部件寿命预测方法及装置与流程

本申请涉及机械检测领域，特别涉及一种部件寿命预测方法及装置。

背景技术：

机械设备在使用的过程中，会受到较多因素的影响，对其各个部件的使用寿命造成较为严重的影响。随着我国经济的发展，在进行机械设备制造生产的过程中，针对机械设备的使用寿命进行预测能够较好的去除设备存在的安全隐患，为企业节省成本的同时，也能够对工作人员的生命安全起到良好的保护作用。

现有的部件寿命预测方法基于数据驱动的原理，通常分为两个阶段。第一阶段构建一个新的健康表征指标，第二阶段构建一个新的寿命预测算法。随后通过新的寿命预测算法来预测待测部件的寿命。然而在面对复杂机械部件时、往往需要涉及大量数据以及大特征多维度的指标特征数据时，现有的部件寿命预测方法则往往无法预测或者预测的精度不高。

技术实现要素：

本申请提供一种部件寿命预测方法及装置，用于解决传统部件寿命预测方法对于大数据量的预测准确度不高的状况。

本申请的第一个方面是提供一种部件寿命预测方法，包括：

获取安装于待测部件的传感器采集到的加速度信号；

对所述加速度信号进行特征提取，获得特征指标；

将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。

可选的，所述对所述加速度信号进行特征提取，获得特征数据之前，还包括：

对所述加速度信号进行滤波处理。

可选的，所述对所述加速度信号进行特征提取，获得特征指标，包括：

运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；

运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；

运用小波包变换方法，从所述加速度信号提取出小波包特征指标；

对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。

可选的，所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；

其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；

增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；

集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。

可选的，所述多尺度时间重构层，具体用于根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；

其中，所述重构公式为：

d(a,n,:)＝x(tai:taj)；

其中tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，d(a,n,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。

本发明的第二个方面是提供一种部件寿命预测装置，包括：

获取模块，用于获取安装于待测部件的传感器采集到的加速度信号；

提取模块，用于对所述加速度信号进行特征提取，获得特征指标；

预测模块，用于将所述特征指标作为多时间尺度增强门控神经网络的输入，获得所述多时间尺度增强门控神经网络输出的预测结果，其中，所述多时间尺度增强门控神经网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。

可选的，所述装置还包括：

滤波模块，用于对所述加速度信号进行滤波处理。

可选的，所述提取模块包括：

时域提取单元，用于运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；

频域提取单元，用于运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；

小波包提取单元，用于运用小波包变换方法，从所述加速度信号提取出小波包特征指标；

运算处理单元，用于对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。

可选的，所述多时间尺度增强门控神经网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；

其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；

增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；

集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。

可选的，所述多尺度时间重构层，具体用于根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；

其中，所述重构公式为：

d(a,n,:)＝x(tai:taj)；

其中tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，d(a,m,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。

本申请提供的部件寿命预测方法及装置中，利用深度训练后的多时间尺度增强门控神经网络对部件寿命进行预测。和传统的数据驱动方法相比，基于多时间尺度增强门控神经网络的部件寿命预测方法大大提高了预测的准确性，同时在大数据量和大特征维度时，预测的准确性也能够得到保证，扩大了部件寿命预测的有效范围。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a为本申请实施例一的部件寿命预测方法的流程示意图；

图1b为本申请实施例一的部件寿命预测方法的流程示意图；

图1c为本申请实施例一的部件寿命预测方法的流程示意图；

图2a为本申请实施例五的部件寿命预测装置的结构示意图；

图2b为本申请实施例六的部件寿命预测装置的结构示意图；

图2c为本申请实施例七的部件寿命预测装置的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置的例子。本申请中的各实施方式既可以单独实施，也可以在不冲突的前提下结合实施。

图1a为本申请实施例一提供的一种部件寿命预测方法的流程示意图，参照图1a所示，本实施例提供一种部件寿命预测方法利用多时间尺度增强门控神经网络对部件寿命进行预测，提高了预测的准确度，具体的，本实施例以该部件寿命预测方法应用于部件寿命预测装置来举例说明，该方法包括：

101、获取安装于待测部件的传感器采集到的加速度信号；

102、对所述加速度信号进行特征提取，获得特征指标；

103、将所述特征指标作为多时间尺度增强门控神经网络(简称mteegru网络)的输入，获得所述mteegru网络输出的预测结果，其中，所述mteegru网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。

其中，mteegru网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。

进一步可选的，多尺度时间重构层进行特征重构的具体流程可以包括如下步骤：

根据重构公式，对提取的特征指标进行抽取，获得所述不同时间尺度的特征指标集；

其中，所述重构公式为：

d(a,n,:)＝x(tai:taj)；

其中，tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，d(a,n,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。

再可选的，增强门控神经网络层的处理流程可通过如下公式实现：

zt＝sigmoid(wxzxt+whzht-1+bz)

rt＝sigmoid(wxrxt+whrht-1+br)

其中，zt被称为更新门，决定神经网络应该更新哪些信息，rt被称为重置门，决定神经网络应该遗忘哪些信息。本方案对增强门控神经网络层的优化主要集中在dropout策略，relu驱动函数以及adam优化算法。其中，adam优化算法的基本公式如下，

