申请/专利权人：扬州大学

申请日：2023-06-19

公开（公告）日：2024-04-19

公开（公告）号：CN116680554B

主分类号：G06F18/213

分类号：G06F18/213;G06N5/01;G06N3/084;G06N3/0985;G01M13/028

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2023.09.19#实质审查的生效;2023.09.01#公开

摘要：本发明公开了一种基于概率化元学习模型的旋转机械寿命预测方法，获取振动信号进行预处理；然后进行衰退特征提取，形成衰退特征矩阵，经无监督多源域自适应处理得到寿命指标；对寿命指标进行训练数据、测试数据的划分；对编码‑解码预测模型进行概率化重建；将概率化编码‑解码预测模型嵌入元学习场景训练中，最终得到任务间元参数，生成通用概率化元学习预测模型；进行模型微调实现跨工况预测，通过模型进行旋转机械寿命预测。对旋转机械寿命预测进行区间估计，贝叶斯近似的模型能够层层反演预测中不确定度的来源，贯通“模型参数不确定度‑预测结果的统计分布‑区间预测结果”链路，提升预测算法的可信度、可解释性。

主权项：1.一种基于概率化元学习模型的旋转机械寿命预测方法，其特征在于，包括以下步骤：1获取不同工况的旋转机械的振动信号，并进行预处理；2对预处理后的振动信号进行衰退特征提取，形成S+1个领域的衰退特征矩阵，其中，S+1为不同工况的个数，S+1个领域的衰退特征矩阵经无监督多源域自适应处理得到寿命指标；3对不同工况的寿命指标分别进行训练数据、测试数据的划分，所述训练数据包括S个源域数据，测试数据包括一个目标域数据，其中，源域数据和目标域数据分别为无交叉的不同工况的寿命指标，并将训练数据、测试数据分别划分为若干子集，采用滑动窗方式对每个子集的训练数据和测试数据构建输入-输出样本对，每个子集划分为支撑集、查询集；4对编码-解码预测模型进行概率化重建，利用变分推理结合贝叶斯的反向传播方法学习编码-解码预测模型的参数的后验分布,构建概率化编码-解码预测模型；5将概率化编码-解码预测模型嵌入元学习场景训练中，将训练数据中每一子集的支撑集输入概率化编码-解码预测模型并参与内循环训练，对各子集内循环训练下的模型参数进行二次梯度下降更新，其中二次梯度下降更新通过测试数据的支撑集完成跨子任务间的外循环训练，最终得到任务间元参数，生成通用概率化元学习预测模型；6对所述的通用概率化元学习预测模型进行模型微调实现跨工况预测，具体通过学习训练数据的查询集与通用概率化元学习预测模型梯度反向传播更新机制生成贝叶斯近似的概率化元学习预测模型；7通过概率化元学习预测模型进行旋转机械寿命预测得到预测值的概率分布。

全文数据：

权利要求：

百度查询： 扬州大学 一种基于概率化元学习模型的旋转机械寿命预测方法

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