[发明专利]一种基于Attention-LSTM的滚动轴承性能衰退预测方法

权利要求书

1.一种基于Attention-LSTM的滚动轴承性能衰退预测方法，其特征在于：所述的方法包括如下步骤：

步骤一；基于阶跃稳态的性能衰退评估方法；

通过时域与频域分析生成多个备选指标，采用相关性、单调性和鲁棒性三个指标对信号的候选特征进行评价筛选，将特征值曲线通过固定窗均值化处理得到HI曲线和残差曲线，提出基于阶跃稳态的性能衰退评估方法，利用HI曲线和残差曲线，评估滚动轴承全生命周期各个阶段性能；

步骤二；基于Attention-LSTM的滚动轴承性能衰退预测；

针对滚动轴承全生命周期数据特点，研究振动信号数据的输入、输出形式与时序数据预测之间的关系，搭建基于LSTM网络的滚动轴承故障预测模型；研究注意力机制原理，结合滚动轴承性能衰退特点构建Attention层结构，加强预测模型对性能衰退特征的响应敏感度，提高模型预测精度；研究关键参数对模型预测精度的影响，选取激活函数、损失函数和优化器算法重要参数，不断提高模型预测精度；

步骤二的具体步骤如下：

步骤二一：将注意力机制应用于神经网络中，在LSTM网络输入层前增加Attention门限结构，利用该门限结构判断是否发生性能退化情况；

步骤二二：选取模型激活函数、损失函数和优化算法，使得神经网络可以更好的解决具有复杂数据特征的非线性问题以及最大程度的减少神经网络的损失；

步骤二三：利用步骤二二选择好的模型参数，使用训练集数据对模型进行训练，最后利用测试集样本对训练好的模型进行测试，得到预测结果。

2.根据权利要求1所述的基于Attention-LSTM的滚动轴承性能衰退预测方法，其特征在于：

步骤一的具体步骤如下：

步骤一一；特征指标的评价与选择：通过时域与频域分析生成多个备选指标，再分别利用信号的单调性、鲁棒性和相关性建立评价指标，通过线性加权方式确定该评价指标性能的好坏；

步骤一二；进行特征分离：利用固定窗均值化处理的方式将备选特征指标曲线进行特征分离，获得单调性HI曲线和对应的残差曲线；

步骤一三；性能衰退的评估：通过提出的阶跃稳态性能衰退评估的方法，再利用步骤一二得出的HI曲线和残差曲线，对滚动轴承全生命周期各衰退阶段划分，综合判断各阶段性能。

3.根据权利要求1所述的基于Attention-LSTM的滚动轴承性能衰退预测方法，其特征在于：

步骤二中在LSTM网络输入层前增加Attention门限结构，该门限结构通过判断x_t-1与x_t的差值是否大于阈值Δx_t′来判断t-1时刻到t时刻之间是否发生性能退化情况；Attention门限功能具体实现步骤如下：

(1)数据输入：输入该时刻性能状态值x_t；

(2)计算差值：计算该时刻性能状态值x_t与上一时刻性能状态值x_t-1之间的差值Δx_t＝x_t-x_t-1；

(3)判断是否为性能退化点：判断Δx_t与该时刻退化阈值Δx_t′之间的大小关系； 当Δx_t＞Δx_t′时，判定滚动轴承在t时刻发生性能退化； 当Δx_t＜Δx_t′时，判定滚动轴承在t时刻未发生性能退化；

(4)改变系数：当t时刻为性能退化点时，通过将t时刻性能特征值x_t乘以影响因子k(k＞1)来提高t时刻状态值对模型训练的影响，影响因子k初始值为1，后期通过模型训练调整k值大小； 当t时刻未发生性能退化时，x_t保持不变；

(5)将性能状态值x_t输入网络进行训练。