本发明属于机械设备剩余寿命预测，涉及一种基于多分支横向扩增网络的持续剩余使用寿命预测方法。
背景技术：
1、设备的安全可靠运行是保证工厂生产活动的核心内容。为了确保设备的运行状态和制定合理的维修计划，研究具有高精度和高鲁棒性的寿命预测方法非常重要。滚动轴承作为核心零部件之一，被广泛的应用于飞机、高铁等。然而轴承常常处于恶劣的工作环境下，这容易使轴承发生磨损、点蚀等失效故障，进而影响设备的正常运行。因此有必要对滚动轴承的剩余使用寿命进行高精度的预测。
2、现有的研究主要集中在单个部件的剩余使用寿命(remaining useful life，rul)预测任务上，旨在提高特定工况下单个部件rul预测的精度。一些研究关注的是同一部件的跨工况rul预测任务。换句话说，这些模型往往只适用于特定的部件和工作条件。然而，在实际工程中，连续采集不同工况下各部件的状态监测数据是很常见的。目前的rul预测模型一般是在具有特定分布的数据集上进行训练，限制了其在不同部件和动态变化的运行条件等动态环境中连续、自适应地学习退化信息的能力。因此，迫切需要开发一种新的rul预测方法，以有效地实现终身的rul预测任务的学习和rul预测。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于多分支横向扩增网络的持续剩余使用寿命预测方法，实现机械设备终身的rul预测任务的学习和rul预测。
2、为达到上述目的，本发明提供如下技术方案：
3、一种基于多分支横向扩增网络的持续剩余使用寿命预测方法，具体包括以下步骤：
4、s1：连续采集机械设备不同工况下的状态监测数据，并通过快速傅里叶变换从中获取频域信号；频域信号包含指示故障特征或退化模式的特定频率成分；
5、s2：将频域信号进行归一化处理；
6、s3：将归一化处理后的数据分为正常数据和退化数据；
7、s4：构建mbhan模型，并采用加入了mwc正则化项的损失函数来训练优化mbhan模型，其中，mbhan表示多分支横向扩展网络，mwc表示记忆权重约束；
8、s5：利用优化后的mbhan模型来预测机械设备的剩余使用寿命。
9、进一步，步骤s4中，构建的mbhan模型包括特征提取骨干网络和任务分支网络；
10、对于第一个rul预测任务，mbhan网络结构可以表示为表示接在网络ψ之后，其中rul表示剩余使用寿命；假设特征提取骨干网络由n个特征提取网络组成，每个特征提取网络ψ都有不同数量的rul映射网络mbhan的表示为：
11、
12、其中，是mbhan；ψi是第i个特征提取网络；是i中的第j个rul映射网络；为网络组合操作符；
13、在此基础上，当需要处理一个新的rul预测任务时，需要扩展任务分支网络或特征提取骨干网络。
14、进一步，步骤s4中，当需要处理一个新的rul预测任务时，需要扩展任务分支网络或特征提取骨干网络的具体步骤为：
15、1)判断任务相似性；
16、在连续rul预测任务的设置中，先前任务的数据不可用，当前任务的数据由数据和相应的标签组成；因此，直接将当前任务的训练数据输入模型ψ，然后可以得到所有rul映射网络的预测rul，可以表示为：
17、
18、其中，pij表示由获得的预测rul；计算每个特征提取网络的平均rul，并表示为：
19、
20、然后，计算出pmean与实际rul标签之间的平均绝对误差(mae)向量e：
21、e＝|arul-pmean|＝[e1,e2…,en]
22、其中，arul是实际的rul标签；将返回e中的最小误差；如果ei小于预设的差异阈值，表示当前任务与使用ei的任务之间差异较小；否则，认为所有先前任务与当前任务之间存在较大差异；
23、2)扩展任务分支网络：通常情况下，特征提取网络从输入的监测数据中提取出通用的退化特征，并没有特定于任务的特征提取和映射能力。如果当前任务与使用ψi的任务相似，那么在网络ψi后面添加一个新的rul映射网络(新的任务分支)，即特征提取网络ψi被网络和网络共享；在这种情况下，mbhan的结构更新为：
