(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111515554.1 (22)申请日 2021.12.13 (71)申请人 四川大学 地址 610065 四川省成 都市武侯区一环路 南一段24号 (72)发明人 李锋　姜沛轩　汪永超　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 代理人 王伟 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于VETMRRN的空间滚动轴承剩余寿命预测 方法 (57)摘要 本发明公开了一种基于VETMRRN的空间滚动 轴承剩余寿命预测方法， 包括以下步骤： S1、 从空 间滚动轴承的原始振动加速度数据中提取时、 频 域特征， 进行shapely值特征融合， 作为空间滚动 轴承性能退化特征； S2、 将空间滚动轴承性能退 化特征输入VETMRRN中训练VETMRRN的超参数和 网络参数； S3、 利用V ETMRRN来多 步预测空间滚动 轴承以后的性能退化特征趋势； S4、 建立威布尔 分布可靠度模 型， 预测出空间滚动轴承的精度失 效阈值时间点和剩余寿命。 本发明构建了 VETMRRN， 其具有较好的非线 性逼近能力、 泛化性 能和计算效率， 使得基于VETMRRN的空间滚动轴 承剩余寿命 预测方法具有较高的预测精度、 较好 的泛化性能和较高的计算效率。 权利要求书6页 说明书17页 附图6页 CN 114154743 A 2022.03.08 CN 114154743 A 1.基于VETMR RN的空间滚动轴承剩余寿命预测方法， 其特 征在于， 包括以下步骤： S1、 从空间滚动轴承的原始振动加速度数据中提取时、 频域特征， 进行shapely值特征 融合， 得到shapely值融合特 征作为空间滚动轴承性能退化特 征； S2、 将得到的空间滚动轴承性能退化特征输入到VETMRRN中用于训练VETMRRN的超参数 和网络参数； S3、 利用训练好的VETMR RN来多步预测空间滚动轴承以后的性能退化特 征趋势； S4、 结合训练用的空间滚动轴承性能退化特征和预测得到的性能退化特征趋势， 建立 威布尔分布可靠度模型， 预测出空间滚动轴承的精度失效阈值时间点和剩余寿命。 2.根据权利要求1所述的基于VETMRRN的空间滚动轴承剩余寿命预测方法， 其特征在 于， 所述步骤S1中提取的时、 频域特征包括平均幅值、 均方幅值、 峰值、 裕度、 偏斜度、 峭度、 能量谱、 倒频谱和功率谱。 3.根据权利要求1所述的基于VETMRRN的空间滚动轴承剩余寿命预测方法， 其特征在 于， 步骤S2中所述VETMRRN为变分资格迹元强化循环 网络， VETMRRN包括L层网络结构， 每层 网络结构中包括 n‑k+1个时序运 算单元； 假设VETMRRN的初始隐层状态为h0； VETMRRN的输入时间序列为x＝[x1,x2,…,xn]， 将该 时间序列重构为矩阵形式： 式中， k为回顾序列长度， 表示VETMRRN完成时间序列预测所需回顾的历史时间步长， 也 就是输入数据维度； 将每个行向量视作当前时刻的输入时间序列， 即xt表示一次预测过程 中t时刻的输入时间序列， 1≤t≤n ‑k+1； x1,x2,…,xn‑k,xn‑k+1分别输入第 一层网络结构的n ‑k+1个时序运算单元； 初始化隐层状 态h0＝[0,0,…,0]， 并分别输入每层网络结构的第一个时序运算单元； 假设一次预测过程 中t时刻的输入为xt， 将xt输入VETM RRN的时序运算单元中得到该时刻的隐层状态ht(1)＝[h1 (1),h2(1),h3(1),…,hl(1)]， l表示当前隐层状态的维度； 然后将该隐层 状态ht(1)和下一网络层 上一时刻的隐层状态ht‑1(2)作为时序运算单元的输入， 来计算下一隐层状态 由于网络输入维度总是大于隐层状态维度， 因此每一层隐层维度 都将小于上一层隐层维度， 所以最终隐层维度总能减少至1， 此时该维度为1的最终隐层状 态 就作为VETMRRN的输出yn‑k+1， 也就是当前输入时间序列x的预测值； n ‑k+1时刻第L 层， 即最终隐层的状态由n ‑k时刻该层的隐层状态 和n‑k+1时刻第L ‑1层的隐层状态 共同决定， 即： 式中， Uh(L)表示第L层网络的输入权重矩阵， Wh(L)表示第L层网络的隐层权重矩阵， bh(L) 表示第L层网络的偏置， f为时序运 算单元输入输出映射 函数；权　利　要　求　书 1/6 页 2 CN 114154743 A 2n‑k+1时刻第L层的隐藏层状态以计算 为： ⊙表示求Hadamard积， tanh()为激活函数； 将 和 继续向前一网络层和前一时刻展开， 将 展开为关于 和 的表 达式， 展开为关于 和 的表达式； 以此类推， 得到最 终隐层状态 关于输入 时间序列X＝[x1,x2,x3,…xn‑k+1]和初始隐层状态h0的表示式。 4.根据权利要求3所述的基于VETMRRN的空间滚动轴承剩余寿命预测方法， 其特征在 于， 所述步骤S2中， 训练VETMRRN的超参数和网络参数的具体方法为： 设m时刻输入的空间滚 动轴承性能退化特征序列为x＝[xm,xm+1,…,xn]， 将该时间序列重构为训练样本集X和训练 目标集y， 表示如下： 将训练样本集X的每一行作 为一个k‑m+1维训练样本， 该训练样本的训练目标为训练目 标集y中对应的元 素， 故共有n ‑k个训练样本； VETMRRN的训练过程包括以下步骤： S21、 初始化参数集ψ， 即随机初始化VETMRRN每层网络 的权重， 并将所有偏置都初始化 为0； 同时随机初始化VETMR RN的超参数集 S22、 采用基于神 谕门机制的元学习超参数自初始化网络对超参数集 进行循环更新， 得到VETMR RN的最优 超参数； S23、 将训练样本集X输入VETMR RN得到性能退化特 征趋势预测值y'； S24、 使用变分自编码元策略梯度学习算法对VETMRRN的参数集 ψ进行更新， 将更新后的 参数集 ψ作为下一次训练的初始值； S25、 重复步骤S23和步骤S24的更新过程， 直至关于训练目标集y和性能退化特征趋势 预测值y'的均方差损失函数L( ψ )小于设定阈值， 就完成了VETMR RN的训练。 5.根据权利要求4所述的基于VETMRRN的空间滚动轴承剩余寿命预测方法， 其特征在 于， 所述步骤S22具体实现方法为： 将待训练的VETMRRN的超参数组成超参数集 其中L表示VETMRRN网络层数， k表示回顾序列长度， 表示1 到L层隐层维度； 为寻找VETMRRN的最优超参数， 构建元学习超参数自初始化网络来进行超 参数更新， 并设计神 谕门机制来加快超参数自初始化过程； 寻找最优超参数过程通过多次 训练任务 来完成， 一次训练任务过程具体如下： 首先用本次任务中的超参数集 的值来初始化待优化元学习超参数自初始化网络中的 参数θt‑1； 然后从原始输入时间序列x＝[x1,x2,…,xn]中随机截取一组连续时序子集x(i)＝ [xm,xm+1,xm+2,…xn]作为超参数自初始化网络的输入yt‑1并利用随机梯度下降法更新权　利　要　求　书 2/6 页 3 CN 114154743 A 3