技术摘要：
本发明公开了一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法，首先获得多源传感数据，整合为多维轴承样本集，充分利用轴承运行状态中的有效信息；将数据输入由循环卷积层和池化层组成的多层特征提取单元，提取轴承的健康状态特征，并模拟不同退化状态的时间依  全部
背景技术：
滚动轴承作为机械装备的重要零部件之一，其运行状态往往直接影响设备的整体 性能。传统的定期维修策略，对不同状态的轴承进行统一更换，不仅耗费大量人力物力，而 且可靠性不高，造成资源的严重浪费。预防性维修策略，采用深度学习方法，可根据轴承的 不同健康状况有效评估轴承的剩余寿命，进行针对性地预知维修，可大大提高轴承的服役 期，大大提升了经济效益。 目前，基于深度学习方法的剩余寿命预测模型主要采用传统的卷积神经网络 (CNN)而构建，然而，这一方法存在以下显著缺点：1)网络构建时，未将设备不同时刻的退化 状态在时间尺度上的相关性考虑在内，导致模型的预测准确性不高，应用方法难以推广；2) 缺少对轴承剩余寿命预测不确定性的量化。传统的CNN结构仅提供点估计，无法得到预测结 果的准确概率分布，使得维护决策制定的风险提高，可靠性大打折扣。
技术实现要素：
为解决上述技术问题，本发明提出一种基于循环卷积网络及变分推理的滚动轴承 寿命预测方法，用以预测滚动轴承的剩余寿命，旨在提高滚动轴承剩余寿命预测的精度和 收敛性，打破传统卷积神经网络模型的固有限制，提供剩余寿命预测的概率分布结果，促进 维护决策的有效制定。 为达到上述目的，本发明采取的技术方案为：一种基于循环卷积网络及变分推理 的滚动轴承寿命预测方法，其特征在于，包括以下步骤： 步骤1，获取滚动轴承原始多源传感数据样本数据集 其中，H×1×C为 时间序列传感数据的大小，H为每个传感数据序列长度，C为传感器个数； 步骤2，将滚动轴承数据先输入到循环卷积层，得到t时刻第i个循环卷积层的第j 个特征为： 其中，表示哈达玛积， 为t-1时刻由循环连接反馈传递的存储状态， 和 为二维卷积核， 为偏差项； 再输入模型的池化层，得到时刻t的状态 其中pool(·)为 采样函数，p为池的大小，s为步长； 步骤3，将提取后的特征输入全连接层，得到轴承剩余寿命的预测结果为： 4 CN 111611744 A 说　明　书 2/5 页 其中， 为i-1层的输出， 为权重矩阵， 为偏差矩阵； 步骤4，将步骤3所得的初步预测结果通过变分推理方法进行不确定性量化；定义 一个近似变分分布q(ω)来分解权重和偏差矩阵，即： 其中，Wl和bl分别为第l层的权重与偏差矩阵，πl∈[0,1]为给定的概率， 和 分别为权重与偏差的变分系数，τ为模型准确度，N(0,1)为标准正态分布； 步骤5，最小化近似变分分布q(ω)和后验分布p(ω|X,O)间的相对熵KL(q(ω)||p (ω|X,O))，即最小化目标函数： 其中，ω为基于循环卷积神经网络预测模型的随机变量， 为由T个输入 组成的训练数据集， 为相应的输出； 通过最小化近似变分分布和后验分布之间的Kullback-Leibler差异，得到步骤3 中预测结果的概率分布。 本发明与现有技术相比，具有以下优点和效果：本发明整合了多源传感器所采集 的信息，使预测结果更加准确可靠；循环卷积层采用循环连接，能够充分利用来自输入时间 序列传感器数据的信息并且模拟不同退化状态的时间依赖性；同时，采用门控机制解决了 迭代过程中梯度消失或梯度爆炸问题，使得模型具有更佳的收敛性；此外，基于变分推理得 到滚动轴承的概率剩余寿命的预测结果，克服了传统卷积神经网络的固有局限性，有利于 维护决策的有效制定。 附图说明 图1为本发明的流程图。 图2为基于循环卷积神经网络的寿命预测模型结构图。