24、
25、为了充分利用先前任务的相关信息并加快网络收敛速度，新任务分支网络的权重使用先前网络的权重参数进行初始化；此外，考虑到网络ψi在学习新任务知识时可能会受到影响，使用mwc机制来巩固已学到的任务知识；因此，损失函数loss结合了均方误差(mse)损失和mwc正则化项lossmwc，用于更新网络参数，可以表示为：
26、
27、其中，prul是预测的rul，λ是mwc正则项的权重，是网络ψi参数的重要性，是当前任务在网络ψi上的参数，是上一任务在网络ψi上的最优参数；
28、在训练过程中，除了网络和网络ψi外，所有其他网络都被冻结；
29、3)扩展特征提取骨干网络：当前任务与所有先前任务不相似时，需要扩展一个新的特征提取网络ψnew；同时，由于新的特征提取网络ψnew没有任何特定任务的分支网络，需要添加一个任务分支网络因此，在这种情况下，mbhan的结构更新为：
30、
31、为了专注于学习当前任务的知识表示，新扩展的网络不使用先前网络的参数进行初始化，而是使用随机初始化方法；同时，损失函数只使用均方误差(mse)损失进行网络更新，可以表示为：
32、loss＝(prul-arul)2
33、与2)类似，扩展网络的参数与其他网络的参数隔离开来，也就是说，在训练新的rul预测任务时，除了网络之外，所有其他网络的参数都不会更新。
34、进一步，步骤s4中，所述特征提取网络由两个并行子网络组成，分别用于提取时域信号和频域信号中隐藏的退化信息；所述子网络包括用于空间特征提取的卷积子网络、用于捕捉长期依赖关系的四个tcn块以及用于重要特征选择和多尺度退化信息建模的has；卷积子网络利用大的卷积核扩大感受野，并尽可能从原始输入数据中保留更多信息；然后，从两个子网络中获取的深度退化特征使用连接操作进行融合；其中，tcn表示时序卷积网络，has表示分层自注意。
35、进一步，步骤s4中，has机制为：首先，定义hsa的注意力层级为n；每个层级对应一个不同的局部注意力区域；较低层级关注较小的局部区域，可以捕捉到这些区域内的细粒度特征和依赖关系；较高层级具有更广泛的注意范围，使其能够捕捉到跨更大区域的依赖关系；然后，根据注意力层级确定块大小w＝[w1,w2,…wn]；在每个级别中，根据块大小w将输入序列分成不同的子序列；在第i个注意力级别和每个子序列内，利用线性变换生成局部查询、键和值向量；使用余弦相似度来衡量局部查询向量和局部键向量之间的相似度；然后，将得到的相似度分数除以缩放因子其中d对应于子序列的输入维度；然后，使用softmax函数计算注意力权重，并分配给局部值向量；最后，将所有级别的注意力值通过线性变换进行整合并输出。
36、进一步，步骤s4中，所述rul映射网络紧随特征提取网络，包括一个用于任务相关特征提取的tcn块、一个自适应平均池化层和一个用于rul映射的全连接层；该网络负责将融合的退化特征映射到机械设备的rul。
37、进一步，步骤s4中，rul标签的制作：将rul值规范化为rul百分比，rul百分比标签定义为：
38、
39、其中，arult为时刻t的实际rul百分比标签，arult的取值范围为0～1；rt和rt分别表示t时刻的总寿命和实际rul，表示初始退化点对应的rul。
40、进一步，步骤s5中，预测机械设备的剩余使用寿命时，对于第一个rul预测任务，构建的预测网络为ψ1其初始权重是随机生成的；损失函数采用均方误差(mse)损失；对于后续的rul预测任务，使用mbhan通过仅使用当前任务数据来连续学习任务知识；然而，测试数据包括所有先前任务和当前测试集的测试集。
41、本发明的有益效果在于：
42、(1)本发明设计的分层自注意(hsa)机制，能够建模多尺度的局部依赖关系，它使得rul预测模型能够在不同粒度级别上捕捉退化特征和依赖关系，实现更广泛的注意范围和更全面的输入监控数据表示。
