【技术实现步骤摘要】
本专利技术属于制造资源装备健康状态预测。
技术介绍
1、制造资源装备的健康状况对工程安全与经济效益具有深刻影响。为了减少灾难的发生，需要在制造资源装备失效之前对制造资源装备进行替换或维修。因此，准确估算制造资源装备的健康状态并提前预警具有重要的意义。
2、准确预测健康状态并非易事，由于制造资源装备零部件众多，结构精密，因此极容易受使用环境、使用方式、循环时间等诸多因素的影响，使得其健康状态变化较大，进而给精确预测制造资源装备健康状态带来了较大困难。目前主流的健康状态预测方法主要有基于模型的方法、数据驱动方法、混合方法。基于模型的方法是基于物理或数学模型进行建模，具有很好的解释性，但对于复杂机械设备或精密仪器来说，难以进行物理建模，因此基于模型的方法实施难度巨大。混合方法结合了基于模型的方法和数据驱动方法，虽然具有很高的准确性和可靠性，但由于其建模的复杂性，使用混合方法进行预测也是很困难的。与其他两个方法不同，数据驱动方法不需要任何的先验知识，能够在不了解复杂退化机制的基础上，仅借助监测数据集进行建模，并具有很好的准确性和泛化性。然而，数据驱动方法需要大量的原始数据。
3、而制造资源装备传感器众多，采集的数据量巨大，这为其健康状态预测提供了足够的原始数据，促使数据驱动方法在三种方法中脱颖而出。制造资源装备的一生中会经历非常多的使用循环，由于操作水平和使用环境之间的差异，所得到的数据往往是非线性的。对于这些数据，深度学习能够很好地进行学习，并通过多个隐藏层结构自动提取内部的深层特征，最后借助所提取的特征进行健
4、尽管深度学习在制造资源装备健康状态预测领域展现出非凡的潜力，但预测性能依然受到制造、装配以及材料结构特性的限制，在进行传感器安装时，只能在有限的位置安装实体传感器。通常传感器被放置在b、c、d点，而a处的关键位置未放置合适的传感器，因此对于整个制造资源装备来说，在进行数据采集时难以获取全面的数据。由于不同的传感器(如温度传感器、压力传感器等)被安装在多个零部件上，它们采集到的数据也并不全是对健康状态具有显著影响的关键数据，因而导致进行数据分析时效率降低，或是将重要资源浪费在无关紧要的数据上，最终导致制造资源装备的健康状态预测误差和时间消耗增加。且在进行工程作业的过程中，受到外界环境和人为操作的影响，制造资源装备的运行状态并非一成不变，因此各传感器采集的数据也会不断波动，若只关注短期时间效应，则可能会放大短期噪声，影响其对健康状态这种具有长期趋势性质的参数预测精度。
技术实现思路
1、本专利技术是为了解决现有制造资源装备退化状态的预测过程采集的传感器信号不完整、难以确定传感器信号的重要性和原始信号的关键时间点被忽视，导致预测结果准确率低的问题，提出了一种基于双重注意力时间卷积网络的制造资源装备健康状态预测方法。
2、本专利技术所述基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，包括：
3、基于时间卷积网络，结合通道注意力机制和时序注意力机制，建立基于双重注意力的时间卷积网络；
4、采用样本数据对基于双重注意力的时间卷积网络进行训练，训练过程如下：
5、所述基于双重注意力的时间卷积网络包括l个隐藏层，所述l个隐藏层残差连接；
6、每个隐藏层采用膨胀因果卷积网络对输入的信号进行时序依赖特征提取；
7、提取的时序依赖特征经通道注意力机制进行压缩-激励处理，获得输出信号各通道的权重；
8、所述输出信号各通道的权重与时序依赖特征加权求和，获取和信号，采用时序注意力机制对和信号进行相似特征的关键时间点注意加强，获得时间点强化信号；
9、每个时间点强化信号和当前隐藏层的输入数据相加后，获取当前隐藏层的输出信号；
10、第l个隐藏层的输出信号为基于双重注意力时间卷积网络预测结果；
11、将所述预测结果与样本对应的真实结果进行比较，计算损失函数，进行反向传播，完成基于双重注意力的时间卷积网络的训练；
12、利用待进行健康状态预测的制造资源装备传感器信号，作为训练完成的基于双重注意力的时间卷积网络的输入，获取制造资源装备的健康状态预测信息。
13、进一步地，本专利技术中，所述l个隐藏层残差连接的公式为：
14、
15、式中，xin与yout分别表示输入和输出向量，wi表示每个残差块中作用于xin的向量，wd表示对xin进行升维或降维的矩阵；当输入维度不等于输出维度din≠dout时，为了合并残差块的支线和主线向量，对输入向量进行升维或降维操作；当din＝dout时，wd＝1。
16、进一步地，本专利技术中，提取的时序依赖特征经通道注意力机制进行压缩-激励处理，获得输入信号各通道权重的方法为：
