(19)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 202210601441.1 (22)申请日 2022.05.30 (71)申请人 东南大学 地址 211100 江苏省南京市江宁区东 南大 学路2号 (72)发明人 贾民平　曹昱栋　黄鹏　胡建中　 许飞云　 (74)专利代理 机构 北京德崇智捷知识产权代理 有限公司 1 1467 专利代理师 曹婷 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/04(2020.01) (54)发明名称 基于时序层叠宽度学习系统的旋转机械剩 余寿命预测方法 (57)摘要 本发明公开了一种基于时序层叠宽度学习 系统的旋转机械剩余寿命预测方法， 涉及旋转机 械的状态 监测与健康评估技术领域， 解决了旋转 机械剩余寿命 预测模型的预测精度不高、 数据处 理能力较差的技术问题， 其技术方案要点是通过 时序层叠宽度学习系统有效提取线性与非线性 特征， 自主地挖掘出隐藏于海量测量与监测数据 中的有价值的信息， 把握时序依赖性， 感知旋转 机械退化信息； 同时， 特殊的结构与网络权重更 新方式为实现增量学习提供了可能， 面对连续获 取新数据和预测精度不足的情况， 新数据的增量 学习以及映射特征节点和增强节点的增量学习 得以实现， 通过新的训练数据实现网络结构的自 适应升级与更新， 用于满足工业实际需求。 权利要求书3页 说明书6页 附图2页 CN 115270389 A 2022.11.01 CN 115270389 A 1.一种基于时序层叠 宽度学习 系统的旋转机 械剩余寿命预测方法， 其特 征在于， 包括： S1： 采集在不同工况下从初始状态运行到失效的机械全寿命原始振动信号作为训练数 据， 并构建训练数据的对应标签； S2： 通过经验模态分解对原始振动信号进行处理， 得到时频表示的边际谱， 将所述边际 谱作为初始时序层叠 宽度学习 系统的初始输入； S3： 对所述初始时序层叠宽度学习系统进行初始化， 通过所述训练数据对所述初始时 序层叠宽度学习系统进行离线训练， 建立特征信息与预测标签的端到端映射， 得到时序层 叠宽度学习 系统模型， 通过时序层叠 宽度学习 系统模型对旋转机 械剩余寿命进行 预测。 2.如权利要求1所述的预测方法， 其特征在于， 对时序层叠宽度 学习系统模型进行在线 数据增量学习， 对时序层叠宽度学习系统模型进行更新， 通过更新后的时序层叠宽度学习 系统模型对旋转机 械剩余寿命进行 预测。 3.如权利要求2所述的预测方法， 其特征在于， 所述步骤S1中， 共采集C组训练数据， 则 训练数据及其对应标签表示为： 其中， 对于每一个样本集 存在 和 X表示训练数据的特征； Y表示训练数据对应的剩余 使用寿命的标签值； 表示第Ej组样本的个数； M表示特 征维数。 4.如权利要求3所述的预测方法， 其特 征在于， 所述 步骤S2包括： S21： 通过 经验模态分解对原 始振动信号进行分解表示 为： 其中， n表示本征模的数量； xi(t)表示第i个IMF， rn(t)表示最终残差； S22： 对分解得到的每 个xi(t)， 计算 其希尔伯特变换H(xi(t))， 表示为： S23： 构造xi(t)的解析信号zi(t)， 表示 为： 其中， ai(t)表示第i个固有模态分量的瞬时幅值函数， 表示对应的瞬时相位函数， 分别表示如下： S24： 将各模态分量xi(t)的瞬时频率ωi(t)写为相位的时间导数， 表示 为： S25： 计算边际谱， 并将所述边际谱作为初始输入输入到初始时序层叠宽度学习系统， 所述边际谱的计算表示 为： 权　利　要　求　书 1/3 页 2 CN 115270389 A 25.如权利要求4所述的预测方法， 其特征在于， 所述初始时序层叠宽度学习系统包括n 组映射特征节点和m组增强节点， 每组映射特征节点包括p个节点， 每组增强节 点包括q个节 点。 6.如权利要求5所述的预测方法， 其特 征在于， 所述 步骤S3包括： S31： 所述映射特 征节点用于提取线性特 征信息， 包括： 根据训练数据 计算第1组映射特 征节点的输出， 表示 为： 其中， N表示训练数据的数量， “1”表示回归预测的标签是一维的； 通过前一映射特 征节点的输出Z1计算第2组映射特 征节点的输出Z2， 表示为： 则n组映射特 征节点的输出表示 为统一形式， 如下： 其中， k＝1,...,n， φi(.)表示激活函数； Wei和βei均由分布ρe(w)随机产生； S32： 所述增强节点用于提取非线性特征信息， 将n组映射特征节点的输出统一表示为： 将Zn作为输入通过非线性激活函数扩展激活层， 则第j 组增强节点的输出 表示为： 其中， ξj(·)表示非线性激活函数， Whj和βhj均服从分布ρh(w)， ρh(w)等价于ρe(w)； 最后将m组增强节点的输出统一表示 为 S33： 所述特 征信息与预测标签的端到端映射的建立表示 为： 其中， 表示连接映射特 征节点层和 增强节点层到 输出层的权 重。 7.如权利要求6所述 的预测方法， 其特征在于， 通过岭回归算法对权重 进行计算， 包 括： 假设 则权重计算问题 表示为： 则有 当 λ→0， 得到 其中， σ1＞0， σ2＞0， u和v均表示范数正则化； 当σ1＝σ2＝u＝v＝2， 权重计算问题转换为 标准L2范数正则化。 8.如权利要求7所述 的预测方法， 其特征在于， 所述在线数据增量学习的权重 的 计算如下： 增量训练数据为 采用已有的权重 则映射特征节点和增强节点的权　利　要　求　书 2/3 页 3 CN 115270389 A 3