申请/专利权人：重庆大学

申请日：2020-06-28

公开（公告）日：2024-04-16

公开（公告）号：CN111723527B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/17;G01M13/028;G01M13/021;G06N3/0442;G06N3/08;G06F119/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2020.10.27#实质审查的生效;2020.09.29#公开

摘要：本发明涉及一种基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，属于自动化技术领域。该方法包括以下步骤：S1：基于变分自编码的齿轮健康指标构建；S2：定义鸡尾酒长短期记忆网络C‑LSTM；S3：基于VAE构建的健康指标与C‑LSTM的齿轮剩余寿命预测。本发明首先基于变分自编码器VAE构成能准确放映齿轮健康状态退化趋势的健康指标，再根据提出的鸡尾酒长短期神经网络进行对未知的健康指标进行逐步预测，到达所设阈值时即可得到所预测RUL。

主权项：1.基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，其特征在于：该方法包括以下步骤：S1：基于变分自编码的齿轮健康指标构建；S2：定义鸡尾酒长短期记忆网络C-LSTM；S3：基于VAE构建的健康指标与C-LSTM的齿轮剩余寿命预测；所述S1具体为：S11：分析变分自编码器的原理变分自编码模型是变分贝叶斯推理该框架由模拟后验分布的编码层和模拟前验分布的解码层组成；对于正常随机生成的数据集包含一个不可观测的连续随机变量向量Z；编码器通过对数据进行学习得到每一组数据xi专属的后验分布qzi|xi；变分自动编码器的目标函数写为： 其中，DKLq||p代表Kullback-Leibler散度，是一个概率分布与另一个概率分布不同的度量，λ为重构误差的权重，自编码的重构误差；qzi|xi服从正态分布qzi|xi＝Nzi；μi,σi2，pzi被设置为中心各向同性的多元高斯分布Nzi；0,1；重构误差采用均方误差；对上式的目标函数重写为： 其中J为xi的维数，被定义为xi中的第j个元素；S12：健康指标的构建1从齿轮的振动信号中提取时域和频域特征；然后，将这些提取的特征输入到VAE中进行进一步的信息融合与降维；首先对以上提取出的特征，通过去除平均值并缩放到单位方差，对从每个特征进行标准化： 式中，xi,j表示第j个特征的第i个的数据点，表示xi,j的标准化值；μj和σj分别表示第j个特征的平均值和标准差；2其次为确保单个节点的效果既不发散也不收敛，令VAE初始权重遵循均匀分布3最后定义所用于构建健康值标的变分自编码的网络结构为21-10-1-10-21；其中自编码器输入层为21，对应提取的特征维数；隐含层为10；输出层为1，对应输出的健康指标维度；而解码器与之相反，基于BP法则，缩小编码器输入与解码器输出的重构误差，达到优化网络权重的目的，从而的到训练完备VAE；在所述C-LSTM中，根据信息的层级高低，将层级分割点位置分别定义为Ll、Llm、Lmh、Lh,其中Ll为短期信息分割点、Llm为短中期信息分割点、Lmh为中长期信息分割点、Lh为长期信息分割点；根据当前输入信息xt与递归信息ht-1，各层级信息分别计算如下：Lh＝F1xt,ht-1＝indexmaxsoftmaxWf1xt+Uf1ht-1+bf111Lmh＝F2xt,ht-1＝indexmaxsoftmaxWf2xt+Uf2ht-1+bf212Llm＝F3xt,ht-1＝indexmaxsoftmaxWi2xt+Ui2ht-1+bi213Ll＝F4xt,ht-1＝indexmaxsoftmaxWi1xt+Ui1ht-1+bi114其中W，U分别为输入信息与历史信息权重，b为阈值，softmax为softmax函数；为使参数可学习，软化各分割点求值过程，dL1＝softmaxWf1xt+Uf1ht-1+bf115dL2＝softmaxWf2xt+Uf2ht-1+bf216dL3＝softmaxWi2xt+Ui2ht-1+bi217dL4＝softmaxWi1xt+Ui1ht-1+bi118记忆单元ct基于这些层级分割点所形成的层级关系更新，Llm、Lmh之间的交互关系存在于Ll与Lh交互的前提下；基于Ll、Llm、Lmh和Lh之间的相互关系，存在3种更新方式：1当Ll≥Llm≥Lmh≥Lh时，在长期信息与短期信息存在重叠的基础下，短中期记忆与中长期记忆也存在重叠；低层级信息直接被当前输入替代，高层级信息得到长期保留，中间层信息，即包括中低、中和中高层信息，得到不同比例的混合，细胞记忆单元ct通过如下规则更新： 其中z1和z2为可学习的比例参数，分别代表中层级信息在中低层级和中高层级这两个混合层级中的比例，k定义为隐含层单元数，其他参数意义与LSTM一致；2当Ll≥Lmh≥Llm≥Lh时，在长期信息与短期信息存在重叠的基础下，短中期记忆与中长期记忆并未发生存在重叠；低层级信息直接被当前输入替代，高层级信息得到长期保留，中低、中高得到不同比例的混合，而中层信息因没有信息的交互而置零，细胞记忆单元ct通过如下规则更新： 3当Ll≤Lh时，当前输入层级低于历史数据层级，在长期信息与短期信息不存在重叠的基础；低层级信息直接被当前输入替代，高层级信息得到长期保留，而中层信息因没有信息的交互而置零，细胞记忆单元ct通过如下规则更新： 随着多层级信息的划分与相应更新规则的使用，一种LSTM神经网络的变体结构—C-LSTM的推导公式如下： 其中代表低层级，代表中低层级，代表中层级，代表中高层级，代表高层级，而分别代表主遗忘门、副遗忘门、主输入门和副输入门。

全文数据：

权利要求：

百度查询： 重庆大学 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法

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