[发明专利]一种基于双深度学习模型的设备故障模式预测方法

权利要求书

1.一种基于双深度学习模型的设备故障模式预测方法，其特征在于包括如下步骤：

步骤1：对机械设备的振动传感器信号采用三层小波包分解来提取时频特征，获得每个频带信号的能量特征值作为状态监测指标，形成具有多维特征的时间序列；

步骤2：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第一特征向量h，采用第一特征向量h对随机森林回归算法进行训练和学习，构建回归模型；

步骤3：将时间序列输入经过堆叠的LSTM网络和注意力机制层，提取时间序列中序列数据的第二特征向量h′，采用第二特征向量h′对极限树分类算法进行训练和学习，构建分类模型；

步骤4：将样本数据进行预处理，输入回归模型，获得设备在未来时间的状态指标数据，再输入分类模型，得到设备未来潜在发生的故障模式。

2.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法，其特征在于：所述时频特征为每个频带信号的小波包节点能量特征值。

3.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法，其特征在于，所述步骤2包括：

步骤2-1：将由步骤1获得的时间序列输入LSTM网络，获得时间序列的深层特征H＝(h₁，...，h_N)，h_N∈R^d；其中，d为LSTM网络的输出维度，N为时间步；

步骤2-2：在LSTM网络之上堆叠注意力机制层，并将LSTM网络获得的深层特征H作为注意力机制层的输入，获得第一特征向量h；

步骤2-3：通过第一特征向量h训练随机森林回归算法得到回归模型。

4.根据权利要求3所述的基于双深度学习模型的设备故障模式预测方法，其特征在于，获得注意力机制层输出的工作过程为：

将注意力机制层的输入乘以权重矩阵，并使用tanh函数创建得分矩阵：M＝tanh(W_hH+b_h)，获得注意力值：其中，W_h、为投影参数，b_h为偏置值；

将LSTM网络学习到的深层特征的加权表示为：r＝Hα^T，得到注意力机制层的第一特征向量：h＝relu(W₁r+W₂h_N)，h_N∈R^d，其中，d为注意力机制层的隐藏单元数量，W₁、W₂为投影参数，h_N为LSTM网络的隐藏层向量。

5.根据权利要求3所述的基于双深度学习模型的设备故障模式预测方法，其特征在于，

所述步骤4中回归模型与分类模型为前后两步预测故障模式，具体步骤如下：

将需要预测的样本数据经过预处理输入到步骤2中的回归模型，以获得的未来状态指标趋势并输入到步骤3中的分类模型，得到故障类别和故障程度。

6.根据权利要求1所述的基于双深度学习模型的设备故障模式预测方法，其特征在于，所述预处理包括：

对机械设备的振动传感器信号采用三层小波包分解来提取时频特征，获得每个频带信号的能量特征值作为状态监测指标，形成具有多维特征的时间序列。