CN119514329A 一种基于迁移学习的滚动轴承剩余使用寿命的预测方法 （沈阳航空航天大学）

一种基于迁移学习的滚动轴承剩余使用寿本发明提供一种基于迁移学习的滚动轴承用于获得特征之间关系以及模型权重的多头自22.根据权利要求1所述的一种基于迁移学习的滚动轴承剩余使用寿命的预测方法，其hO为模型权重。3.根据权利要求1所述的一种基于迁移学习的滚动轴承剩余使用寿命的预测方法，其FFN(x)＝ReLU(xW1+b1)W24.根据权利要求1所述的一种基于迁移学习的滚动轴承剩余使用寿命的预测方法，其3p5.根据权利要求1所述的一种基于迁移学习的滚动轴承剩余使用寿命的预测方法，其i是源域最后一个隐层的第i个样本的输出，ti是目标域最后一个6.根据权利要求1所述的一种基于迁移学习的滚动轴承剩余使用寿命的预测方法，其将其初始退化阶段的剩余寿命界定为最大剩余使用在运行过程中的任意采样点，其对应的剩余使用寿命则按照时间的线性减少进行计7.根据权利要求1所述的一种基于迁移学习的滚动轴承剩余使用寿命的预测方法，其采取统一化处理策略，将滚动轴承剩余使用寿命转换为百分制形4[0003]与此同时，随着机械装备状态监测数据获取的便利性与人工智能技术的迅猛发[0005]有鉴于此，本发明提供了一种基于迁移学习的滚动轴承剩余使用寿命的预测方[0011]通过最后一个隐层引入迁移学习，利用源域的隐层和目标域的隐层计算损失函56[0059]图9为本发明实施例实验6迁移学习权重参数为200基于StandardizedEuclidean7[0061]图10为本发明实施例实验7迁移学习权重参数为250基于Standardized员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0066]针对当前数据驱动型寿命预测方法在对训练数据质量与于Transformer的滚动轴承剩余寿命预测模型，并对神经网络最后一层的隐层进行基于[0071]本实施例中，Transformer的编码器用来学习长期的依赖关系的滚动轴承的剩余8[0088]本实施例中，标准化欧几里得距离(StandardizedEuclideanDistance)作为优9偏差的绝对值的平均。均方误差MSE通过计算预测值和实际值之间距离(即误差)的平方来[0109]本实施例中轴承剩余寿命预测使用的数据来自西安交通大学XJTU_SY滚动轴承的[0110]首先将轴承数据集进行源域和目标域的划分。源域数据选择：Bearing1_1、Bearing1_2、Bearing1_3、Bearing1_5，目标域数据选择：Bearing2_1、Bearing2_2、Bearing2_3、Bearing2_4，测试集为目标域Bearing2_5。为数据集设置退化时间(First需要进行精确的剩余使用寿命估计。通过设置FPT，可以有效地捕捉到轴承健康状况的变接着，经过Linear1第一个线性层将维度大小从2000变为400；继续将该隐层进行Leaky不断提高模型在目标域上预测的准确性及泛化能力。在最后一次全连接层后得到输出结[0114]在本实例中，对神经网络最后一层的隐层进行选用基于Wasserstein距离、Manhattan距离的迁移学习方法作为对比实250共6种取值展开实验。其中当权重为10、40和60时，分别使用基于Wasserstein距离、[0122]实验1中未加迁移学习时的实验结果图4所示。可以在t_SNE图中得出未加迁移学[0128]实验2的预测结果评价结果如表2所示。整体综合来看，基于Standardized距离的迁移学习策略在域间融合方面实现了最为显著的改进，而基于Wasserstein距离的离的迁移学习方法在稳定性方面表现最优。相比之下，基于Wasserstein距离和基于Manhattan距离的迁移学习方法在当前实验设置下并未展现显著的性能提升；但在三种迁迁移学习方法在预测滚动轴承剩余使用寿命方面表现最佳，其RMSE为0.001527，MAE为StandardizedEuclidean距离的方法则次之，基于Manhattan距离的方法则相对效果较弱。但在三种迁移学习方法联合并未展现出更好的预测结[0143]通过分析测试点与剩余使用寿命的关系图，确认了加入迁移学习方法导致的RUL迁移学习方法在维持预测稳定性方面表现最为突出。然而，基于Wasserstein距离和基于Manhattan距离的迁移学习方法在当前的实验设置下并未表现出预期之外的显著效[0147]在综合考量了实验2、实验3和实验4的成果与评估后，可以得出结论：采用[0153]根据图9(b)可以看出在权重参数为200时，基于StandardizedEuclidean距离的[0156]图10与实验6相比中基于StandardizedEuclidean距离的迁移学习方法相比，预标准化欧几里得距离的迁移学习方法实现了最小的误差值，并且这些误差值主要集中在0迁移学习的权重参数并非无条件地越大或越小越有利，而是需通过细致的参数调整过程，