一种机床主轴轴承寿命预测方法及系统
技术领域
本发明涉及轴承剩余寿命预测技术领域，具体地，涉及一种机床主轴轴承寿命预测方法及系统，更为具体地，涉及一种基于具有特征意识的LSTM网络的机床主轴轴承寿命预测方法及系统。
背景技术
数控机床作为“工业之母”，在工业制造中发挥着极其重要的作用。机床的主轴轴承作为机床的关键部件，其健康状态对于机床加工的稳定性和精度都有着很大的影响。而主轴在加工过程中承受着巨大的载荷，很容易造成主轴轴承的性能退化甚至出现故障，造成加工精度下降以及经济损失。所以，能够根据现有监控数据实现对主轴轴承剩余使用寿命的精确预测，进而为预防性的维护提供参考，对于现代生产过程具有非常重要的意义。
现有的机械剩余使用寿命预测方法主要有基于物理模型的方法和数据驱动的方法。由于近年来传感、监控等技术在工业领域的大量应用，获取大量的加工状态信号成为可能，数据驱动的方法凭借其对复杂工况下机械退化过程的强大建模能力，成为当前研究的热点。常用的数据驱动的寿命预测方法主要包括退化特征的提取、特征的选择与降维、剩余寿命预测几个步骤，通过提取一系列特征来反映机械的退化过程，再使用特征选择与降维方法保留最具有价值的特征而去除冗余信息，再使用回归模型、神经网络等方法从特征中预测剩余寿命。现有方法在特征的选择和降维中常常需要大量的专家知识，而且由于特征表征形式的差异性和现有的特征选择或降维方法存在的偏向性，难以确保保留具有重要信息的特征而去除真正的无用特征，同时，同一个特征在不同的退化阶段能表达的退化信息、对后续预测的帮助也会有不同，而这一点往往没有被考虑。
专利文献CN106769051A(申请号：201710144702.0)公开了“一种基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测方法”，在提取了多个特征后，结合Pearson相关系数、Fisher判别率、散度矩阵、单调性、鲁棒性等指标进行特征有效性的选择并使用KPCA方法进行进一步的特征降维，然后再使用SVR方法进行剩余寿命预测。
专利文献CN110610035A(申请号：201910803500.1)公开了“一种基于GRU神经网络的滚动轴承剩余寿命预测方法”，对振动信号提取多个特征后，使用CEEMDAN算法进行分解特征集分解，再利用单调性和相关性的线性组合对提取的退化特征集进行选择，然后作为GRU神经网络的输入进行轴承剩余寿命的预测。
这些方法都通过人为定义的指标来选取一部分特征进行后续操作，难以具有普适性，且都忽略了不同特征在不同退化阶段表征信息能力的差异，仅使用全生命周期的特征进行选择，然后同等地用于各预测时间。
本发明通过采用基于自注意力机制建立的具有特征意识的LSTM网络结构，解决了在机床主轴轴承剩余寿命预测中的多维退化特征选择过程复杂、特征在不同退化阶段表征退化信息能力的差异往往被忽略的问题，实现了对于各退化阶段复杂特征的自动化重要性评估与赋权使用，提升了对于轴承剩余寿命预测的准确性和通用性。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种机床主轴轴承寿命预测方法及系统。
根据本发明提供的一种机床主轴轴承寿命预测方法，包括：
步骤M1：从布置在机床的振动传感器上采集主轴轴承的振动信号；
步骤M2：从采集的主轴轴承的振动信号中提取N个特征，构建特征集；
步骤M3：对特征集中的特征进行归一化处理；
步骤M4：构建一个具有N个输入特征通道的具有特征意识的LSTM网络模型，具有特征意识的LSTM网络模型包括LSTM层、特征意识层、寿命预测LSTM层和回归层；确定LSTM层的隐藏神经元数量、寿命预测LSTM层的隐藏神经元数量和层数；预设长度为L的时间窗，取任一时刻前L个周期的归一化后特征作为具有特征意识的LSTM网络模型输入，输出每一时刻对应的剩余使用寿命百分比预测值；
步骤M5：将实际剩余使用寿命占生命周期的百分比作为对应标签，对具有特征意识的LSTM网络模型使用Adam优化器进行迭代训练，直至损失函数达到预设值，得到训练后的具有特征意识的LSTM网络模型；
步骤M6：将待预测样本输入到训练后得到的具有特征意识的LSTM网络模型中，输出轴承剩余使用寿命的预测结果。
优选地，所述步骤M1包括：采集主轴轴承的振动信号包括X方向和Y方向两个通道。
优选地，所述步骤M3包括：对特征集中的特征采用z-score归一化方法进行归一化处理，表达式如下：
其中，xj为第j个特征，μj和σj分别为第j个特征的前L个周期内均值和标准差，
优选地，所述步骤M4包括：
步骤M4.1：取任一时刻前L个周期的归一化后特征输入LSTM层，得到当前时刻的输出ht，具体公式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；ht和ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
