CN115130232B 零件的寿命预测方法、装置、设备、存储介质及程序产品 （腾讯科技（深圳）有限公司）

3-4.2获取所述零件在目标域中对应目标时间段的对所述零件从工作开始的按照采样时刻升序排序的多个采样数据，进对多个所述均方根进行基于第二滑动窗口尺寸的多次第二滑窗处理对多个所述平滑均方根进行基于第三滑动窗口尺寸的多次第基于所述平滑均值确定多个所述第三滑窗结果中满足退化期条件的目标第三滑窗结对所述多个时域特征以及所述多个频域特征进行第一注意力处理将所述目标域的时频域相关特征与源域的时频域相关特征进行第二注意力基于所述目标域的寿命特征，确定所述零件在所述目标域中从刻升序排序的所述多个采样数据，进行基于第一滑动窗口尺寸的多次第一滑窗处理之前，对所述多个采样数据的采样频率进行取倒数处理，得到所述多个采将所述采样间隔与每个所述采样数据包括的多个采样点的数目进行对所述第一滑动窗口尺寸进行基于第一整数的倍数处理，得到所述第二滑动窗口尺将所述第一求和结果与所述第二滑动窗口尺寸的比值确定为对应所述第二滑窗结果对所述第二滑动窗口尺寸进行基于第二整数的倍数处理，得到所述第三滑动窗口尺3将所述第二求和结果与所述第三滑动窗口尺寸的比值确定为所述第三滑窗结果的平确定所述第三滑窗结果的平滑均值与稳定均基于每个所述均方根对应的采样时刻，对多个对应的平滑均方根进行升序排序处理，将升序排序结果中排序靠前的多个平滑均方根作为目标将多个所述目标平滑均方根的均值确定为所述稳定均值，并将多个对所述目标采样数据中包括的多个采样点的时域工作信号进其中，所述时频域特征包括所述多个时域特征以及所述多个将所述多个频域特征中对应所述目标时间段中目标时刻的目标频域特征与所述融合对所述多个时域特征进行时域嵌入处理，得到与所述多个时域特征对所述多个时域嵌入特征进行时域位置编码处理，得到与所述多个对所述多个时域位置编码进行时域自注意力编码处理，得到与所述多对所述多个频域特征进行频域嵌入处理，得到与所述多个频域特征4对所述多个频域嵌入特征进行频域位置编码处理，得到与所述多个对所述多个频域位置编码进行频域自注意力编码处理，得到与所述多对所述目标频域特征进行频域嵌入处理，得到与所述目标频域特征对所述目标频域嵌入特征进行频域位置编码处理，得到与所对所述目标频域位置编码以及所述融合特征进行注意力解码处理将所述目标域的时频域相关特征与所述源域的多个时对对应所述源域的每个时频域相关特征的点乘结果进行最大似然处理基于所述注意力权重，对所述源域的每个时频域相关特征进行加将所述源域匹配特征与所述目标域的时频域相关特征进行融合处理，将所述多个源域训练样本在源域寿命预测模型中进行正向传播，得到基于所述多个第一预测剩余寿命以及多个第一预标记剩余寿命，确将所述源域寿命预测模型的参数作为目标域寿命预测模型将所述多个目标域训练样本在目标域寿命预测模型中进行正向传基于所述多个第二预测剩余寿命以及多个第二预标记剩余寿命，确5提取模块，用于对所述零件从工作开始的按照采样时刻升序排注意力模块，用于对所述多个时域特征以及所述多个频域特征进行第一注意力处理，所述注意力模块，还用于将所述目标域的时频域相关特征与源域的时寿命模块，用于基于所述目标域的寿命特征，确定所理器执行时实现权利要求1至13任一项所述的零件的寿命令被处理器执行时实现权利要求1至13任一项所述的零6[0002]人工智能(AI，ArtificialIntelligence)是利用数字计算机或者数字计算机控[0011]将所述目标域的时频域相关特征与源域的时频域相关特7三滑窗结果是满足所述退化期条件的目标第三滑动89序或指令被处理器执行时实现本申请实施例提供技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，向服务器200发送从目标时间段算起的剩余寿命预测请求，寿命预测请求中包括目标时间[0067]服务器200(映射为节点610-2)以及终端400(映射为节点610-1)均可以加入区块链网络600而成为其中的节点，图1B中示例性地示出了将终端400映射为区块链网络600的[0068]每个节点(例如节点610-1)的状态数据库中记录有终端400采集的目标采样数据、目标时间段以及对应的剩余寿命，以使终端400可以查询状态数据库中记录的目标采样数[0069]在一些实施例中，响应于接收到目标采样数据以及目标时间段，多个服务器200(每个服务器映射为区块链网络中的一个节点)确定出从目标时间段开始算起的剩余寿命，务器200(映射为节点610-2)将共识通过的目标时间段的剩余寿命发送至终端400(映射为[0074]存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存[0078]呈现模块453，用于经由一个或多个与用户接口430相关联的器可以采用一个或多个应用专用集成电路(ASIC，ApplicationSpecificIntegrated(CPLD，ComplexProgrammableLogicDevice)、现场可编程门阵列(FPGA，Field-ProgrammableGateArray)或[0089]在步骤107中，对基于采样时刻升序排序的多个采样数据进行基于第一滑动窗口[0090]在一些实施例中，步骤107中对多个采样数据进行基于第一滑动窗口尺寸的多次着将第一个第一滑窗结果对应的时间段向后移动0.1秒，即基于基于100个采样点的第2个至第6个采样点(S2至S6)的数据值(例如振动信号值)计算均方根，作为第二个第一滑窗结[0099]作为示例，由于数据采集器(例如传感器)得到的采样点的数据值(例如，振动信[0101]其中，ri表示计算得到的第i个第一滑窗结果内的RMS，表[0104]在步骤111中，对多个平滑均方根进行基于第三滑动窗口尺寸的多次第三滑窗处三滑动结果内的所有经平滑处理后的均方根进[0110]如果某个平滑后的均方根所涉及到的所有采样点的时间个第三滑窗结果执行以下处理：确定第三滑窗结果的平滑均值与稳定均值之间的绝对值；的最早采样时刻确定为起点时刻，通过将第三滑窗结果的平滑均值与稳定均值进行比较，可以准确确定出符合退化期条件的目标第三滑均方根的均值确定为稳定均值，并将多个目标平滑均方根的标准差确定为稳定标准差。