[发明专利]一种基于时间卷积网络的旋转机械剩余使用寿命预测方法

权利要求书

1.一种基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于，该方法包括以下步骤：

(1)采集单台或者多台旋转机械在运行阶段的全生命周期的振动信号数据，并从全生命周期的振动信号数据中沿特定的方向提取时域特征、频域特征与时频特征；

(2)采用综合评估指标Cri从所提取的特征中选择有效特征；其中，综合评估指标Cri为：Cri＝ω₁Corr+ω₂Mon-ω₃Dis，其中Dis、Corr和Mon分别为动态时间规整距离指标、相关系数指标与单调性指标，它们的权重系数分别为ω₃、ω₁与ω₂；

(3)应用t-SNE算法对选择的有效特征进行压缩，随后运用DBSCAN算法自适应划分旋转机械的退化阶段；

(4)建立基于TCN的预测模型并对该预测模型进行训练，采用训练好的预测模型对旋转机械剩余使用寿命进行预测。

2.如权利要求1所述的基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于：预测模型包括输入层、TCN层和回归层；输入层中，输入融合后的有效特征；TCN层中，在残差块结构中加入多个卷积单元，每个卷积单元的结构为膨胀因果卷积+权重归一化+ReLU激活函数+Dropout；回归层中，通过建立一个扁平化层与一个全连接层以融合TCN层所提取的所有局部特征，最后输出RUL预测值。

3.如权利要求1所述的基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于：从采集的全生命周期振动信号中沿水平方向和垂直方向提取时域、频域和时频特征，首先提取振动信号的时域统计特征；其次，采用快速傅里叶变换将离散的时域信号转换为频域信号，提取频域特征；最后，利用希尔伯特-黄变换自适应时频分析方法提取振动信号的时频特征。

4.如权利要求1所述的基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于：采用t-SNE算法对所选择的特征从高维空间压缩到低维空间，在高维空间和低维空间，分别应用高斯分布和t分布将状态点之间的距离转换为相应的联合概率分布，随后采用Kullback-Leibler散度衡量两个分布之间的差异，并运用梯度下降法对KL散度进行优化，最终实现映射后原高维空间中相距较远的特征状态点相距更远，相距较近的特征状态点相距更近。

5.如权利要求4所述的基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于：经过特征压缩后，处于相同和不同退化阶段的特征状态点之间的距离分别更近和更远，进一步明晰了不同退化阶段之间的边界，便于后续自适应划分退化阶段。

6.如权利要求1所述的基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于：DBSCAN算法能够实现根据旋转机械的实际健康状态自适应地识别退化模式，并基于退化模式自动将旋转机械的全生命周期划分为多个退化阶段。

7.如权利要求6所述的基于时间卷积网络的旋转机械剩余使用寿命预测方法，其特征在于：令全生命周期特征序列为X_i＝{x₁,x₂,…,x_T}，其中T为特征序列长度，引入簇标记数组m_i：

其中n为簇的数量，由此得簇标记数组X_i被划分为n个簇和噪声点集，即将全生命周期划分为n个退化阶段，并生成相应的退化阶段标签S_label；随后，将所选择的有效特征向量与S_label进行组合以构成特征标签对，输入到支持向量机分类模型进行训练，后续在训练完成的SVM分类模型中输入测试集的有效特征向量，从而获取测试集的退化阶段标签。