(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110461409.3 (22)申请日 2021.04.27 (65)同一申请的已公布的文献号 申请公布号 CN 113255209 A (43)申请公布日 2021.08.13 (73)专利权人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 江国乾　周文达　谢平　李小俚　 赵小川　李英伟　李陈　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 张建 (51)Int.Cl. G06F 30/27(2020.01) G01M 13/045(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/04(2020.01) (56)对比文件 CN 111914883 A,2020.1 1.10CN 112036547 A,2020.12.04 CN 108591 104 A,2018.09.28 CN 110705181 A,2020.01.17 US 2019226944 A1,2019.07.25 CN 112347898 A,2021.02.09 CN 10974676 3 A,2019.0 5.14 CN 112655004 A,2021.04.13 US 2020104 437 A1,2020.04.02 程成.基于深度学习的设备剩余寿 命预测算 法研究及其应用. 《中国优秀硕士学位 论文全文 数据库》 .2021, 周月.基于改进SAE和Bi-LSTM的滚动轴承 RUL预测方法研究. 《中国优秀硕士学位 论文全文 数据库》 .2021, Yu Huang,et al.Remai ning Useful L ife Estimati on of Hydro kinetic Turbine Blades Using Power Signal. 《Researc hGate》 .2020, Yong Yu,et al.avera ged bi-lstm networks for RUL progn ostics w ith non- life-cycle labeled dataset. 《Neurocomuti ng》 .2020, 审查员 郝强 (54)发明名称 一种齿轮箱轴承剩余寿 命的预测方法 (57)摘要 本发明公开了一种齿轮箱轴承剩余寿命的 预测方法， 利用加速度传感器采集齿轮箱轴承的 多通道振动信号， 通过电流钳从发电机输出端获 取多通道定子电流信号， 得到原始的多通道振动 信号和多通道定子电流信号， 并进行数据预处 理； 设计卷积网络空间特征提取模块， 分别提取 振动信号和电流信号的空间特征， 并在通道维度 上进行拼接； 设计动态加权融合层， 融合振动信 号和电流信号的空间特征； 再通过双向长短时记 忆网络从融合后的时序特征向量序列中提取时 序特征， 最后通过回归层对轴承的剩余寿命进行 预测。 本发 明能够自适应学习并动态融合振动和电流之间时空关联特征信息， 提高了退化特征提 取能力和寿 命预测精度。 权利要求书2页 说明书4页 附图2页 CN 113255209 B 2022.06.07 CN 113255209 B 1.一种齿轮箱轴承剩余寿命的预测方法， 其特 征在于包括以下步骤： 步骤S1： 利用加速度传感器采集齿轮箱轴承的多通道振动信号， 通过电流钳从发电机 输出端获取多通道定 子电流信号， 并进行 数据预处 理； 步骤S2： 针对多通道振动信号和多通道定子电流信号分别设计深度 卷积网络空间特征 学习模块， 对每一个时间点进行多传感器特征 的融合提取， 得到多通道振动信号和多通道 定子电流信号的特 征时序序列， 并在通道维度上进行拼接； 步骤S3： 设计 基于注意力机制的加权融合层， 动态加权融合特 征； 步骤S4： 将融合后的特征序列输入到双向长短时记忆网络中， 进一步提取时间维度的 特征， 输出多视角时空融合特 征； 步骤S5： 构 建Dense回归层， 将多视角时空融合特征输入到Dense 回归层中， 输出得到齿 轮箱轴承的剩余寿命预测结果。 2.根据权利要求1所述的一种 齿轮箱轴 承剩余寿命的预测方法， 其特征在于： 所述步骤 S1包括如下 具体步骤： 步骤S11、 所得到的多通道振动信号和多通道定子电流信号的数据大小分别为H1×1× C1和H2×1×C2， 其中H1、 C1分别表示多通道振动信号的长度和通道数， H2、 C2分别表示多通道 定子电流信号的长度和通道数； 步骤S12、 对数据在时序上进行等距索引以减少数据量， 步长为M； 步骤S13、 进行滑窗处理以充分提取时序特征信息， 窗口大小为W， 进一步经过最大最小 值归一化处理后， 最终得到的数据大小为： H1/(M*W)×1×C1,H2/(M*W)×1×C2， 计算公式如下： 其中yij是标准化处理后的多 通道时间序列中通道j的第i个值， xij是原始多 通道时间序 列中通道j的第i个值， mi n(xj)和max(xj)分别是通道j的最小值和最大值。 3.根据权利要求1所述的一种 齿轮箱轴 承剩余寿命的预测方法， 其特征在于： 所述步骤 S2包括如下 具体步骤： 步骤S21、 针对多通道振动信号和多通道定子电流信号不同的特点分别设计深度卷积 网络空间特征学习模块， 卷积层采用ReLU作为激活函数， 并在模块内添加Dr opout层和批标 准化层以提高模型 的训练效果， 从而获得信号的空间特征图； 多通道振动信号的深度卷积 神经网络共有3个卷积层， 卷积层的卷积核大小为F1×1， 数量为N1； 多通道定子电流信号的 深度卷积神经网络共有3个卷积层， 卷积层的卷积核大小为 Fi×1， 数量为N2， 第l个卷积层的 第n个特征图可表示 为xl n； 步骤S22、 分别对处理后的多通道振动信号和多通道定子电流信号的每个时间点t0, t1,…tn分别进行空 间特征提 取， 最终得到多通道 振动信号和多通道定子电流信号的时序特 征序列； 步骤S23、 将所得到的多通道振动信号和多通道定子电流信号的时序特征序列在通道 维度上进行拼接， 以保持特 征序列的时序关系。 4.根据权利要求3所述的一种 齿轮箱轴 承剩余寿命的预测方法， 其特征在于： 所述步骤权　利　要　求　书 1/2 页 2 CN 113255209 B 2S3包括如下 具体步骤： 步骤S31、 将步骤S2中得到的时序特征序列进行全局平均池化处理， 聚合每个通道的全 局信息， 计算公式如下 zl代表更新后的特 征图， I为每个特征序列的长度； 步骤S32、 通过多层感知机和hard  sigmoid激活函数得到通道权重， 和输入相乘后得到 每个时间点的加权融合后的特 征序列。 5.根据权利要求1所述的一种 齿轮箱轴 承剩余寿命的预测方法， 其特征在于： 所述步骤 S4包括如下 具体步骤： 采用双向长短时记 忆网络来 提取时序特 征信息， 以达 到时空特 征融合的目的。权　利　要　求　书 2/2 页 3 CN 113255209 B 3