模型中训练预测模型，获得训练好的预测模型；S5.在同种零件工作的过程中使用与S1和S2中相同的方法采集振动信号数据并进行数据预处理，得到测试数据，将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。2.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于：所述S1中零件的振动信号数据包括水平与竖直两个方向的振动信号。3.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于，所述S2中对振动信号数据进行数据预处理，得到训练数据样本，具体为：采用最大
‑
最小归一化方法沿时间轴对振动信号数据进行归一化处理，将振动信号数据转化为0到1区间内的数据后作...

【专利技术属性】
技术研发人员：刘振宇，刘惠，郏维强，张栋豪，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：