CN119443402A 一种刮板输送机剩余使用寿命预测方法、介质及设备 （西安科技大学）

本发明公开了一种刮板输送机剩余使用寿时间注意力机制和双向门控循环单元提取序列2对获取的刮板输送机的不同传感器数据，构建多个原始图数据；对原通过采用图注意力机制对图数据和自适应邻接矩阵进行融合，得采用双向门控循环单元对融合后的新的时间序列特征进行编码，得到融合的时空特对获取的刮板输送机的不同传感器数据进行归一化处理，采用如下公t表示第t个图数据中节点Xi是否与节点Xn相邻；3t个相似邻接矩阵。采用如下公式得到相邻节点之间的相似系数和归一化后个可学习的权重向量，W∈RFXF9是一个可学习的共享权重矩阵，F9代表节点输出的特征维采用时间注意力机制对更新后的节点空间特征进行加权，采用如下公式确定原始权48.如权利要求1所述刮板输送机剩余使用寿命预测方法，其特征在于，所述传感器数机程序被处理器执行时实现上述权利要求1_8任一项所述刮板输送机剩余使用寿命预测方器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1_8任一所述刮板5[0003]现有应用于剩余使用寿命(RUL)预测的深度学习网络主要有两种：卷积神经网络(CNN)和递归神经网络(RNN)。基于CNN的RUL预测模型可以提取原始数据局部和全局特征，并通过多层卷积和池化操作实现特征的融合。Yang等提出了一种基于双CNN模型体系结构Song等设计了基于分布式注意力机制的RUL预测模型来分别对不同的传感器和时间步进行6t个相似邻接矩阵。[0027]通过采用图注意力机制对图数据和邻接矩阵进行融合，经过非线性激活函数7[0028]可选的，所述非线性激活函数LeakyReLU得到相邻节点之间的相似系数，再经过8tt是相应的可学习计算机程序被处理器执行时实现上述刮板输送用寿命预测方法，该方法通过利用不同尺寸的1维卷积核挖掘多个尺度下原始数据的隐藏构构造方法KNN_GAE，基于数据的退化特性动态地调整图结构，提出了一种自适应融合机[0056]图1为本发明实施例提供的一种刮板输送机剩余使用寿命预测方法的整体框架[0062]图7为本发明实施例提供的一种刮板输送机剩余使用寿命预测方法的计算机设备9[0067]下面以具体地实施例对本发明的技术方案以及本发明的技术方案如何解决上述[0069]图1是本发明实施例提供的一种刮板输送机剩余使用寿命预测方法的整体框架t个相似邻接矩阵。[0107]如图5的(b)所示,将输出的多通道特征图[0111]经过GAT融合后会产生一组新的节点特征是节点更新[0112]可选的，如图6所示，采用时间注意力机制对更新后的节点空间特征序列进行加tt是相应的可学习[0131]本实例通过选取煤矿中四个不同刮板输送机的全寿命周期退化数据验证本方法器学习方法在处理高维和海量数据时非线性表达能力不足。基于深度学习的方法DCNN和体上优于单一类型方法，而考虑了传感器的相关性的基于深度学习的方法2D_CNN和AGCNN的表现总体上效果更佳；基于变压器Transformer的方法虽然在捕获数据中的全局依赖关机程序可用于执行上述提供的刮板输送机剩余使用寿包括非易失性和易失性存储器中的至少一种。非易失性