[发明专利]基于自注意力网络的产品关键零件寿命端到端预测方法

权利要求书

1.一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于，包括以下步骤：

S1.在机械产品关键零件上安装加速度传感器，在零件运行过程中通过加速度传感器记录零件的振动信号数据，并记录零件运行的时间，直至零件损坏；

S2.对振动信号数据进行数据预处理，得到训练数据样本，同时对零件运行的时间进行处理，得到训练数据样本对应的剩余使用寿命标签；

S3.构建自注意力神经网络作为机械产品关键零件剩余使用寿命的预测模型；

S4.将S2中得到的训练数据样本和对应的剩余使用寿命标签输入预测模型中训练预测模型，获得训练好的预测模型；

S5.在同种零件工作的过程中使用与S1和S2中相同的方法采集振动信号数据并进行数据预处理，得到测试数据，将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命；

所述S3中自注意力神经网络包括四个池化层、特征自注意力机制层、位置编码层、数据融合层、两个多头自注意力机制层、数据展平层、两个全连接网络层和输出层；

自注意力神经网络的输入作为四个并行的池化层的输入，四个并行的池化层的输出沿特征维度进行连接后输入到特征自注意力机制层中，训练数据样本同时经过四个并行的池化层处理后，其特征维度的尺度变为8；所述特征自注意力机制层沿着振动信号数据的特征维度进行操作，给不同维度的特征分配不同的权重；特征自注意力机制层依次经位置编码层、数据融合层、两个多头自注意力机制层、数据展平层和两个全连接网络层后与输出层相连；特征自注意力机制层的输出输入到数据融合层中，特征自注意力机制层的输出还输入到数据展平层中；

位置编码层通过位置编码函数给不同的数据点进行位置编码得到位置编码矩阵；将位置编码矩阵与特征自注意力层的输出相加后得到编码数据作为位置编码层的输出，从而让模型学习到不同数据点之间的位置关系；

所述两个多头自注意力机制层之间通过串行的方式处理数据，即前一个多头自注意力机制层的输出作为下一个多头自注意力机制层的输入；多头自注意力机制层沿着振动信号数据的时间维度进行操作；

在每个多头自注意力机制层中，m个自注意力机制分别并行地处理输入数据，然后将m个自注意力机制的输出矩阵进行相加得到该层的输出矩阵；

数据融合层将特征自注意力机制层的输出与位置编码层的输出相加后得到融合数据，数据展平层是将二维矩阵数据进行一维化处理，方便全连接网络进行处理。

2.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于：所述S1中零件的振动信号数据包括水平与竖直两个方向的振动信号。

3.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于，所述S2中对振动信号数据进行数据预处理，得到训练数据样本，具体为：采用最大-最小归一化方法沿时间轴对振动信号数据进行归一化处理，将振动信号数据转化为0到1区间内的数据后作为训练数据样本。

4.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于：所述特征自注意力机制层的自注意力机制采用常用的加性注意力。

5.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于：所述多头自注意力机制层采用点乘注意力。

6.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方法，其特征在于：所述位置编码层选用正弦函数和余弦函数作为位置编码函数。