[0116]若用m2减去m1的绝对值大于3倍的标准差σ,可认为零件在该第[0120]在一些实施例中，步骤102中从目标采样数据中提取多个时域特征以及多个频域103中对多个时域特征以及多个频域特征进行第一注意力处理，得到目标域的时频域相关个时域特征一一对应的多个时域嵌入特征；对多个时域嵌入特征进行时域位置编码处理，嵌入网络对输入的某个训练样本的时域特征进行嵌入(embedding)处理，得到历史时刻的为通过多头自注意力机制提取时域维度的自相关性，因此可以提取到时域维度的自相关个频域特征一一对应的多个频域嵌入特征；对多个频域嵌入特征进行频域位置编码处理，压缩为稠密向量，然后通过频域位置编码网络对历史时刻的频域嵌入特征进行位置编码，[0133]作为示例，通过频域嵌入网络对目标时刻的频域特征进行嵌入(embedding)处提供的解码网络的结构示意图，此处解码网络的结构采用Transformer模型中解码器的结[0134]在步骤104中，将目标域的时频域相关特征与源域的时频域相关特征进行第二注[0135]在一些实施例中，步骤104中将目标域的时频域相关特征与源域的时频域相关特相关特征的点乘结果；对对应源域的每个时频域相关特征的点乘结果进行最大似然处理，储结构保存的源域的多个原始时频域相关特征进行聚类处理，得到聚类处理结果(源域的与目标域的训练数据不同导致处理过程中的参数不同，采用注意力机制计算查询向量h1对应的多个第二预测剩余寿命；基于多个第二预测剩余寿命以及多个第二预标记剩余寿工况的寿命预测模型的参数作为目标工况的零件寿命预测模型(目标域寿命预测模型)的[0143]在一些实施例中，终端接收工业设备的传感器发送的目标时间段的目标采样数的时频域相关特征与源域的时频域相关特征进行第二注意力处理，得到目标域的寿命特[0144]本申请实施例提出了一种基于滑动窗口计算工作数据(例如振动信号)的均方根并结合3σ准则自适应的检测轴承进入退化期的时间，仅利用退化期的数据进行模型训练，[0145]本申请实施例提供的零件的寿命预测方法适用于所有涉及传感器信号分析和故方法基于元学习框架将基于多个工况的数据训练得到的模型参数作为目标工况下模型训[0148]本申请实施例提供的零件的寿命预测方法的训练过程中首先需要检测零件是否处于退化期，基于滑动窗口计算工作数据(例如，振动信号)的均方根(RMS，RootMean处于退化期，基于滑动窗口计算工作数据(例如，振动信号)的均方根(RMS，RootMean的w1，平滑处理后的RMS可表示为F,可以利用公式(6)计算任意一个第一滑动窗口内的RMS[0156]其中，ri表示计算得到的第i个第一滑动窗口内的计算F1、i2、F3、F4,…,Fm的均值m1和标准差σ,对该第三滑动窗口内的所有经平滑处理后的均方根进行[0163]如果某个平滑后的均方根所涉及到的所有采样点的时间[0165]若用m2减去m1的绝对值大于3倍的标准差σ,可认为零件在该第短时傅立叶变换或小波变换将时域信号转为时频域特征(作为目标域寿命预测模型的输[0171]将检测进入退化期到运行失败的训练样本作为训练模型的数据，仍然将每n个采数作为目标工况的零件的目标域寿命预测模型的对输入的某个训练样本的时域特征进行嵌入(embedding)处理，得到历史时刻的时域嵌入据压缩为稠密向量，然后通过频域位置编码网络对历史时刻的频域嵌入特征进行位置编网络以及时域编码网络的结构采用Transformer模型中编码器的结构，时域编码网络包括[0176]继续参见图5，通过具有时域相关性的时域特征的特征融合网络将时域编码网络输出的具有时域相关性的时域特征和频域编码网络输出的具有频域相关性的频域特征串[0177]在执行上述处理的同时，通过频域嵌入网络对当前时刻的频域特征进行嵌入[0179]本申请实施例利用结合注意力机制和外部存储的元学习框架使得寿命预测模型了提高迁移稳定性，需要从多工况的工作数据中学习包含综合时频域相关性的通用特征。[0180]参见图9，将目标域工况的工作数据经寿命预测模型的解码网络输出的解码特征[0182]下面继续说明本申请实施例提供的零件的寿命预测装置455的实施为软件模块的数据进行基于第一滑动窗口尺寸的多次第一滑窗处理，得到每个第一滑窗结果内的采样型的参数作为目标域寿命预测模型的初始化参数；获取对应目标域的多个目标域训练样保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，HyperTextMarkupLanguage)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件时频域相关特征与源域的时频域相关特征进行第二注意力处理，