技术特征：
1.一种轴承剩余使用寿命的预测方法，其特征在于，包括：采集轴承生命周期内的原始振动信号；利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；根据预测结果计算轴承剩余使用寿命。2.根据权利要求1所述的轴承剩余使用寿命的预测方法，其特征在于，所述利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集，包括：将所述原始振动信号的数据集中的前h个样本作为健康样本，通过所述高斯混合模型估计所述健康样本的基准分布；h为设定健康样本阈值；根据所述高斯混合模型估计所述原始振动信号的数据集中的剩余样本的概率分布；利用所述kl散度对所述基准分布和所述概率分布进行计算，得到kld值；所述kld值用于表征轴承的健康状态；根据所述kld值构建所述健康指标集。3.根据权利要求1所述的轴承剩余使用寿命的预测方法，其特征在于，所述根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果，包括：对所述健康指标集进行划分，得到训练集；获取预设的细胞单元数k，并根据所述细胞单元数和所述训练集构建输入矩阵；将所述输入矩阵的前k个行向量作为所述强化记忆门控循环单元的输入，将所述输入矩阵的最后一个行向量作为所述强化记忆门控循环单元的输出，并根据损失函数对所述强化记忆门控循环单元进行训练；将所述输入矩阵的最后k个行向量输入至训练好的强化记忆门控循环单元，得到所述预测结果；所述预测结果包括至少一个健康指标向量。4.根据权利要求3所述的轴承剩余使用寿命的预测方法，其特征在于，所述根据预测结果计算轴承剩余使用寿命，包括：当所述健康指标向量超过预设失效阈值时，通过预设采样时间和记录间隔计算轴承剩余使用寿命。5.一种轴承剩余使用寿命的预测系统，其特征在于，包括：采集模块，用于采集轴承生命周期内的原始振动信号；指标生成模块，用于利用高斯混合模型、kl散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；模型构建模块，用于基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；预测模块，用于根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；计算模块，用于根据预测结果计算轴承剩余使用寿命。6.根据权利要求5所述的轴承剩余使用寿命的预测系统，其特征在于，所述指标生成模
块具体包括：基准单元，用于将所述原始振动信号的数据集中的前h个样本作为健康样本，通过所述高斯混合模型估计所述健康样本的基准分布；h为设定健康样本阈值；概率单元，用于根据所述高斯混合模型估计所述原始振动信号的数据集中的剩余样本的概率分布；状态计算单元，用于利用所述kl散度对所述基准分布和所述概率分布进行计算，得到kld值；所述kld值用于表征轴承的健康状态；指标集构建单元，用于根据所述kld值构建所述健康指标集。7.根据权利要求5所述的轴承剩余使用寿命的预测系统，其特征在于，所述预测模块具体包括：划分单元，用于对所述健康指标集进行划分，得到训练集；矩阵构建单元，用于获取预设的细胞单元数k，并根据所述细胞单元数和所述训练集构建输入矩阵；训练单元，用于将所述输入矩阵的前k个行向量作为所述强化记忆门控循环单元的输入，将所述输入矩阵的最后一个行向量作为所述强化记忆门控循环单元的输出，并根据损失函数对所述强化记忆门控循环单元进行训练；预测单元，用于将所述输入矩阵的最后k个行向量输入至训练好的强化记忆门控循环单元，得到所述预测结果；所述预测结果包括至少一个健康指标向量。8.根据权利要求7所述的轴承剩余使用寿命的预测系统，其特征在于，所述计算模块具体包括：寿命计算单元，用于当所述健康指标向量超过预设失效阈值时，通过预设采样时间和记录间隔计算轴承剩余使用寿命。
技术总结
本发明涉及一种轴承剩余使用寿命的预测方法及系统，方法包括：采集轴承生命周期内的原始振动信号；利用高斯混合模型、KL散度和无监督健康指标方法，根据所述原始振动信号生成健康指标集；基于注意力机制构建强化记忆门控循环单元；所述强化记忆门控循环单元包括当前时刻之前的两个时刻的状态信息；根据所述健康指标集对所述强化记忆门控循环单元进行训练和预测，得到预测结果；根据预测结果计算轴承剩余使用寿命。本发明提出的强化记忆门控循环单元能够对构建的历史趋势信息进行充分学习，提高了网络对剩余使用寿命预测的精度和鲁棒性。性。性。
技术研发人员：秦毅 周江洪 蔡维 钱泉 丁星程
受保护的技术使用者：重庆大学
技术研发日：2022.05.26
技术公布日：2022/8/2