System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及轴承寿命预测方法,特别涉及一种基于多头注意力和多尺度时间卷积网络轴承寿命预测方法。
技术介绍
1、预测与健康管理(prognostics and health management,phm)是一种结合数据分析、预测建模和健康管理技术的方法,旨在通过监测、诊断和预测设备或系统的状态,以提前发现潜在问题并进行有效管理。其中,剩余使用寿命(remaining useful life,rul)预测是预测与健康管理研究的核心目标之一,旨在估计设备在发生故障前的剩余运行时间。
2、滚动轴承普遍应用于旋转机械中,其剩余使用寿命预测对保障系统安全运行和降低维修成本方面发挥着越来越重要的作用。精确预测轴承的剩余寿命不仅可以大幅降低设备维护成本,还能有效预防由突发故障引发的严重后果。由于轴承在运行过程中会产生大量复杂且高度非线性的振动信号,如何从中提取有效特征并进行精准预测,成为当前研究中的一个重要挑战。
3、剩余使用寿命预测在预测与健康管理领域扮演着重要角色,涉及复杂的多变量时间序列回归问题。在剩余使用寿命预测中,一个关键问题是如何重视那些包含更多退化信息的重要特征。注意力机制是一种有效的学习特征重要性的方法。已有研发人员提出具有分布式注意力的时间卷积网络,具有对序列数据表示进行加权的注意力机制,通过实验验证,该方法具有较高的精度。也有研发人员设计了一种带有注意机制的改进时间卷积神经网络来解决剩余使用寿命预测问题,引入了注意力机制来帮助动态阈值的计算,以达到从不同程度的噪声中提取特征的目的。然而,这些方法存在
4、因此,如何提供一种基于多头注意力和多尺度时间卷积网络轴承寿命预测方法,提高轴承寿命剩余使用寿命预测精准度是本领域技术人员亟需解决的问题。
技术实现思路
1、本专利技术提供一种基于ma和mstcn的轴承剩余寿命预测方法,解决现有轴承剩余使用寿命预测方法不准确的技术问题。
2、本专利技术解决上述技术问题的技术方案如下,一种基于ma和mstcn的轴承剩余寿命预测方法,包括:
3、多头注意力机制动态分配权重,捕捉到数据中不同位置的重要信息;
4、多尺度时间卷积网络利用不同尺度的卷积核,提取出更多样化的时间特征;
5、具体步骤如下:
6、s1、输入数据,即水平和垂直方向的振动信号;
7、s2、对输入数据进行一维扩展因果卷积操作;
8、s3、对卷积后的数据进行一维最大池化操作,降低数据维度并保留重要特征;
9、s4、对池化后的数据进行正则化操作,减少过拟合;
10、s5、对正则化后的数据进行多头注意力操作,捕捉关键特征,以提高多尺度时间卷积网络的提取效率;
11、s6、使用三个平行的时间卷积网络对多头注意力处理后的数据进行特征提取,每个时间卷积网络使用不同卷积核,以提取不同尺度的特征,每个时间卷积网络都采用充分预激活连接,分别输出每个时间卷积网提取的特征;
12、s7、对提取的特征进行一维全局最大池化操作,降低模型训练的时间成本;
13、s8、对池化后的数据进行全连接操作;
14、s9、输出轴承的预测剩余使用寿命。
15、采用上述技术方案的有益效果是:先利用多头注意力机制捕捉重要关键特征,然后在使用多尺度时间卷积网络从多头注意力机制重构的数据中提取多尺度特征,从而在rul任务中实现更精确的预测。
16、多头注意力机制介绍:
17、注意力机制是神经网络架构中的重要组成部分,它为输入信息赋予不同的权重,以便进行特征提取和关注重要信息的过程。这有助于模型集中处理关键信息,减少对非关键部分的过度关注。基于注意力机制,多头自注意力被设计用来捕获不同子空间的信息,进一步增强了模型对复杂关联性的建模能力。多头自注意力(multi-head attention,ma)机制是一种用于处理序列数据的关键技术,它通过将输入序列中的每个元素作为查询、键和值来计算注意力权重,从而使模型能够捕捉输入序列内部各个元素之间的复杂依赖关系。这种机制利用多个注意力头并行计算多种不同的关注焦点,从而提高了模型对输入信息的建模能力和表达能力。
18、一些工作者利用ma机制已经rul预测方面做出了许多研究,shen等人提出基于多头注意力双向长短期记忆的网络注意力机制,通过自适应地削弱冗余信息的影响,提高轴承rul预测的精确度。qin等人提出使用监督多头自注意的自动编码器提取健康指标,以保证rul预测的准确性和可靠性。guo等人提出具有残差多头注意机制的时间卷积,以提高rul的预测性能。
19、时间卷积网络介绍:
20、单尺度的时间卷积网络(temporal convolutional network,tcn)是卷积神经网络(convolutional neural network,cnn)的一种变体,旨在克服与处理时间序列数据相关的限制,为传统的cnn和循环神经网络(recurrent neural network,rnn)提供了一种很有前途的替代方案。tcn的概念最早由bai等人引入,结合扩张因果卷积和残差连接,以有效提取相关的时间特征。传统的卷积神经网络通常采用常规的卷积运算,其中膨胀因子是固定的。这意味着在卷积过程中,卷积核和特征图中的映射元素之间没有间隔。因果卷积是常规卷积的一种变体,因果卷积的问题是,当处理长序列数据时,需要大的滤波器或深层来获得足够的感受野。为了克服这一限制,在因果卷积的基础上引入了扩张卷积的特性,形成了扩张因果卷积,从而实现更大的感受野。扩展因果卷积可以在不增加参数数量的情况下增加卷积核的感受野大小,从而提高网络感知信息的能力。为缓解深层网络训练中的梯度消失和爆炸问题,使得网络可以更深、更稳定地训练。tcn采用残差学习,通过引入残差块和跳跃连接,残差连接简化梯度传播,允许构建深层网络,有效捕捉长期依赖关系,提高稳定性和性能。针对滚动轴承寿命预测不准确的问题,齐宸漫等人提出基于宽度时间卷积网络的、资源消耗更少的轴承rul预测方法。姜广君等人提出基于时间卷积网络的轴承rul预测模型,以缓解深度神经网络不能很好地满足中长期预测任务的问题。为了解决lstm在处理长历史序列时效率较低的问题,chen等人提出基于时间卷积网络的寿命预测。
21、多尺度时间卷积网络介绍:
22、多尺度时间卷积网络(multi-scale temporal convolutional network,mstcn)是一种基于tcn的变体结构,它引入了多尺度卷积运算来捕捉不同时间尺度序列中的特征。mstcn由三个平行的t本文档来自技高网...
【技术保护点】
1.一种基于MA和MSTCN的轴承剩余寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于MA和MSTCN的轴承剩余寿命预测方法,其特征在于,还包括S10,S10、验证预测结果准确性,采用预测数值的平均绝对误差、均方根误差和设计的得分函数在预测与健康管理2012数据集上进行对比和消融实验。
【技术特征摘要】
1.一种基于ma和mstcn的轴承剩余寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于ma和mstcn的轴承剩余寿命预测方法,其...
【专利技术属性】
技术研发人员:刘业峰,王帅,程亮,刘晶晶,孙瀚林,文学志,张泽雨,张凌野,
申请(专利权)人:沈阳工学院,
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。