(19)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 202211299117.5 (22)申请日 2022.10.24 (65)同一申请的已公布的文献号 申请公布号 CN 115374711 A (43)申请公布日 2022.11.22 (73)专利权人 广东工业大 学 地址 510060 广东省广州市越秀区东 风东 路729号大院 专利权人 广东伊之密精密机 械股份有限公 司 (72)发明人 邓耀华　黄浩　张春凤　陈立尧　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 任文生 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) G06F 119/04(2020.01) (56)对比文件 CN 114707431 A,202 2.07.05 CN 114861739 A,202 2.08.05 CN 114880925 A,202 2.08.09 CN 111027719 A,2020.04.17 CN 113987834 A,202 2.01.28 冯兆熙.“基于深度置信网络的轴承剩余使 用寿命预测”. 《电子测量与仪 器学报》 .2021,第 35卷(第10期), Chengwang Guo 等. “Remaining useful life predicti on of beari ng based o n autoencoder-LSTM ”. 《 Internati onal Conference o n Mechanical Engi neering, Measurement Co ntrol, and I nstrumentati on (MEMCI 2021)》 .2021, 审查员 陈英 (54)发明名称 一种旋转多组件系统的寿命预测方法及相 关装置 (57)摘要 本申请公开了一种旋转多组件系统的寿命 预测方法及相关装置， 方法包括： 基于预置通道 注意力网络根据预置组件退化数据提取多个初 始退化特征数据； 基于预置时序注 意力网络根据 初始退化特征数据提取时序退化特征数据， 预置 时序注意力网络包括预设时序权重； 利用预设退 化状态分类器对时序退化特征数据进行退化状 态分类操作， 得到退化状态数据集， 退化状态数 据集包括有标签状态数据和无标签状态数据； 基 于域对抗网络对退化状态数据集的特征分布进 行差异调整， 得到优化特征数据； 采用预置LSTM 预测模型根据优化特征数据进行 组件寿命预测， 得到寿命预测曲线。 本申请能够解决现有技术忽 略重要特征信息， 导致寿命预测结果误差较严重的技术问题。 权利要求书2页 说明书8页 附图8页 CN 115374711 B 2022.12.27 CN 115374711 B 1.一种旋转多组件系统的寿命预测方法， 其特 征在于， 包括： 基于预置通道注意力网络根据 预置组件退化数据提取多个初始退化特征数据， 所述预 置组件退化数据包括有 寿命标签数据和无寿命标签数据； 基于预置时序注意力网络根据 所述初始退化特征数据提取时序退化特征数据， 所述预 置时序注意力网络包括预设时序权 重； 利用预设退化状态分类器对所述 时序退化特征数据进行退化状态分类操作， 得到退化 状态数据集， 所述退化状态数据集包括有标签 状态数据和无 标签状态数据； 基于域对抗网络对所述退化状态数据集的特征分布进行差异调整， 得到优化特征数 据； 采用预置LSTM预测模型根据所述优化特征数据进行组件寿命预测， 得到寿命预测曲 线。 2.根据权利要求1所述的旋转多组件系统 的寿命预测方法， 其特征在于， 所述基于预置 通道注意力网络根据预置组件退化数据提取多个初始退化特 征数据， 之前还 包括： 获取目标旋转多组件系统的原 始退化数据； 根据预置规则对所述原始退化数据中的预设比例数据进行标注， 得到有寿命标签数 据； 基于所述原始退化数据中未标注的数据和所述有寿命标签数据构建预置组件退化数 据。 3.根据权利要求1所述的旋转多组件系统 的寿命预测方法， 其特征在于， 所述基于预置 时序注意力网络根据所述初始退化特征数据提取时序退化特征数据， 所述预置时序注意力 网络包括预设时序权 重， 包括： 基于预置时序注意力网络 中的空间卷积层对所述初始退化特征数据进行卷积计算， 得 到多段空间特 征数据； 基于预设时序权重根据 所述空间特征数据进行加权平均计算， 得到多段通道退化特征 数据； 将所述通道退化特 征数据按照时序拼接， 得到时序退化特 征数据。 4.根据权利要求1所述的旋转多组件系统 的寿命预测方法， 其特征在于， 所述基于域对 抗网络对所述退化状态数据集的特 征分布进行差异调整， 得到优化特 征数据， 包括： 通过域对抗网络中的高斯混合模型分类器将所述退化状态数据集中的无标签状态数 据进行标注分类处 理， 得到拟定分类 状态数据； 将所述拟定分类状态数据和所述退化状态数据集中的有标签状态数据输入所述域对 抗网络中的域对抗器中进行 数据对齐操作， 得到优化特 征数据。 5.一种旋转多组件系统的寿命预测装置， 其特 征在于， 包括： 通道特征提取模块， 用于基于预置通道注意力网络根据 预置组件退化数据提取多个初 始退化特 征数据， 所述预置组件退化数据包括有 寿命标签数据和无寿命标签数据； 时序特征提取模块， 用于基于预置时序注意力网络根据 所述初始退化特征数据提取时 序退化特 征数据， 所述预置时序注意力网络包括预设时序权 重； 退化状态分类模块， 用于利用预设退化状态分类器对所述 时序退化特征数据进行退化 状态分类操作， 得到退化状态数据集， 所述退化状态数据集包括有标签状态数据和无标签权　利　要　求　书 1/2 页 2 CN 115374711 B 2状态数据； 数据差异调 整模块， 用于基于域对抗网络对所述退化状态数据集的特征分布进行差异 调整， 得到优化特 征数据； 组件寿命预测模块， 用于采用预置LSTM预测模型根据所述优化特征数据进行组件寿命 预测， 得到寿命预测曲线。 6.根据权利要求5所述的旋转多组件系统的寿命预测装置， 其特 征在于， 还 包括： 数据获取模块， 用于获取目标旋转多组件系统的原 始退化数据； 数据标注模块， 用于根据预置规则对所述原始退化数据中的预设比例数据进行标注， 得到有寿命标签数据； 数据构建模块， 用于基于所述原始退化数据中未标注的数据和所述有寿命标签数据构 建预置组件退化数据。 7.根据权利要求5所述的旋转多组件系统 的寿命预测装置， 其特征在于， 所述 时序特征 提取模块， 具体用于： 基于预置时序注意力网络 中的空间卷积层对所述初始退化特征数据进行卷积计算， 得 到多段空间特 征数据； 基于预设时序权重根据 所述空间特征数据进行加权平均计算， 得到多段通道退化特征 数据； 将所述通道退化特 征数据按照时序拼接， 得到时序退化特 征数据。 8.根据权利要求5所述的旋转多组件系统 的寿命预测装置， 其特征在于， 所述数据差异 调整模块， 具体用于： 通过域对抗网络中的高斯混合模型分类器将所述退化状态数据集中的无标签状态数 据进行标注分类处 理， 得到拟定分类 状态数据； 将所述拟定分类状态数据和所述退化状态数据集中的有标签状态数据输入所述域对 抗网络中的域对抗器中进行 数据对齐操作， 得到优化特 征数据。 9.一种旋转多组件系统的寿命预测装设备， 其特征在于， 所述设备包括处理器以及存 储器； 所述存储器用于存 储程序代码， 并将所述 程序代码传输给 所述处理器； 所述处理器用于根据 所述程序代码中的指令执行权利要求1 ‑4任一项所述的旋转多组 件系统的寿命预测方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质用于存储程序代 码， 所述程序代码用于执 行权利要求1 ‑4任一项所述的旋转多组件系统的寿命预测方法。权　利　要　求　书 2/2 页 3 CN 115374711 B 3