锤片式粉碎机寿命分析方法

权利要求书： 1.一种锤片式粉碎机寿命分析方法，其特征在于，具体步骤如下：

获取待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度；

根据传动轴的各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值；

根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值；

根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命；确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的步骤包括：根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，进而确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度；

根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，并确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度；

根据各个设定时间段的温度变化率、各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度、各个设定时间段的振动稳定性指标值以及各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值。

2.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段的温度变化率的计算公式：其中，为第i个设定时间段的温度变化率， 为第i个设定时间段的每个时刻的温度组成的序列， 为序列 中的最大值， 为序列 中的最小值， 为绝对值函数。

3.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度的计算公式：其中， 为各个设定时间段中的第i个设定时间段与第i?1个设定时间段的温度变化率的相似程度，为第i个设定时间段的温度变化率， 为第i?1个设定时间段的温度变化率， 为 与 之间的相似程度。

4.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度的计算公式：其中， 为各个设定时间段中的第i个设定时间段与第i?1个设定时间段的每个时刻的振动加速度的相似程度， 为第i个设定时间段的每个时刻的振动加速度， 为第i?1个设定时间段的每个时刻的振动加速度， 为 与 之间的差异指标值。

5.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，各个设定时间段的振动稳定性指标值的计算公式：其中， 为第i个设定时间段的振动稳定性指标值， 为第i个设定时间段中的第m个时刻的振动加速度，为第i个设定时间段的n个时刻的振动加速度的平均值。

6.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的计算公式：其中， 为待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值，为第i个设定时间段的温度变化率，当1≤i

7.根据权利要求1所述的一种锤片式粉碎机寿命分析方法，其特征在于，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值的步骤包括：将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值输入到构建并训练好的磨损评价TCN网络，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件；

若该初次磨损评价预测值不满足预测终止条件，则将该初次磨损评价预测值以及各个设定时间段的各磨损评价值再次输入到构建并训练好的磨损评价TCN网络中，输出该初次磨损评价预测值对应的设定时间段的下一个设定时间段对应的磨损评价预测值，并判断该磨损评价预测值是否满足预测终止条件，不断重复上述步骤，直至磨损评价预测值满足预测终止条件，并将满足预测终止条件的磨损评价预测值作为待预测寿命的锤片式粉碎机的最终磨损评价预测值。

8.根据权利要求7所述的一种锤片式粉碎机寿命分析方法，其特征在于，构建并训练磨损评价TCN网络的步骤包括：获取不同半径的入料对应的N组数据，每组数据均包括：根据锤片式粉碎机各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度所获取的各个设定时间段对应的各磨损评价值，并将不同入料半径对应的N组数据作为训练数据集；

根据磨损评价TCN网络的训练数据集，构建并训练磨损评价TCN网络，在训练的过程中不断修正磨损评价TCN网络的损失函数，直至磨损评价TCN网络训练结束，修正损失函数的计算公式如下：其中， 为磨损评价TCN网络进行第d次训练时对应的损失函数， 为磨损评价TCN网络进行第e次训练时对应的均方差损失函数， 为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度。

9.根据权利要求8所述的一种锤片式粉碎机寿命分析方法，其特征在于，磨损评价TCN网络进行训练时对应的训练样本的可信度的计算公式如下：其中， 为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度， 为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第i个设定时间段对应的磨损评价值，为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第j个设定时间段对应的磨损评价值， 为 与 之间差值的绝对值。

说明书： 一种锤片式粉碎机寿命分析方法技术领域[0001] 本发明涉及粉碎机设备分析技术领域，具体涉及一种锤片式粉碎机寿命分析方法。背景技术[0002] 由于粉碎机在各行各业的普遍使用，国内外对粉碎机的研究与发展均很重视，而且国内粉碎机的市场也有很大潜力，那么对于粉碎机购买用户来讲，比较关注的是所购买的粉碎机的使用寿命。根据粉碎机的使用寿命可以确定零件更换的具体时限，避免因更换零件不及时导致粉碎机产生的粉碎物品的质量受到影响，所以确定每台粉碎机的使用寿命也就显得格外重要。发明内容[0003] 为了解决上述锤片式粉碎机的使用寿命具有不确定性的技术问题，本发明的目的在于提供一种基于注意力机制与空间冗余的图像数据压缩方法。[0004] 为解决上述技术问题，本发明提供了一种锤片式粉碎机寿命分析方法，该方法包括以下步骤：[0005] 获取待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度；[0006] 根据传动轴的各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值；[0007] 根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值；[0008] 根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命。[0009] 进一步的，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的步骤包括：[0010] 根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，进而确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度；[0011] 根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，并确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度；[0012] 根据各个设定时间段的温度变化率、各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度、各个设定时间段的振动稳定性指标值以及各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值。[0013] 进一步的，各个设定时间段的温度变化率的计算公式：[0014][0015] 其中，为第i个设定时间段的温度变化率， 为第i个设定时间段的每个时刻的温度组成的序列， 为序列 中的最大值， 为序列 中的最小值， 为绝对值函数。

