(19)中华 人民共和国 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 202110449650.4 (22)申请日 2021.04.25 (65)同一申请的已公布的文献号 申请公布号 CN 113051689 A (43)申请公布日 2021.06.29 (73)专利权人 石家庄铁道大 学 地址 050043 河北省石家庄市北二环东路 17号 (72)发明人 赵志宏　李晴　李乐豪　杨绍普　 李鹤飞　顾晓辉　刘泽潮　刘永强　 陈恩利　 (74)专利代理 机构 河北冀华知识产权代理有限 公司 13151 代理人 王占华(51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) (56)对比文件 CN 111595583 A,2020.08.28 审查员 孙洁 (54)发明名称 基于卷积门控循环网络的轴承剩余使用寿 命预测方法 (57)摘要 本发明公开了一种基于卷积门控循环网络 的轴承剩余使用寿命预测方法， 涉及轴承检测方 法技术领域。 所述方法包括如下步骤： 采集轴承 全生命周期的振动加速度信号； 对轴承全生命周 期的振动加速度数据进行整合和数据预处理， 对 于处理后的全寿命轴承数据进行划分得到对应 的训练集和测试集； 设计用于轴承剩余使用寿命 预测的卷积门控循环单元神经网络和注意力机 制融合的网络结构； 将训练集送入 卷积门控循环 单元神经网络和注意力机制融合的网络结构中 进行自动特征提取， 将提取得到的特征送至全 连 接层得到剩余使用寿命预测结果。 通过所述方法 预测的轴承剩余使用寿命更准确， 可以防止重大 事故发生， 为预测性维修 提供参考意见。 权利要求书3页 说明书7页 附图2页 CN 113051689 B 2022.03.25 CN 113051689 B 1.一种基于卷积门控循环网络的轴 承剩余使用寿命预测方法， 其特征在于包括如下步 骤： 采集轴承 全生命周期的振动加速度信号； 对轴承全生命周期的振动加速度数据进行整合和数据预处理， 对于处理后的全寿命轴 承数据进行划分得到对应的训练集和 测试集， 并对训练集进行 标签化处 理； 设计卷积门控循环单元神经网络和注意力 机制融合的网络结构， 所述网络结构包括卷 积门控循环单 元神经网络和注意力机制， 用于预测轴承剩余使用寿命； 将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动 特征提取， 将提取 得到的特 征送至全连接层得到剩余使用寿命预测结果； 得到的剩余使用寿命预测结果为轴 承当前剩余使用寿命与全寿命结果的比值， 该比值 越接近1表示轴承剩余使用寿命 越长， 越接 近0表示轴承剩余使用寿命 越短； 所述卷积门控循环单 元神经网络和注意力机制融合的网络结构的处 理方法如下： 对于输入的原始数据序列首先经过数据 转换， 得到n个特征向量{x1， x2， x3， …， xn}， 将 其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列， 通过2 层卷积门 控循环单元隐 藏层特征矩阵 h1， 将得到的隐 藏层特征矩阵 h1经过 BatchNormalization层 进行正则化， 将经过正则化后的特征矩阵输入到注 意力机制中为隐 藏特征矩阵h2加权， 在注意力机制中， 首先通过输入矩阵的点积运算得到对应的权重， 将得 到的权重经过softmax函数对生成的权重归一化， 最后将得到的权重和对应的值加 权求和 生成新的特征矩阵序列， 经平铺层和全连接层以多对一的形式输出预测结果， 即为当前剩 余使用寿命与全寿命结果的比值yt。 2.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法， 其特征 在于， 所述采集轴承 全生命周期的振动加速度信号的方法为： 采用无故障、 正确装配的轴承， 使其开始运行， 直至轴承发生故障时停止运行， 采集其 运行时间内的振动加速度信号作为全寿命 振动加速度信号数据。 3.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法， 其特征 在于， 所述对轴承 全生命周期的振动加速度数据进行整合和数据预处 理包括如下步骤： 采用最小最大标准化， 将数据集中的最小值和最大值转化至[0,1]之间， 具体公式如式 (1)所示， 式中Xt为数据集t时刻的输入， Xmin为数据集的最小值， Xmax为数据集的最大值， 为t时刻通过 数据标准 化后的值； 对于轴承剩余使用寿命标签进行归一化， 其定义为： 假设第 i行数据的剩余使用寿命标 签为yi， 表示当前时刻的剩余使用寿命与使用寿命的比值， 具体公式如式(2)所示， 式中m表 示行数， 即轴承的实际寿命： 4.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法， 其特征权　利　要　求　书 1/3 页 2 CN 113051689 B 2在于， 设计出的卷积门控循环单元神经网络和注 意力机制融合的网络结构的输入尺寸为经 过数据预处 理后的数据尺寸大小。 5.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法， 其特征 在于， 所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循 环单元、 BatchNormalization层、 注意力机制、 平铺 层和全连接层。 6.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法， 其特征 在于， 所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为 ReLU： ReLU： R(x)＝max(0,x)                                     (3) 所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为 MSE： 其中： n为样本数量， yi为真实值， 为预测值。 7.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法， 其特征 在于， 所述卷积门控循环单 元神经网络和注意力机制融合的网络结构的构建方法如下： 将激活函数σ 内的全连接运算改为卷积运算； 其 中σ 为sigmoid函数， *为卷积操作， ⊙为 元素相乘记号； Rt为重置门控制上一时刻隐藏状态的保留程度， Zt为更新门控制上一时刻隐 藏状态和当前时刻候选隐藏状态 的信息分配， 具体公式如式(5)： 采用的是注意力机制中的Scaled  Dot‑Product Attention方法， 其计算分为3个步骤： 第1步： 将query和每 个key进行点积计算得到 权重； 第2步： 使用softmax函数对权 重归一化处理； 第3步： 将权 重和对应的value加权求和获得A ttention； Attention具体计算公式如式(6)： 其中， queries， keys， values的矩阵表示为Q,K,V， Q＝K＝V＝L,L为注意力层的输入， dk 为queries,keys,values的向量维度。 8.如权利要求1所述的轴 承剩余使用寿命预测方法， 其特征在于， 利用一 次线性回归预 测得到t时刻对应的剩余使用寿命RULt； 1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程： t＝a·yt+b                                                     (7) 2)计算轴承的全寿命周期， 当yt＝0时， 表示此时轴承剩余使用寿命为0， 其全寿命周期权　利　要　求　书 2/3 页 3 CN 113051689 B 3