申请/专利权人：大连理工大学

申请日：2024-01-17

公开（公告）日：2024-04-12

公开（公告）号：CN117874466A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/15;G06F18/214;G06F18/213;G06F18/25;G06N3/045;G06N3/0464;G06Q10/04;G06Q50/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及一种基于注意力机制的端对端轴承寿命预报方法，属于时间序列预测领域，包括以下步骤：进行原始数据采集；进行数据预处理；通过位置编码等对原始输入数据进行进一步处理；构建MC模块；构建MA模块；构建FF模块；进行寿命预报。本发明针对传统方法使用单一模型的局限性，进行自注意力机制和卷积神经网络融合以提升预测性能。二是从原始数据开始进行训练与预测，采用了端对端方式从振动信号中提供精确的RUL估计。三是将专门设计的卷积模块集成到Transformer中，对轴承的信号特征进行全局和局部建模，使预测结果更精确。

主权项：1.一种基于注意力机制的端对端轴承寿命预报方法，其特征在于，包括以下步骤：步骤1、通过加速退化实验利用传感器对运行至故障的加速度数据进行采样，并标记数据的RUL值以构建失效数据集D，振动幅度超过某个特定值被视为失效，选择均方根误差，平均绝对误差和得分函数为评估指标，如下公式123： 其中， 式中，n为样本数量，RULi为实际的RUL，为估计的RUL，Ai为和Eri相关的评分函数，Eri为预测的百分比误差；RUL的单位为小时h；步骤2、进行数据预处理，直接接收轴承的原始振动信号建立与RUL标签的关系，将采集的失效信号D切割成长度为dm的片段tokens，采用时间滑动窗口策略将信号片段连接起来，形成输入架构的“tokens”序列；步骤3、构建轴承寿命预报模型，包含一个多尺度卷积模块MC、一个多头注意力块MA和一个前馈模块FF，轴承寿命预报模型的输入为输出为MC特征X′＝MCX，MA特征X″＝MAX′和寿命预报预测值其中，dm是MC维度，l是序列长度；步骤4、训练端对端轴承寿命预报模型，选择Bearing1–Bearing7进行测试。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于注意力机制的端对端轴承寿命预报方法

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