(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110805989.3 (22)申请日 2021.07.16 (65)同一申请的已公布的文献号 申请公布号 CN 113343591 A (43)申请公布日 2021.09.0 3 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 刘振宇　刘惠　郏维强　张栋豪　 谭建荣　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 林超 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/04(2012.01) G06F 119/02(2020.01) (56)对比文件 CN 111931625 A,2020.1 1.13 CN 112819219 A,2021.0 5.18 CN 111721535 A,2020.09.2 9 CN 113051839 A,2021.0 6.29 EP 2375409 A1,201 1.10.12 Hui Liu.Remai ning Useful L ife Predicti on Using a Novel Feature- Attention-Based End-to- End Approach. 《IEEE TRANSACTIONS ON I NDUSTRIAL I NFORMATICS》 .2021,第17 卷(第2期), 谭宇宁等.基 于SATLSTM的Web系统老化趋势 预测. 《计算机 应用与软件》 .2020,(第04期), 审查员 张盈盈 (54)发明名称 基于自注意力网络的产品关键零件寿命端 到端预测方法 (57)摘要 本发明公开了一种基于自注意力网络的产 品关键零件寿命端到端预测方法。 在机械产品关 键零件上安装加速度传感器， 通过加速度传感器 记录零件的振动信号数据， 并记录零件运行的时 间； 对振动信号数据进行数据预处理， 同时对运 行时间进行处理， 得到训练数据 样本及对应的剩 余使用寿命标签； 构建剩余使用寿命的预测模 型； 训练预测模型， 获得训练好的预测模 型； 采集 零件的振动信号数据并进行数据预处理后， 输入 到训练好的预测模型中实时预测获得零件的剩 余使用寿命。 本发明采用自注 意力网络构建预测 模型， 能充分挖掘振动信号中的时序特征， 克服 复杂数据预处理和特征提取的缺点， 实现从振动 信号到剩余使用寿命的端到端预测， 具备操作简 单、 泛化性强的优点。 权利要求书2页 说明书7页 附图3页 CN 113343591 B 2022.05.03 CN 113343591 B 1.一种基于自注意力网络的产品关键零件寿命端到端预测方法， 其特征在于， 包括以 下步骤： S1.在机械产品关键零件上安装加速度传感器， 在零件运行过程中通过加速度传感器 记录零件的振动信号数据， 并记录零件运行的时间， 直至零件损坏； S2.对振动信号数据进行数据 预处理， 得到训练数据样本， 同时对零件运行的时间进行 处理， 得到训练数据样本对应的剩余使用寿命标签； S3.构建自注意力神经网络作为机 械产品关键零件剩余使用寿命的预测模型； S4.将S2中得到的训练数据样本和对应的剩余使用寿命标签输入预测模型中训练预测 模型， 获得训练好的预测模型； S5.在同种零件工作的过程中使用与S1和 S2中相同的方法采集振动信号数据并进行数 据预处理， 得到测试数据， 将测试数据输入训练好的预测模型中实时预测获得零件的剩余 使用寿命； 所述S3中自注意力神经网络包括四个池化层、 特征自注意力 机制层、 位置编码层、 数据 融合层、 两个多头自注意力机制层、 数据展平层、 两个全连接网络层和输出层； 自注意力神经网络的输入作为 四个并行的池化层的输入， 四个并行的池化层的输出沿 特征维度进行连接后输入到特征自注意力机制层中， 训练数据样本同时经过四个并行的池 化层处理后， 其特征维度的尺度变为8； 所述特征自注意力机制层沿着振动信号数据的特征 维度进行操作， 给不同维度的特征分配不同的权重； 特征自注意力机制层依 次经位置编码 层、 数据融合层、 两个多头自注意力机制层、 数据展平层和两个全连接网络层后与输出层相 连； 特征自注意力机制层的输出输入到数据融合层中， 特征自注意力机制层的输出还输入 到数据展平层中； 位置编码层通过位置编码函数给不同的数据点进行位置编码得到位置编码矩阵； 将位 置编码矩阵与特征自注意力层的输出相加后得到编 码数据作为位置编 码层的输出， 从而 让 模型学习到不同数据点之间的位置关系； 所述两个多头自注意力 机制层之间通过串行的方式处理数据， 即前一个多头自注意力 机制层的输出作为下一个多头自注意力机制层的输入； 多头自注意力机制层沿着振动信号 数据的时间维度进行操作； 在每个多头自注意力机制层中， m个自注意力机制分别并行地处理输入数据， 然后将m 个自注意力机制的输出矩阵进行相加得到该层的输出矩阵； 数据融合层将特征自注意力 机制层的输出与位置编码层的输出相加后得到 融合数据， 数据展平层是将二维矩阵数据进行一维化处 理， 方便全连接网络进行处 理。 2.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方 法， 其特征在于： 所述S1中零件的振动信号数据包括水平与竖直两个方向的振动信号。 3.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方 法， 其特征在于， 所述S2中对振动信号数据进行数据预处理， 得到训练数据样本， 具体为： 采 用最大‑最小归一化方法沿时间轴对振动信号数据进行归一化处理， 将振动信号数据转化 为0到1区间内的数据后作为训练数据样本 。 4.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方 法， 其特征在于： 所述特 征自注意力机制层的自注意力机制采用常用的加性注意力。权　利　要　求　书 1/2 页 2 CN 113343591 B 25.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方 法， 其特征在于： 所述多头自注意力机制层采用点乘 注意力。 6.根据权利要求1所述的一种基于自注意力网络的产品关键零件寿命端到端预测方 法， 其特征在于： 所述 位置编码层选用正弦函数和余弦函数作为 位置编码函数。权　利　要　求　书 2/2 页 3 CN 113343591 B 3