[0016] 进一步的，各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度的计算公式：[0017][0018] 其中， 为各个设定时间段中的第i个设定时间段与第i?1个设定时间段的温度变化率的相似程度，为第i个设定时间段的温度变化率， 为第i?1个设定时间段的温度变化率， 为 与 之间的相似程度。[0019] 进一步的，各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度的计算公式：[0020][0021] 其中， 为各个设定时间段中的第i个设定时间段与第i?1个设定时间段的每个时刻的振动加速度的相似程度， 为第i个设定时间段的每个时刻的振动加速度，为第i?1个设定时间段的每个时刻的振动加速度， 为 与 之间的差异指标值。

[0022] 进一步的，各个设定时间段的振动稳定性指标值的计算公式：[0023][0024] 其中， 为第i个设定时间段的振动稳定性指标值， 为第i个设定时间段中的第m个时刻的振动加速度，为第i个设定时间段的n个时刻的振动加速度的平均值。[0025] 进一步的，待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的计算公式：[0026][0027] 其中， 为待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值，为第i个设定时间段的温度变化率，当1≤i[0028] 进一步的，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值的步骤包括：[0029] 将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值输入到构建并训练好的磨损评价TCN网络，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件；[0030] 若该初次磨损评价预测值不满足预测终止条件，则将该初次磨损评价预测值以及各个设定时间段的各磨损评价值再次输入到构建并训练好的磨损评价TCN网络中，输出该初次磨损评价预测值对应的设定时间段的下一个设定时间段对应的磨损评价预测值，并判断该磨损评价预测值是否满足预测终止条件，不断重复上述步骤，直至磨损评价预测值满足预测终止条件，并将满足预测终止条件的磨损评价预测值作为待预测寿命的锤片式粉碎机的最终磨损评价预测值。[0031] 进一步的，构建并训练磨损评价TCN网络的步骤包括：[0032] 获取不同半径的入料对应的N组数据，每组数据均包括：根据锤片式粉碎机各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度所获取的各个设定时间段对应的各磨损评价值，并将不同入料半径对应的N组数据作为训练数据集；[0033] 根据磨损评价TCN网络的训练数据集，构建并训练磨损评价TCN网络，在训练的过程中不断修正磨损评价TCN网络的损失函数，直至磨损评价TCN网络训练结束，修正损失函数的计算公式如下：[0034][0035] 其中， 为磨损评价TCN网络进行第d次训练时对应的损失函数， 为磨损评价TCN网络进行第e次训练时对应的均方差损失函数， 为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度。[0036] 进一步的，磨损评价TCN网络进行训练时对应的训练样本的可信度的计算公式如下：[0037][0038] 其中， 为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度， 为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第i个设定时间段对应的磨损评价值， 为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第j个设定时间段对应的磨损评价值， 为 与 之间差值的绝对值。[0039] 本发明具有如下有益效果：[0040] 本发明获取待预测寿命的锤片式粉碎机寿命的两个影响因素，即锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度以及该机器外壳的各个设定时间段的每个时刻的振动加速度，根据这两个影响因素，确定了待预测寿命的锤片式粉碎机的最终磨损评价预测值的各个设定时间段对应的各磨损评价值。根据各个设定时间段对应的各磨损评价值得到待预测寿命的锤片式粉碎机的最终磨损评价预测值，根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定了该锤片式粉碎机的使用寿命。[0041] 本发明以影响锤片式粉碎机寿命的两个因素为出发点，对锤片式粉碎机寿命进行分析，使锤片式粉碎机的使用寿命的确定结果更加准确、使用寿命的获取过程更加便捷，保证了锤片式粉碎机的粉碎效率。附图说明[0042] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。[0043] 图1为本发明的一种锤片式粉碎机寿命分析方法的流程图。具体实施方式[0044] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种结构件生产信息视觉测量方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。[0045] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0046] 本实施例提供了一种锤片式粉碎机寿命分析方法，如图1所示，该方法的步骤包括：[0047] （1）获取待预测寿命的锤片式粉碎机对入料进行粉碎时传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度。[0048] 锤片式粉碎机在对入料进行粉碎时，锤片式粉碎机的零件锤片会受到磨损，并且当锤片磨损达到一定程度时会导致锤片式粉碎机的粉碎效率下降，而本发明的目的是为了确定锤片式粉碎机的使用寿命，以保证锤片式粉碎机的粉碎效率的稳定性。[0049] 在本实施例中，锤片式粉碎机的零件锤片的磨损程度受到两个因素的影响：锤片式粉碎机的传动轴的温度和锤片式粉碎机的振动加速度。其中，锤片式粉碎机的传动轴的温度变化的大小表示锤片式粉碎机的电机对内做功的大小，锤片式粉碎机的振动加速度变化的大小表示锤片式粉碎机的电机对外做功的大小，两者皆是无用功，无用功是指锤片式粉碎机的能量损耗，能量损耗越大表示锤片式粉碎机的零件锤片的磨损程度越严重，获取温度和振动加速度的步骤包括：[0050] 在待预测寿命的锤片式粉碎机对入料进行粉碎时，通过安装在传动轴上的红外测温计，获取传动轴的各个设定时间段的每个时刻的温度，另外，通过安装在粉碎机机器外壳的测振仪，测量待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度。这里的设定时间段的每个时刻，本实施例将其设置为1分钟内的每1秒，并获取以1分钟为一组的多组数据信息，如第i个设定时间段的每个时刻的温度可表示为 ，第i个设定时间段的每个时刻的振动加速度可表示为 。