43、(2)本发明设计的时频特征融合时序卷积网络(tfftcn)充分利用了时域信号和频域信号的优势，通过结合这两种类型的信号，tfftcn可以提高准确的rul预测所需的信息表示能力，充分利用时域和频域特征之间的互补性，负责将融合的退化特征映射到机械设备的rul。
44、(3)本发明构建的多分支横向扩展网络(mbhan)通过在任务损失函数中加入记忆权重约束(mwc)正则化项促使rul预测模型在新任务的训练过程中保持重要参数接近其原始值。这种mwc有助于减轻灾难性遗忘，并促进持续的rul预测。
45、(4)本发明对于差异较小的任务采用基于半参数共享的任务分支网络增强，对于差异较大的任务采用基于参数隔离的特征提取骨干网增强。这种方法有效地保护了已获得的知识不受新任务的干扰。
46、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种基于多分支横向扩增网络的持续剩余使用寿命预测方法，其特征在于，该方法具体包括以下步骤：
2.根据权利要求1所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，构建的mbhan模型包括特征提取骨干网络和任务分支网络；
3.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，当需要处理一个新的rul预测任务时，需要扩展任务分支网络或特征提取骨干网络的具体步骤为：
4.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，所述特征提取网络由两个并行子网络组成，分别用于提取时域信号和频域信号中隐藏的退化信息；所述子网络包括用于空间特征提取的卷积子网络、用于捕捉长期依赖关系的四个tcn块以及用于重要特征选择和多尺度退化信息建模的has；卷积子网络利用大的卷积核扩大感受野，并从原始输入数据中保留更多信息；然后，从两个子网络中获取的深度退化特征使用连接操作进行融合；其中，tcn表示时序卷积网络，has表示分层自注意。
5.根据权利要求4所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，has机制为：首先，定义hsa的注意力层级为n；每个层级对应一个不同的局部注意力区域；低层级关注较小的局部区域，捕捉到这些区域内的细粒度特征和依赖关系；高层级具有更广泛的注意范围，使其能够捕捉到跨更大区域的依赖关系；然后，根据注意力层级确定块大小w＝[w1,w2,…wn]；在每个级别中，根据块大小w将输入序列分成不同的子序列；在第i个注意力级别和每个子序列内，利用线性变换生成局部查询、键和值向量；使用余弦相似度来衡量局部查询向量和局部键向量之间的相似度；然后，将得到的相似度分数除以缩放因子其中d对应于子序列的输入维度；然后，使用softmax函数计算注意力权重，并分配给局部值向量；最后，将所有级别的注意力值通过线性变换进行整合并输出。
6.根据权利要求2所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，所述rul映射网络紧随特征提取网络，包括一个用于任务相关特征提取的tcn块、一个自适应平均池化层和一个用于rul映射的全连接层；该网络负责将融合的退化特征映射到机械设备的rul。
7.根据权利要求3所述的持续剩余使用寿命预测方法，其特征在于，步骤s4中，rul标签的制作：将rul值规范化为rul百分比，rul百分比标签定义为：
8.根据权利要求1所述的持续剩余使用寿命预测方法，其特征在于，步骤s5中，预测机械设备的剩余使用寿命时，对于第一个rul预测任务，构建的预测网络为其初始权重是随机生成的；损失函数采用均方误差损失；对于后续的rul预测任务，使用mbhan通过仅使用当前任务数据来连续学习任务知识；测试数据包括所有先前任务和当前测试集的测试集。