α：步长的学习速率；

β1：一阶矩估计的指数衰减率；

β2:二阶距估计的指数衰减率，其值通常设置为1；

∈：为预测除数为0设置的偏值；

mt＝β1·mt-1+(1-β1)·gt

增强门控神经网络层由三个隐层构成，相应的参数如下表格所示。举例来说，训练过程中，batch-size设置为500，训练50代保存模型。

t.ablei

thestructureoftheenhancedgaterecurrentunitnetwork

layer

又可选的，集成学习层具体可以通过选择合适的集成方法，结合各增强门控神经网络结构的训练结果用来得到更好的预测结果，具体的，集成学习层可以利用如下公式实现上述操作：

其中，pi代表第i个增强神经门控网络结构的训练结果，weighti代表第i个增强神经门控网络结构的权值，f(x)代表mteegru网络最后的输出。

实际应用中，本实施例的执行主体可以为部件寿命预测装置，该部件寿命预测装置可以为驱动程序、程序代码软件，也可以为存储有相关执行代码的介质，例如，u盘等；或者，该部件寿命预测装置还可以为集成或安装有相关执行代码的实体装置，例如，芯片、微控制单元(microcontrollerunit，简称mcu)、电脑等。

以通过安装有相关计算机程序(例如，部件寿命预测软件)的电子设备举例来说，在对部件寿命预测之前，需要将传感器安装在待测部件上，通过线缆将安装在待测部件上的传感器连接到安装有部件寿命预测软件的电子设备上。后续，当进行部件寿命预测时，所述传感器根据不同的待测部件读取不同方向的加速度信号，通过线缆传输给所述寿命预测软件；寿命预测软件根据预设的处理方式，提取加速度信号的特征指标，并通过将特征指标输入给mteegru网络对mteegru网络进行训练和寿命预测，输出预测结果。

结合实际场景举例来说：该部件寿命预测装置适用于各种不同类型的部件。具体的，根据待测部件的不同获取对应的加速度信号。以预测轴承寿命举例来说，传感器安装于轴承上，分别采集轴承x轴方向加速度信号和y轴方向加速度信号，通过线缆传输给部件寿命预测软件。部件寿命预测软件根据预设的程序，对两组加速度信号提取特征指标，并将特征指标输入给训练后的mteegru网络。获取特征指标后，mteegru网络的多尺度时间重构层根据不同的时间维度(时间尺度)窗口重构特征指标，获得相关的特征指标集；随后增强门控神经网络层根据多时间尺度重构层输出的特征指标集不断训练mteegru网络，更新有效信息，遗忘无效信息，不断优化mteegru网络；随后集成学习层对增强门控神经网络层的预测结果进行集成处理。后续，完成mteegru网络训练后，部件寿命预测软件采集新的加速度信号，经由特征提取和mteegru网络处理，输出预测结果。

优选的，如图1b所示，在101之后还可以包括：

104、对所述加速度信号进行滤波处理。

实际应用中，工业部件采集来的信号数据往往带有信号噪声，部件寿命预测软件可以预设滤波程序，在获取的加速度信号后首先进行滤波处理，剔除无用信号，从而提高部件寿命预测的准确性，滤波方式可以是平滑滤波。

再优选的，如图1c所示，作为一种可实施方式，在其他任一实施方式的基础上，102具体可以包括：

1021、运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；

1022、运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；

1023、运用小波包变换方法，从所述加速度信号提取出小波包特征指标；

1024、对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。

其中，特征指标归一化处理的公式为：

其中，代表第i个时刻数据的第j个特征输入代表转换后得到的第i个时刻的第j个特征值。

实际应用中，信号处理方法、频域片段分割方法、小波包变换方法以及特征嵌入归一方法均可以程序的形式内设在部件寿命预测软件中，当有加速度信号输入，相关程序按照顺序依次运行，提取各个特征指标，并输出嵌入归一后的特征指标。

结合实际场景举例来说：部件寿命软件获取到加速度信号后分别根据对应的程序提取时域特征、频域特征和小波包特征。以预测轴承寿命举例来说，传感器采集轴承x轴和y轴方向上的加速度信号，时域提取程序对两组加速度信号分别抽取时域特征，共得到40维特征，其特征指标可以包括：最大值maximumvalue,最小值minimumvalue,绝对平均值absolutemeanvalue,峰值peakvalues,均方根rms,平均值meanvalue,标准偏差standarddeviation,斜度skewness,峰态kurtosis,方差variance,波形系数waveformfactor,峰值因子crestfactor,变异系数coefficientofvariation,偏态系数skewnesscoefficient,峰态系数coefficientofkurtosis,裕度因子clearancefactor,脉冲系数pulsefactor,能量算子energyoperator,rootmean,余隙系数clearancefactor；运用受限波兹曼向量机算法将40维特征降维为6维特征；其中，受限波兹曼向量机由可视层和影层构成，该算法通过运用梯度下降的方法更新参数，公式为：

