1.一种基于lstm-aon的齿轮剩余寿命的预测方法,其特征在于,该预测方法具体包括以下步骤:
s1:隔δt时间采集时间长度为t的齿轮振动信号,直到齿轮失效,其采样的齿轮振动信号段数为n;
s2:分别计算采集的n段齿轮振动信号降噪之后的时频特征,则得到n×21维的特征值矩阵x;
s3:选取前面n1个采样点组成的特征值矩阵x1作为训练矩阵;
s4:通过isomap算法处理训练矩阵x1和特征值矩阵x,分别选取利用最大特征值计算的结果v1=(v11,v12,…,v1n1)t和v=(v1,v2,...,vn)t作为其主要成分;
s5:使用最小二乘法使目标函数
s6:将向量v1归一化,得到归一化之后的向量w=(w1,w2,...,wn1)t;
s7:重构矩阵
s8:将矩阵u前面p行作为注意力引导有序神经元的长短期记忆网络lstm-aon的输入,最后一行作为lstm-aon神经网络的输出来训练网络;
s9:矩阵u训练好后,将倒数p个输出作为lstm-aon网络输入,得到下一时刻的输出;
s10:重复步骤s9一定次数,将这些输出反归一化之后与实际特征值v'=(v'p+1,v'p+2,…,v'n)t
比较,当输出反归一化之后超过设定的阈值时,这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和δt+t即为齿轮的剩余寿命。
2.根据权利要求1所述的一种基于lstm-aon的齿轮剩余寿命的预测方法,其特征在于,所述lstm-aon神经网络的结构为:假设整个时间维度的输入信息为xt=[x1x2…xt],其中xt=[xt,1xt,2…xt,n]代表t时刻输入数据,ht-1=[ht-1,1ht-1,2…ht-1,m]代表t-1时刻神经网络的递归数据;首先定义注意力引导的层级划分器,对输入信息xt′通过构造器f1确定其层级位置dt′,i,同样对于历史信息ht′-1通过构造器f2确定其层级位置dt′,f;
it=σ(wixxt+wihht-1+bi)
ft=σ(wfxxt+wfhht-1+bf)
ot=σ(woxxt+wohht-1+bo)
ht=ot⊙tanh(ct)
yt′=g(wt′,yhht′+by)
其中,σ表示sigmod激活函数,wix表示输入数据与隐藏层中输入门之间的权重,wfx表示输入数据与隐藏层中遗忘门之间的权重,wcx表示输入数据与隐藏层中细胞存储单元间的权重,wox表示输入数据与隐藏层中输出门之间的权重,wih表示历史数据与隐藏层中输入门之间的权重,wfh表示历史数据与隐藏层中遗忘门之间的权重,wch表示历史数据与隐藏层中细胞存储单元之间的权重,woh表示历史数据与隐藏层中输出门之间的权重,wt′,yh表示隐藏层输出与输出层之间的权重,bi表示隐含层输入门阈值,bf表示隐含层遗忘门阈值,bc表示隐含层细胞存储单元阈值,bo表示隐含层输出门阈值,by表示输出层阈值,⊙表示点积运算,ct-1表示t-1时刻存储细胞记忆单元输出;
3.根据权利要求2所述的一种基于lstm-aon的齿轮剩余寿命的预测方法,其特征在于,所述lstm-aon神经网络中,对输入信息xt′通过构造器f1确定其层级位置dt′,i,同样对于历史信息ht′-1通过构造器f2确定其层级位置dt′,f,其表达式如下:
dt′,i=f1(xt,ht-1,qm)
dt′,f=f2(xt,ht-1,qm)
其中,f1和f2被定义为:
dt′,i=index[max(αt′,i)]
dt′,f=index[max(λt′,i)]
输出分别为输入数据与历史数据与注意力标签的注意力系数的最大值元素在层间所在位置的值,αt′,i为输入数据注意力系数,λt′,i为历史数据注意力系数;在神经网络训练过程中,xt+1,n被设为查询向量qm;在预测阶段,将xt,n设为qm。
4.根据权利要求3所述的一种基于lstm-aon的齿轮剩余寿命的预测方法,其特征在于,所述lstm-aon神经网络中,注意力系数计算公式如下:
为使输入数据与历史数据与注意力非线性相关对输入数据xt′及历史数据ht′-1进行如下操作:
其中,softmax为softmax激活函数,
注意力系数打分函数分别如下:
其中,
5.根据权利要求4所述的一种基于lstm-aon的齿轮剩余寿命的预测方法,其特征在于,所述lstm-aon神经网络中,通过所求dt′,i和dt′,f排序细胞单元,划分神经网络层级,具体为:
当dt′,f≤dt′,i时,历史数据层级低于当前输入层级,细胞记忆单元ct通过如下规则更新:
当dt′,i≤dt′,f时,当前输入层级低于历史数据层级,细胞记忆单元ct通过如下规则更新: