买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥热电集团有限公司申请的专利一种基于BN-RBM和DA-BiLSTM的轴承剩余寿命预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120930479B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511031027.1，技术领域涉及：G06F30/27；该发明授权一种基于BN-RBM和DA-BiLSTM的轴承剩余寿命预测方法是由李黎;王刚;魏久檗;刘倩倩;马章磊;陶睿雪;司文;孙凯设计研发完成，并于2025-07-25向国家知识产权局提交的专利申请。

本一种基于BN-RBM和DA-BiLSTM的轴承剩余寿命预测方法在说明书摘要公布了：本发明公开了一种基于BN‑RBM和DA‑BiLSTM的轴承剩余寿命预测方法，首先采集轴承运行过程中的原始振动信号并进行数据预处理，然后构建轴承剩余寿命预测模型，轴承剩余寿命预测模型包括有BN‑RBM特征提取网络、DA‑BiLSTM特征融合网络和线性回归层，BN‑RBM特征提取网络利用贝叶斯BN构建的后验概率动态化更新受限玻尔兹曼机RBM的权重先验分布，并采用训练后的RBM进行特征提取，DA‑BiLSTM特征融合网络进行双向特征融合，线性回归层进行线性激活，输出轴承剩余寿命的预测值。本发明有效提高轴承剩余寿命预测的准确度，通过在故障前进行及时有效的寿命预测，减少由故障导致的停机风险。

本发明授权一种基于BN-RBM和DA-BiLSTM的轴承剩余寿命预测方法在权利要求书中公布了：1.一种基于BN-RBM和DA-BiLSTM的轴承剩余寿命预测方法，其特征在于：具体包括有以下步骤： 1、采集轴承运行过程中的原始振动信号并进行数据预处理，从而构建得到轴承数据集； 2、构建轴承剩余寿命预测模型，轴承剩余寿命预测模型包括有BN-RBM特征提取网络、DA-BiLSTM特征融合网络和线性回归层；所述的BN-RBM特征提取网络利用贝叶斯BN构建的后验概率动态化更新受限玻尔兹曼机RBM的权重先验分布，得到动态RBM权重先验分布，然后采用动态RBM权重先验分布引导后训练的受限玻尔兹曼机RBM对轴承数据中的退化特征进行特征提取；所述的DA-BiLSTM特征融合网络是采用BiLSTM网络的滑动窗口机制构建时序样本，对提取后的特征进行双向特征融合，滑动窗口长度由蜻蜓优化算法DA优化确定；所述的线性回归层对轴承的融合特征进行线性激活，输出轴承剩余寿命的预测值； 所述的DA-BiLSTM特征融合网络进行双向特征融合的具体步骤为： S31、BN-RBM特征提取网络输出的退化特征集合为，按时间序列组织为时序样本，生成的时序样本具体见下式6： 6； 式6中，代表第m个时序样本；代表滑动窗口长度，由蜻蜓优化算法DA优化确定；代表第m个时序样本中时刻t的退化特征集合； S32、BiLSTM网络包括有多层BiLSTM结构，每层BiLSTM结构均包含前向LSTM和后向LSTM，每层BiLSTM结构的处理过程见下式7： 7； 式7中，代表前向LSTM在时刻t的隐层状态，代表前向LSTM在时刻t-1的隐层状态，代表后向LSTM在时刻t的隐层状态，代表后向LSTM在时刻t+1的隐层状态，代表前向LSTM，代表后向LSTM，代表在时刻t的双向融合特征； S33、引入Dropout层对BiLSTM网络处理后的时序样本进行随机置零处理，并使用全局平均池化得到固定向量表示，具体见下式8： 8； 式8中，代表Dropout层，处理过程同式5；代表DA-BiLSTM特征融合网络输出的融合特征； 所述的滑动窗口长度𝑤由蜻蜓优化算法DA优化确定，具体步骤为： S311、构建BiLSTM网络的配置参数，并组合形成向量，中的参数代表BiLSTM网络的层数、代表BiLSTM隐层大小、代表学习率、代表Dropout比例、代表滑动窗口长度； 每个为一个个体，定义在预设范围内，随机生成n个，同时初始化其速度向量； S312、每次迭代中，将中的参数应用于BiLSTM网络中，在验证集上训练并评估，计算预测均方误差MSE；适应度值设为验证MSE；标记当前群体中MSE最小和最大者，分别对应食源和敌人； S313、蜻蜓优化算法DA包括以下五类行为向量： 分离：个体间位置避让； 对齐：速度与邻居平均； 凝聚：向群体中心靠拢； 趋食：向最优个体靠近； 避敌：远离最差个体； 并结合惯性权重，动态更新速度与参数配置，具体见下式9和式10： 9； 10； 式9和式10中，代表t+1时刻的速度向量，代表t时刻的速率向量，代表t时刻下BiLSTM网络的配置参数，代表t+1时刻下BiLSTM网络的配置参数；权重以及惯性权重在迭代中逐渐从探索过渡到利用，达到最大迭代次数或适应度提升低于阈值时停止；输出结果为最优个体即为最佳BiLSTM网络的参数配置； 3、构建损失函数对轴承剩余寿命预测模型进行训练，采用训练好的轴承剩余寿命预测模型进行轴承剩余寿命的预测，获取轴承的剩余寿命。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥热电集团有限公司，其通讯地址为：230000 安徽省合肥市蜀山区休宁路66号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。