e(x,h)＝-h^twx-c^tx-b^th

p(x,h)＝exp(-e(x,h))/z

其中，h为影层向量，e(x,h)为网络能量函数值；

其中，受限波兹曼向量机算法的损失函数为：

频域提取程序运用频域片段分割求和算法对频域特征进行提取，得到12维特征，其中，频域片段分割求和算法公式为：

其中，t的选取取决于信号的数据与片段和的值；

小波包提取程序运用小波包变换提取小波包特征得到16为特征；

在部件寿命预测软件获取三组特征指标后，对三组特征指标进行特征嵌入，得到32(6+12+16)维特征，并将32维特征归一处理获得特征指标。

本实施例提供的部件寿命预测方法，利用深度训练后的多时间尺度增强门控神经网络mteegru对部件寿命进行预测。和传统的数据驱动方法相比，基于多时间尺度增强门控神经网络mteegru的部件寿命预测方法大大提高了预测的准确性，同时在大数据量和大特征维度时，预测的准确性也能够得到保证，扩大了部件寿命预测的有效范围。

图2a为本申请实施例一提供的一种部件寿命预测装置的结构示意图，参照图2a所示，本实施例提供一种部件寿命预测装置利用mteegru网络对部件寿命进行预测，提高了预测的准确度，该装置包括：

获取模块21，用于获取安装于待测部件的传感器采集到的加速度信号；

提取模块22，用于对所述加速度信号进行特征提取，获得特征指标；

预测模块23，用于将所述特征指标作为mteegru网络的输入，获得所述mteegru网络输出的预测结果，其中，所述mteegru网络是以不同时间尺度的特征指标为样本，经过深度学习训练建立的。

其中，mteegru网络包括多尺度时间重构层、增强门控神经网络层和集成学习层；其中，多尺度时间重构层用于对提取的特征指标进行特征重构，获得不同时间尺度的特征指标集；增强门控神经网络层包括不同时间尺度对应的增强门控神经网络结构，所述增强门控神经网络层用于将不同时间尺度的特征指标集输入到所述不同时间尺度对应的增强门控神经网络结构，以训练所述不同时间尺度对应的增强门控神经网络结构；集成学习层用于对各增强门控神经网络结构的训练结果进行集成处理。

进一步可选的，多尺度时间重构层进行特征重构的具体流程可以包括如下步骤：

其中，所述重构公式为：

d(a,n,:)＝x(tai:taj)；

其中，tai＝a*scale，taj＝tai+scale，a＝0,1,2…m，scale为时间尺度，a为尺度因子，m为抽取次数，d(a,n,:)为不同时间尺度的特征指标集，tai为不同时间尺度的起始时间，taj为不同时间尺度的结束时间，x(tai:taj)为在不同时间尺度下抽取的特征指标。

实际应用中，本实施例的执行主体可以为部件寿命预测装置，该部件寿命预测装置可以为驱动程序、程序代码软件，也可以为存储有相关执行代码的介质，例如，u盘等；或者，该部件寿命预测装置还可以为集成或安装有相关执行代码的实体装置，例如，芯片、微控制单元(microcontrollerunit，简称mcu)、电脑等。

优选的，如图2b所示，还可以包括：

滤波模块21，用于对所述加速度信号进行滤波处理。

实际应用中，工业部件采集来的信号数据往往带有信号噪声，部件寿命预测软件可以预设滤波程序，在获取的加速度信号后首先进行滤波处理，剔除无用信号，从而提高部件寿命预测的准确性，滤波方式可以是平滑滤波。

再优选的，如图2c所示，作为一种可实施方式，在其他任一实施方式的基础上，提取模块22包括：

时域提取单元221，用于运用信号处理方法，从所述加速度信号提取出时域特征指标并运用深度波兹曼向量机对所述时域特征指标进行降维处理；

频域提取单元222，用于运用频域片段分割求和方法，从所述加速度信号提取出频域特征指标；

小波包提取单元223，用于运用小波包变换方法，从所述加速度信号提取出小波包特征指标；

运算处理单元224，用于对降维处理后的所述时域特征指标、所述频域特征指标和所述小波特特征指标依次进行特征嵌入和归一化处理，获得所述特征指标。

其中，特征指标归一化处理的公式为：

其中，代表第i个时刻数据的第j个特征输入代表转换后得到的第i个时刻的第j个特征值。

实际应用中，信号处理方法、频域片段分割方法、小波包变换方法以及特征嵌入归一方法均可以程序的形式内设在部件寿命预测软件中，当有加速度信号输入，相关程序按照顺序依次运行，提取各个特征指标，并输出嵌入归一后的特征指标。

本实施例提供的部件寿命预测装置，利用深度训练后的多时间尺度增强门控神经网络mteegru对部件寿命进行预测。和传统的数据驱动方法相比，基于多时间尺度增强门控神经网络mteegru的部件寿命预测方法大大提高了预测的准确性，同时在大数据量和大特征维度时，预测的准确性也能够得到保证，扩大了部件寿命预测的有效范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程。实际应用中，在不冲突的前提下，前述各实施方式可以单独实施也可以结合实施。上述各实施例中的模块划分仅仅为一种示例，实际应用中上述各模块或单元可以通过相同或不同的模块实现。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。