步骤4.2：将前L个周期的归一化后的特征与LSTM层输出ht同时输入特征意识层，通过运算获得表征向量，表达式如下：
其中，hj表示为第j个通道LSTM层最终时刻的输出，fj为第j个特征，Wj和bj分别为权重矩阵和偏置矩阵；
步骤M4.3：将各通道获得的表征向量进行综合，通过运算获得每个特征的权重，表达式如下：
其中，u为需要学习的参数向量；uT表示向量u的转置；N表示提到的特征的数量；qj表示第j个通道的表征向量；qk表示第k个通道的表征向量；
步骤M4.4：将第j个特征乘上获得的第j个特征的权重，表达式如下：
zj＝vjfj(5)
步骤M4.5：将赋权后的特征zj构成多维特征Z输入寿命预测LSTM层中，运算得到当前时刻的输出Ht，表达式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；Ht和Ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
步骤4.6：将输出Ht通过一层回归层获得预测的剩余寿命百分比，表达式如下：
式中，Wr和br分别表示回归层的权重矩阵和偏置矩阵。
优选地，所述步骤M5中损失函数包括：
损失函数为均方误差函数，表达式如下：
其中，M表示样本数量，ok和
根据本发明提供的一种机床主轴轴承寿命预测系统，包括：
模块M1：从布置在机床的振动传感器上采集主轴轴承的振动信号；
模块M2：从采集的主轴轴承的振动信号中提取N个特征，构建特征集；
模块M3：对特征集中的特征进行归一化处理；
模块M4：构建一个具有N个输入特征通道的具有特征意识的LSTM网络模型，具有特征意识的LSTM网络模型包括LSTM层、特征意识层、寿命预测LSTM层和回归层；确定LSTM层的隐藏神经元数量、寿命预测LSTM层的隐藏神经元数量和层数；预设长度为L的时间窗，取任一时刻前L个周期的归一化后特征作为具有特征意识的LSTM网络模型输入，输出每一时刻对应的剩余使用寿命百分比预测值；
模块M5：将实际剩余使用寿命占生命周期的百分比作为对应标签，对具有特征意识的LSTM网络模型使用Adam优化器进行迭代训练，直至损失函数达到预设值，得到训练后的具有特征意识的LSTM网络模型；
模块M6：将待预测样本输入到训练后得到的具有特征意识的LSTM网络模型中，输出轴承剩余使用寿命的预测结果。
优选地，所述模块M1包括：采集主轴轴承的振动信号包括X方向和Y方向两个通道。
优选地，所述模块M3包括：对特征集中的特征采用z-score归一化方法进行归一化处理，表达式如下：
其中，xj为第j个特征，μj和σj分别为第j个特征的前L个周期内均值和标准差，
优选地，所述模块M4包括：
模块M4.1：取任一时刻前L个周期的归一化后特征输入LSTM层，得到当前时刻的输出ht，具体公式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；ht和ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
模块4.2：将前L个周期的归一化后的特征与LSTM层输出ht同时输入特征意识层，通过运算获得表征向量，表达式如下：
其中，hj表示为第j个通道LSTM层最终时刻的输出，fj为第j个特征，Wj和bj分别为权重矩阵和偏置矩阵；
模块M4.3：将各通道获得的表征向量进行综合，通过运算获得每个特征的权重，表达式如下：
其中，u为需要学习的参数向量；uT表示向量u的转置；N表示提到的特征的数量；qj表示第j个通道的表征向量；qk表示第k个通道的表征向量；
模块M4.4：将第j个特征乘上获得的第j个特征的权重，表达式如下：
zj＝vjfj(5)
模块M4.5：将赋权后的特征zj构成多维特征Z输入寿命预测LSTM层中，运算得到当前时刻的输出Ht，表达式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；Ht和Ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
模块4.6：将输出Ht通过一层回归层获得预测的剩余寿命百分比，表达式如下：
式中，Wr和br分别表示回归层的权重矩阵和偏置矩阵。
优选地，所述模块M5中损失函数包括：
损失函数为均方误差函数，表达式如下：
其中，M表示样本数量，ok和
与现有技术相比，本发明具有如下的有益效果：
1、本发明可实现对一般寿命预测过程中的多维复杂特征的自动选择与使用，简化预测过程并提高准确度；
2、本发明通过采用基于自注意力机制建立的具有特征意识的LSTM网络结构，一方面，实现了自动的特征选择和使用过程，大大减少了专家知识的参与；另一方面，对每一时刻的样本进行特征重要性的评估并赋权，选择性地利用当前特征集中能提供有效信息的特征，从而在每一阶段都能充分利用特征中潜藏的退化信息，有效提高了轴承剩余寿命预测的精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为机床主轴轴承寿命预测方法流程图；
图2为在轴承1_3上LSTM网络预测结果图；
图3为在轴承1_3上本发明方法预测结果图；
图4为在轴承1_4上LSTM网络预测结果图；
图5为在轴承1_4上本发明方法预测结果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明构建了一种基于自注意力机制的具有特征意识的LSTM网络用于机床主轴轴承的寿命预测，可实现对一般寿命预测过程中的多维复杂特征的自动选择与使用，简化预测过程并提高准确度。
实施例1
根据本发明提供的一种机床主轴轴承寿命预测方法，如图1所示，包括：
步骤M1：从布置在机床的振动传感器上采集主轴轴承的振动信号；
步骤M2：从采集的主轴轴承的振动信号中提取N个特征，包括时域特征、频域特征等，构建特征集；
步骤M3：对特征集中的特征进行归一化处理，防止不同特征之间幅值的差异对结果造成影响；将每一时刻对应的实际剩余使用寿命转化为寿命百分比，作为LSTM网络模型的输出。
步骤M1中采集的训练样本为轴承工作的全生命周期的振动信号，用轴承寿命结束时刻减去当前样本对应的时刻即为该样本对应的实际剩余使用寿命。
步骤M4：构建一个具有N个输入特征通道的具有特征意识的LSTM网络模型，具有特征意识的LSTM网络模型包括LSTM层、特征意识层、寿命预测LSTM层和回归层；确定LSTM层的隐藏神经元数量、寿命预测LSTM层的隐藏神经元数量和层数；预设长度为L的时间窗，取任一时刻前L个周期的归一化后特征作为具有特征意识的LSTM网络模型输入，输出每一时刻对应的实际剩余使用寿命百分比预测值；
步骤M5：将实际剩余使用寿命占生命周期的百分比作为对应标签，对具有特征意识的LSTM网络模型使用Adam优化器进行迭代训练，直至损失函数达到预设值，得到训练后的具有特征意识的LSTM网络模型；
步骤M6：将待预测样本输入到训练后得到的具有特征意识的LSTM网络模型中，输出轴承剩余使用寿命的预测结果。
具体地，所述步骤M1包括：采集主轴轴承的振动信号包括X方向和Y方向两个通道。
具体地，所述步骤M3包括：对特征集中的特征采用z-score归一化方法进行归一化处理，表达式如下：
其中，xj为第j个特征，μj和σj分别为第j个特征的前L个周期内均值和标准差，
具体地，所述步骤M4包括：
步骤M4.1：特征意识模块具有N个通道，每个通道具有完全相同且独立的结构，首先取任一时刻前L个周期的归一化后特征输入一层用于处理特征时序信息的LSTM(长短时记忆神经网络)层，得到当前时刻的输出ht，具体公式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；ht和ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
步骤4.2：将前L个周期的归一化后的特征与LSTM层输出ht同时输入特征意识层，通过运算获得表征向量，表达式如下：
其中，hj表示为第j个通道LSTM层最终时刻的输出，fj为第j个特征，Wj和bj分别为权重矩阵和偏置矩阵；
步骤M4.3：将各通道获得的表征向量进行综合，通过运算获得每个特征的权重，表达式如下：
其中，u为需要学习的参数向量；uT表示向量u的转置；N表示提到的特征的数量；qj表示第j个通道的表征向量；qk表示第k个通道的表征向量；
步骤M4.4：将第j个特征乘上获得的第j个特征的权重，表达式如下：
zj＝vjfj(5)
步骤M4.5：将赋权后的特征zj构成多维特征Z输入寿命预测LSTM层中，运算得到当前时刻的输出Ht，表达式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；Ht和Ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
步骤4.6：将输出Ht通过一层回归层获得预测的剩余寿命百分比，表达式如下：
式中，Wr和br分别表示回归层的权重矩阵和偏置矩阵。
具体地，所述步骤M5中损失函数包括：
损失函数为均方误差函数，表达式如下：
其中，M表示样本数量，ok和
根据本发明提供的一种机床主轴轴承寿命预测系统，包括：
模块M1：从布置在机床的振动传感器上采集主轴轴承的振动信号；
模块M2：从采集的主轴轴承的振动信号中提取N个特征，包括时域特征、频域特征等，构建特征集；
模块M3：对特征集中的特征进行归一化处理，防止不同特征之间幅值的差异对结果造成影响；将每一时刻对应的实际剩余使用寿命转化为寿命百分比，作为LSTM网络模型的输出。
模块M1中采集的训练样本为轴承工作的全生命周期的振动信号，用轴承寿命结束时刻减去当前样本对应的时刻即为该样本对应的实际剩余使用寿命。
模块M4：构建一个具有N个输入特征通道的具有特征意识的LSTM网络模型，具有特征意识的LSTM网络模型包括LSTM层、特征意识层、寿命预测LSTM层和回归层；确定LSTM层的隐藏神经元数量、寿命预测LSTM层的隐藏神经元数量和层数；预设长度为L的时间窗，取任一时刻前L个周期的归一化后特征作为具有特征意识的LSTM网络模型输入，输出每一时刻对应的实际剩余使用寿命百分比预测值；
模块M5：将实际剩余使用寿命占生命周期的百分比作为对应标签，对具有特征意识的LSTM网络模型使用Adam优化器进行迭代训练，直至损失函数达到预设值，得到训练后的具有特征意识的LSTM网络模型；
模块M6：将待预测样本输入到训练后得到的具有特征意识的LSTM网络模型中，输出轴承剩余使用寿命的预测结果。
具体地，所述模块M1包括：采集主轴轴承的振动信号包括X方向和Y方向两个通道。
具体地，所述模块M3包括：对特征集中的特征采用z-score归一化方法进行归一化处理，表达式如下：
其中，xj为第j个特征，μj和σj分别为第j个特征的前L个周期内均值和标准差，
具体地，所述模块M4包括：
模块M4.1：特征意识模块具有N个通道，每个通道具有完全相同且独立的结构，首先取任一时刻前L个周期的归一化后特征输入一层用于处理特征时序信息的LSTM(长短时记忆神经网络)层，得到当前时刻的输出ht，具体公式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；ht和ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
模块4.2：将前L个周期的归一化后的特征与LSTM层输出ht同时输入特征意识层，通过运算获得表征向量，表达式如下：
其中，hj表示为第j个通道LSTM层最终时刻的输出，fj为第j个特征，Wj和bj分别为权重矩阵和偏置矩阵；
模块M4.3：将各通道获得的表征向量进行综合，通过运算获得每个特征的权重，表达式如下：
其中，u为需要学习的参数向量；uT表示向量u的转置；N表示提到的特征的数量；qj表示第j个通道的表征向量；qk表示第k个通道的表征向量；
模块M4.4：将第j个特征乘上获得的第j个特征的权重，表达式如下：
zj＝vjfj(5)
模块M4.5：将赋权后的特征zj构成多维特征Z输入寿命预测LSTM层中，运算得到当前时刻的输出Ht，表达式如下：
其中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值；ct和ct-1分别为当前时刻和前一时刻的细胞状态；Ht和Ht-1分别为当前时刻和前一时刻的输出；xt为当前时刻的输入；Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵；bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵；σ和tanh分别表示sigmoid和双曲正切激活函数；⊙表示对应元素相乘的运算；
模块4.6：将输出Ht通过一层回归层获得预测的剩余寿命百分比，表达式如下：
式中，Wr和br分别表示回归层的权重矩阵和偏置矩阵。
具体地，所述模块M5中损失函数包括：
损失函数为均方误差函数，表达式如下：
其中，M表示样本数量，ok和
实施例2
实施例2是实施例1的变化例
本发明的方法具体实施步骤如下：
步骤1：从布置在机床的振动传感器采集主轴轴承的振动信号。采集到的振动信号一般有x方向和y方向两个通道，均用于所述步骤2中的特征提取过程得到不同的特征。
步骤2：从振动信号中提取N个特征，包括时域特征、频域特征等，构建特征集。
实施例中，提取10个时域特征和2个频域特征，两个振动信号通道形成24个特征构成特征集。特征的具体描述见表1：
表1提取的特征的描述
表中x(n)是信号序列，m是信号在一段时间内的平均值；f(k)是信号经过快速傅里叶变换后的频谱，s是频谱在一段时间内的平均值；K表示信号频谱总点数，N表示信号序列总点数。
步骤3：对特征集中的特征进行归一化处理，防止不同特征之间幅值的差异对结果造成影响；将每一时刻对应的实际剩余使用寿命转化为寿命百分比，作为模型的输出。
采用z-score归一化方法，表达式如下：
式中，xj为第j个特征，μj和σj分别为其均值和标准差，xj是归一化后的第j个特征。
步骤4：构建一个具有N个输入特征通道的具有特征意识的LSTM网络，确定特征意识模块中LSTM的隐藏神经元数量、寿命预测LSTM的隐藏神经元数量和层数。使用长度为L的时间窗，取任一时刻前L个周期的归一化后特征作为输入，输入模型后获得输出。。
实施例中，N为24，特征意识模块中LSTM的隐藏神经元数量为4，寿命预测LSTM网络具有1层LSTM层，隐藏神经元数量为64。时间窗长度L为10，即输入的每个特征长度为10.
具有特征意识的LSTM网络模型具有一个特征意识模块和一个LSTM网络组成。
4.1特征意识模块具有24个通道，每个通道具有完全相同且独立的结构。首先每个特征被输入一层用于处理特征时序信息的LSTM(长短时记忆神经网络)层，通过输入门、遗忘门、输出门控制信息的流动，从而提取特征中的长时依赖，具体算法如下：
ft＝σ(Wf·[xt,ht-1]+bf)
it＝σ(Wi·[xt,ht-1]+bi)
ot＝σ(Wo·[xt,ht-1]+bo)
ct＝it⊙tanh(Wc·[xt,ht-1]+bc)+ft⊙ct-1
ht＝it⊙tanh(ct)
式中，ft，it，ot分别为当前时刻的遗忘门、输入门、输出门的值，Ct和Ct-1分别为当前时刻和前一时刻的细胞状态，ht和ht-1分别为当前时刻和前一时刻的输出，xt为当前时刻的输入，Wf，Wi，Wo，Wc分别为遗忘门、输入门、输出门和细胞状态的权重矩阵，bf，bi，bo，bc分别为遗忘门、输入门、输出门和细胞状态的偏执矩阵，σ和tanh分别表示sigmoid和双曲正切激活函数，⊙表示对应元素相乘的运算。
4.2然后输入特征与4.1中LSTM输出同时输入一层特征意识层，通过运算获得一个表征向量，具体算法如下：
式中hj为(1)中第j个通道LSTM最终时刻的输出，fj为第j个特征，Wj和bj分别为权重矩阵和偏置矩阵。
实施例中，qj∈R8×1。
4.3将4.2中各通道获得的表征向量进行综合，通过运算获得每个特征的权重：
式中u为需要学习的参数向量，u∈R8×1。
4.4将第j个特征乘上4.3中获得的第j个特征的权重，即
zj＝vjfj，j＝1,2,...,24
4.5然后将赋权后的特征zj构成多维特征Z∈R24×10输入后面的寿命预测LSTM中，通过类似4.1中的运算得到输出H。
4.6将4.5中的输出H通过一层回归层获得预测的剩余寿命百分比，表达式如下：
式中，Wr和br分别为回归层的权重矩阵和偏置矩阵。
步骤5：对应的剩余寿命百分比作为输出的对应标签，计算相应的损失函数值，使用Adam优化器寻找损失函数的最小值解，通过反向传播算法得到训练完成的模型。
损失函数为均方误差函数(mean-squared-error,MSE)，具体表达式如下：
式中M为样本数量，ok和
步骤6：将待预测样本输入到训练好的模型中，输出轴承剩余使用寿命的预测结果。
采用来自PRONOSTIA试验台的轴承全生命周期实验数据对本发明进行验证。实验记录了滚动轴承加速退化过程水平和竖直两个方向的振动信号，每隔10秒采集0.1秒信号，采样频率是25.6kHz。选择轴承1_1、1_2、1_5、1_6、1_7用于模型训练，使用轴承1_3、1_4用于验证模型预测效果。
在构建了训练样本与模型后，对模型进行训练，学习率为0.001，训练迭代50次。然后将测试样本输入已训练好的模型获得对轴承1_3和1_4生命周期各时间的剩余使用寿命预测值。同时使用不具有特征意识模块的单独LSTM网络进行预测结果的对比。由图2-3和图4-5可以看出，本发明方法的剩余使用寿命预测结果曲线更接近真实的剩余使用寿命曲线。
使用预测结果与真实值的均方根误差(Root-mean-squared-error,RMSE)来衡量预测结果的准确程度。表2中给出了本发明方法与单独LSTM网络预测结果的RMSE值，可以看出本发明方法具有明显更低的整体预测误差，即更高的预测精度。
表2本发明方法与单独LSTM网络预测结果的RMSE值
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
