CN106934126-CN201710109877-基于循环神经网络融合的机械零部件健康指标构造方法.pdfVIP

(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 CN 106934126 A (43)申请公布日 2017.07.07 (21)申请号 201710109877.8 (22)申请日 2017.02.28 (71)申请人 西安交通大学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 雷亚国　牛善涛　郭亮　李乃鹏　 林京　 (74)专利代理机构 西安智大知识产权代理事务 所 61215 代理人 贺建斌 (51)Int.Cl. G06F 17/50(2006.01) G06N 3/08(2006.01) 权利要求书2页 说明书6页 附图4页 (54)发明名称 基于循环神经网络融合的机械零部件健康 指标构造方法 (57)摘要 一种基于循环神经网络融合的机械零部件 健康指标构造方法，首先获取机械零部件振动信 号，计算得到振动信号时域特征序列和频域特征 序列；根据时域特征序列和频域特征序列计算相 似性特征；对振动信号进行三层小波包变换，得 到频带能量比特征；利用特征的综合评价指标筛 选出机械零部件退化过程的敏感特征集，用以训 练循环神经网络；通过敏感特征集和训练好的循 环神经网络可以得到新的机械零部件健康指标 RNN-HI，本发明利用相似性特征和循环神经网络 充分挖掘了机械零部件振动信号中的退化信息， A 不仅便于失效阈值的确定而且提高了寿命预测 6 的精度。 2 1 4 3 9 6 0 1 N C CN 106934126 A 权　利　要　求　书 1/2 页 1.一种基于循环神经网络融合的机械零部件健康指标构造方法，其特征在于，包括以 下步骤： 1)获取机械零部件振动信号，计算振动信号时域特征，得到机械零部件时域特征序列 1 2 11 1 2 11 f1＝(f1 ,f1 ,...,f1 )，其中f1 ，f1 ，…，f1 分别为均值、均方根值、峰峰值、方差、熵、峭 度指标、偏斜度指标、波峰指标、波形因子、脉冲指标和裕度指标；对振动信号进行傅里叶变 换，得到一个全局谱特征序列f2，并对全局谱特征序列进行平均分割，得到由低频到高频的 四个子谱特征序列f3、f4、f5、f6； 2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特 征： 其中，K为特征序列长度， 和 分别为初始时刻和t时刻下特征序列的均值， 和 分 别为初始时刻和t时刻下特征序列第i个分量的值，得到的相似性特征依次记为F1，F2，F3， F4，F5，F6； 3)对振动信号进行三层小波包变换，依据式(2)计算得到八个频带能量比特征： 其中E (i＝1，2，...，8)为小波包各个频带的能量值， 为全部小波包频带的能 i 量和，得到的频带能量比特征依次记为F7，F8，F9，F10，F11，F12，F13，F14； 4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1～F14 的综合评价指标： 式中： 其中，F 和t 分别是第l个观测点的特征值和时间， 和 分别是全寿命周期内特征序列 l l 和时间序列的均值，L是全寿命周期内特征序列的长度，ε(x)是单位阶跃函数，Corr衡量的 是特征序列与时间序列的线性相关程度，Mon衡量的是特征序列的单调性