申请/专利权人：哈尔滨理工大学

申请日：2023-04-11

公开（公告）日：2024-03-01

公开（公告）号：CN116401950B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/213;G06F18/214;G06F17/16;G06N3/0464;G06N3/0442;G06N3/08;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.01#授权;2023.07.25#实质审查的生效;2023.07.07#公开

摘要：本发明公开了一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，所述方法针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T‑GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。

主权项：1.一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述方法包括如下步骤：步骤一、基于MDE的滚动轴承特征提取及性能评估步骤一一、特征指标提取：获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标；步骤一二、特征指标的评价与选择：将步骤一一获得的时域特征指标、频域特征指标和多尺度离散熵特征指标采用多个评估标准进行综合加权评价，得到综合评价结果最优的一类特征指标；步骤二、基于T-GCN的滚动轴承性能衰退预测搭建基于T-GCN的滚动轴承性能衰退预测模型，将步骤一得到的综合评价结果最优的一类特征指标输入基于T-GCN的滚动轴承性能衰退预测模型中，得到滚动轴承性能衰退趋势，具体步骤如下：步骤二一、构建路图：基于综合性能最好的一类特征指标构建特征矩阵X，并基于路图的拓扑结构构建邻接矩阵A，将该类特征指标分为训练数据集和测试数据集；步骤二二、搭建基于T-GCN的滚动轴承性能衰退预测模型：将基于MDE的历史n个时间序列作为输入，使用基于路图拓扑结构构建的图卷积神经网络邻接矩阵，输入到GCN模型以获取MDE特征指标的空间特征，然后将得到的空间特征输入GRU模型，获取长时间序列的时间特征，以此搭建基于2层GCN模型和GRU模型的基于T-GCN的滚动轴承性能衰退预测模型，将基于T-GCN的滚动轴承性能衰退预测模型的超参数进行初始化，并设置学习率、批次大小、迭代次数参数；步骤二三、网络参数训练：将训练集输入到基于T-GCN的滚动轴承性能衰退预测模型中以获得输出误差，并通过误差的反向传播来更新模型参数；步骤二四、滚动轴承性能衰退预测：重复步骤二三，满足终止条件后停止参数更新，将测试数据集输入到基于T-GCN的滚动轴承性能衰退预测模型中，完成滚动轴承性能衰退趋势的预测。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 基于时间图卷积神经网络的滚动轴承性能衰退预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD