基于多通道网络的船用风机剩余寿命预测方法及系统与流程

本技术属于健康管理，尤其涉及一种基于多通道网络的船用风机剩余寿命预测方法及系统。

背景技术：

1、船用风机作为船舶动力与通风系统中的核心旋转机械，在保障船舶设备热管理和人员安全方面具有至关重要的作用。准确获取风机运行状态、提前预测性能衰退趋势是提高船舶维护效率与航行安全性的重要前提。

2、现有技术在船用风机寿命管理领域仍存在显著不足。现有故障诊断方法侧重于分类识别而非剩余寿命量化，缺乏退化规律建模能力，难以提供基于健康状态的维护决策支持；深度学习预测方法虽能提升退化建模能力，但主要依赖轴承场景数据开发，尚未充分适配船舶复杂工况，其对抗强噪声环境及多退化机制耦合的能力不足。此外，大多数预测模型未将预测时机风险纳入优化目标，难以确保满足航行安全对及时预警的要求。

3、因此，有必要针对船用风机运行环境特点，构建一种能够在强噪声与多变工况下运行的船用风机剩余寿命预测方法，实现连续退化建模，并降低晚预测带来的安全风险，以保障船舶航行安全与减少维护成本。

4、上述陈述仅用于提供与本技术有关的背景技术信息，除非在此指出，否则在本部分中描述的内容对于本技术其它部分内容而言不是现有技术。

技术实现思路

1、本发明的一种基于多通道网络的船用风机剩余寿命预测方法及系统，旨在解决现有方法在强噪声船舶环境下特征提取能力不足、计算复杂度高、缺乏安全导向优化等核心缺陷；通过首先对原始振动信号执行小波阈值降噪与多项式平滑的两阶段预处理，随后通过多层小波包分解构建横向与纵向双通道二维时频图，接着在特征编码阶段实现局部-全局退化特征的低复杂度提取与跨频带深度交互融合，有效降低了预测滞后引发的漏检风险，实现了在复杂海洋工况下高精度、低延迟的风机剩余寿命连续预测。

2、根据本技术实施例的第一个方面，提供了一种基于多通道网络的船用风机剩余寿命预测方法，包括以下步骤：

3、获取船用风机运行时的原始振动信号，并对原始振动信号进行预处理，得到降噪信号；

4、对降噪信号进行多层小波包分解，提取各频带系数，将各频带系数重塑为横向二维时频图与纵向二维时频图，构建多通道输入特征；

5、将多通道输入特征输入至多通道swin transformer网络，多通道swintransformer网络包括窗口自注意力模块与移位窗口自注意力模块，通过窗口自注意力与移位窗口自注意力提取局部退化特征与全局退化特征，并在编码阶段对横向通道与纵向通道进行特征对齐与融合，输出融合后的高维退化特征向量；

6、将高维退化特征向量输入至多尺度回归输出层，得到风机剩余寿命预测值。

7、在本技术一些实施方式中，还包括：

8、采用自定义损失函数训练多通道swin transformer网络，自定义损失函数包含预测滞后惩罚项，当风机剩余寿命预测值大于真实剩余寿命值时，预测滞后惩罚项施加加权惩罚。

9、在本技术一些实施方式中，对原始振动信号进行预处理，包括对原始振动信号进行小波阈值降噪处理；小波阈值降噪处理包括：

10、采用db5小波基函数对原始振动信号进行多层分辨率小波分解，将振动信号分解为不同频带的逼近系数与细节系数，对细节系数施加软阈值函数进行阈值处理，抑制噪声并保留瞬态退化信息。

11、在本技术一些实施方式中，软阈值函数为：

12、；

13、其中，

λ为自适应阈值，sgn()为符号函数。

14、在本技术一些实施方式中，进行小波阈值降噪处理之后，还包括对阈值处理后的信号进行多项式平滑处理；多项式平滑处理包括：

15、采用多项式平滑滤波，公式如下：

16、；

17、其中，p为多项式阶数，t 为自变量，为第j个待拟合的多项式系数。

18、在本技术一些实施方式中，对降噪信号进行多层小波包分解之前，还包括采用滑动时间窗口对连续采样信号进行分段形成连续输入样本序列：

19、；

20、其中，为第k个时刻的滑动窗口样本，

l为窗口长度，步长

s=

l/2，相邻窗口保持50%重叠率。

21、在本技术一些实施方式中，还包括对连续输入样本序列进行进行3层小波包分解，得到23=8个频带：

22、；

23、各频带的小波包系数为：

24、；

25、其中，

l为滑动窗口长度；c(

k)为第

k个频带的系数序列；

26、将各频带小波包系数c(

k)重塑为二维矩阵，分别构建横向时频图通道xhor和纵向时频图通道xver：

27、；

28、；

29、其中，

h为二维时频图的高度，

w为二维时频图的宽度；横向时频图通道fhor的横轴代表时间序列顺序、纵轴代表各频带能量归一化值，纵向时频图通道fver的横轴代表频带序号、纵轴代表时间顺序；

30、将横向时频图通道与纵向时频图通道堆叠，形成双通道输入特征：

31、;

32、。

33、根据本技术实施例的第二个方面，提供了一种基于多通道网络的船用风机剩余寿命预测系统，包括：

34、信号预处理模块，用于获取船用风机运行时的原始振动信号，并对原始振动信号进行预处理，得到降噪信号；

35、特征提取模块，用于对降噪信号进行多层小波包分解，提取各频带系数，将各频带系数重塑为横向二维时频图与纵向二维时频图，构建多通道输入特征；

36、多通道网络模块，用于将多通道输入特征输入至多通道swin transformer网络，多通道swin transformer网络包括窗口自注意力模块与移位窗口自注意力模块，通过窗口自注意力与移位窗口自注意力提取局部退化特征与全局退化特征，并在编码阶段对横向通道与纵向通道进行特征对齐与融合，输出融合后的高维退化特征向量；

37、预测模块，用于将高维退化特征向量输入至多尺度回归输出层，得到风机剩余寿命预测值。

38、根据本技术实施例的第三个方面，提供了一种基于多通道网络的船用风机剩余寿命预测装置，包括：存储单元，用于存储可执行指令；以及处理单元，用于与存储器连接以执行可执行指令从而完成基于多通道网络的船用风机剩余寿命预测方法。

39、根据本技术实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现基于多通道网络的船用风机剩余寿命预测方法。

40、采用本技术的一种基于多通道网络的船用风机剩余寿命预测方法及系统，方法包括获取船用风机运行时的原始振动信号，并对原始振动信号进行预处理，得到降噪信号；对降噪信号进行多层小波包分解，提取各频带系数，将各频带系数重塑为横向二维时频图与纵向二维时频图，构建多通道输入特征；将多通道输入特征输入至多通道swintransformer网络，通过窗口自注意力与移位窗口自注意力提取局部退化特征与全局退化特征，并在编码阶段对横向通道与纵向通道进行特征对齐与融合，输出融合后的高维退化特征向量；将高维退化特征向量输入至多尺度回归输出层，得到风机剩余寿命预测值。

41、本技术针对现有技术中船用风机仅具备故障分类能力、难以实现剩余寿命连续预测，以及深度学习方法在复杂海洋工况下鲁棒性及预测时效性不足等问题，本发明提出一种基于多通道swin transformer的船用风机剩余寿命预测方法。通过多阶段降噪、时频融合建模与注意力机制强化退化特征学习，能够准确量化风机性能随时间的退化趋势，并引入针对预测滞后的惩罚策略，提高预警及时性，有效保障船舶航行安全。

42、另外，本技术还以解决现有方法在强噪声船舶环境下特征提取能力不足、计算复杂度高、缺乏安全导向优化等核心缺陷，有效降低了预测滞后引发的漏检风险，实现了在复杂海洋工况下高精度、低延迟的风机剩余寿命连续预测。

43、与现有技术相比，本发明具有以下有益效果：

44、1、强噪声环境下退化特征提取鲁棒性高：本发明采用小波阈值降噪与多项式平滑相结合的两阶段去噪策略，配合多层小波包分解生成多分辨率时频特征图，能够优先强化退化敏感特征表达，有效抑制船舶机舱强噪声干扰，克服了现有方法在低信噪比环境下特征提取能力下降的技术缺陷。

45、2、计算复杂度低且兼顾局部与全局特征：本发明采用swin transformer的窗口自注意力与移位窗口自注意力机制，将自注意力的计算复杂度大大降低，在船用风机高采样率长序列数据中具有显著的计算效率优势。

46、同时，通过层级化窗口划分与移位操作，模型能够同时提取局部瞬态冲击特征（如叶片损伤）与全局缓慢退化趋势（如轴承磨损），克服了现有lstm方法无法并行化与缺乏全局感受野的不足，以及普通多头自注意力方法计算量过大且缺乏局部建模能力的缺陷。

47、3、特征级多域深度融合能力：本发明设计横向与纵向多通道输入结构，并通过门控交叉注意力机制在特征编码阶段对时域演变轨迹与频带能量分布进行深度交互与自适应融合，而非仅在预测结果层面进行加权平均。该特征级融合策略能够自适应地突出强噪声背景下最具判别力的时频联合特征，抑制冗余频带干扰，提升跨工况泛化性能。

48、4、安全导向的优化目标：本发明引入连续可微的自适应滞后惩罚损失函数，当预测值超过真实剩余寿命时自动施加饱和惩罚，使模型在训练过程中持续关注安全风险。与现有技术中采用的mse损失或分段线性固定阈值裁剪相比，本发明避免了梯度骤变问题，显著降低极端晚预测事件的发生概率，符合船舶设备“宁可错修、不可漏修”的工程安全准则。

49、5、在线更新与工程部署可行性强：本发明通过滑动时窗生成连续输入序列，支持模型在线更新与持续预测；具体实施例中网络参数量约为15m，在嵌入式gpu上单次推理时间低于5ms，满足船舶实时监测需求。