17、首先对输入信号的每个通道分别进行全局平均池化和最大池化操作，每个通道获取两个通道描述符，将两个通道描述符相加融合为一个描述符，再对融合后的描述符进行非线性变换，对融合后的通道描述符归一化后获得输入信号每个通道的权重。
18、进一步地，本专利技术中，最终的通道描述符为：
19、
20、式中，yc表示第c个通道的描述符，xi,j,c表示输入数据的第c个通道中，第i行第j列的元素；xc表示输入数据第c个通道的全部元素；h和w输入数据为第c个通道的行数和列数；c0表示通道总数。
21、进一步地，本专利技术中，对融合后的描述符进行非线性变换所采用的relu激活函数实现，relu激活函数具体为：
22、
23、进一步地，本专利技术中，描述符归一化采用sigmoid函数实现，sigmoid函数具体为：
24、
25、式中，x表示函数的输入。
26、进一步地，本专利技术中，时间点强化信号为：
27、
28、其中，q，k，v分别表示查询向量，键向量和值向量；
29、q＝xpwq
30、k＝xpwk
31、v＝xpwv
32、其中xp是带有位置编码的输入数据经过空间映射后得到的新的空间向量，wq,wk,wv分别表示用于将xp映射为查询向量，键向量和值向量的权重矩阵，kt是k的转置矩阵，dk表示k的维度，softmax为激活函数。
33、进一步地，本专利技术中，激活函数softmax为：
34、
35、其中zi是向量z中的第i个元素，n表示向量z中的元素总数。
36、进一步地，本专利技术中，隐藏层1的输出信号为：
37、xkey1＝relu(xreal+xconn)
38、其中，xkey1为隐藏层1的输出信号，xreal表示传感器采集的数据，xconn表示输出信号各通道的权重与时序依赖特征加权求和后进行关键时间点注意加强得到的时间本文档来自技高网...
【技术保护点】
1.基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，包括：
2.根据权利要求1所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，所述L个隐藏层残差连接的公式为：
3.根据权利要求2所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，提取的时序依赖特征经通道注意力机制进行压缩-激励处理，获得输入信号各通道权重的方法为：
4.根据权利要求3所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，最终的通道描述符为：
5.根据权利要求4所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，对融合后的描述符进行非线性变换所采用的ReLU激活函数实现，ReLU激活函数具体为：
6.根据权利要求5所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，描述符归一化采用Sigmoid函数实现，Sigmoid函数具体为：
7.根据权利要求5所述的基于双重注意力时间卷积网络的制造资源装备健康状态
8.根据权利要求5所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，激活函数Softmax为：
9.根据权利要求6所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，隐藏层1的输出信号为：
...【技术特征摘要】
1.基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，包括：
2.根据权利要求1所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，所述l个隐藏层残差连接的公式为：
3.根据权利要求2所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，提取的时序依赖特征经通道注意力机制进行压缩-激励处理，获得输入信号各通道权重的方法为：
4.根据权利要求3所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，最终的通道描述符为：
5.根据权利要求4所述的基于双重注意力时间卷积网络的制造资源装备健康状态预测方法，其特征在于，...
【专利技术属性】
技术研发人员：林琳，吴金蕾，刘丹，付松，郭丰，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。