[0051] （2）根据传动轴的各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，步骤包括：[0052] （2?1）根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，进而确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度，步骤包括：[0053] （2?1?1）首先，根据传动轴的各个设定时间段的每个时刻的温度，确定各个设定时间段的温度变化率，各个设定时间段的温度变化率的计算公式如下：[0054][0055] 其中，为第i个设定时间段的温度变化率， 为第i个设定时间段的每个时刻的温度组成的序列， 为序列 中的最大值， 为序列 中的最小值， 为绝对值函数。

[0056] 需要说明的是，为了方便后续计算，本实施例将序列 中的最大值与最小值之间差值的绝对值进行归一化，使其对应值的值域在 。另外，需要说明的是，序列 中的最大值与最小值之间差值的绝对值 越大，第i个设定时间段的温度变化率 就越小，也说明了锤片式粉碎机的电机对内做功越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越大 ；序列 中的最大值与最小值之间差值的绝对值

越小，第i个设定时间段的温度变化率 就越大，也说明锤片式粉碎

机的电机对内做功越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。

[0057] （2?1?2）然后，根据各个设定时间段的温度变化率，确定各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度，相邻的两个设定时间段的温度变化率的相似程度的计算公式如下：[0058][0059] 其中， 为各个设定时间段中的第i个设定时间段与第i?1个设定时间段的温度变化率的相似程度，为第i个设定时间段的温度变化率， 为第i?1个设定时间段的温度变化率， 为 与 之间的相似程度。[0060] 需要说明的是，各个设定时间段中的第i个设定时间段与第i?1个设定时间段的温度变化率的相似程度 越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；各个设定时间段中的第i个设定时间段与第i?1个设定时间段的温度变化率的相似程度越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。

[0061] （2?2）根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，并确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，步骤包括：[0062] （2?2?1）首先，根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段的振动稳定性指标值，振动稳定性指标值的计算公式如下：[0063][0064] 其中， 为第i个设定时间段的振动稳定性指标值， 为第i个设定时间段中的第m个时刻的振动加速度，为第i个设定时间段的n个时刻的振动加速度的平均值。[0065] 需要说明的是，振动稳定性指标值表达的是粉碎机器在运转时，机器本身的稳定性，第i个设定时间段的振动稳定性指标值 越大，表示锤片式粉碎机的晃动幅度越大，锤片式粉碎机的电机对外做功越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；第i个设定时间段的振动稳定性指标值 越小，表示锤片式粉碎机的晃动幅度越小，锤片式粉碎机的电机对外做功越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。[0066] （2?2?2）然后，根据待预测寿命的锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，确定各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，振动加速度的相似程度的计算公式如下：[0067][0068] 其中， 为各个设定时间段中的第i个设定时间段与第i?1个设定时间段的每个时刻的振动加速度的相似程度， 为第i个设定时间段的每个时刻的振动加速度，为第i?1个设定时间段的每个时刻的振动加速度， 为 与 之间的差异指标值。

[0069] 在本实施例中，通过动态时间规整计算两组振动加速度的差异指标值，有利于消除噪声点，也就是消除由于入料大小的不一致性导致锤片式粉碎机的功率所产生的波动。[0070] 需要说明的是， 与 之间的动态时间规整 越小，各个设定时间段中的第i个设定时间段与第i?1个设定时间段的每个时刻的振动加速度的相似程度越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大； 与 之间的动态时间规整 越大，各个设定时间段中的第i个设定时间段与第i?1个设定时间段

的每个时刻的振动加速度的相似程度 越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。

[0071] （2?3）根据各个设定时间段的温度变化率、各个设定时间段中的各个相邻的两个设定时间段的温度变化率的相似程度、各个设定时间段的振动稳定性指标值以及各个设定时间段中的各个相邻的两个设定时间段的每个时刻的振动加速度的相似程度，确定待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值。[0072] 其中，待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值的计算公式如下：[0073][0074] 其中， 为待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值，为第i个设定时间段的温度变化率，当1≤i[0075] 需要说明的是，待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值 越大，待预测寿命的锤片式粉碎机的锤片的磨损程度越大；待预测寿命的锤片式粉碎机的第i个设定时间段对应的磨损评价值 越小，待预测寿命的锤片式粉碎机的锤片的磨损程度越小。[0076] （3）根据待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值，获取待预测寿命的锤片式粉碎机的最终磨损评价预测值。[0077] （3?1）将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值输入到构建并训练好的磨损评价TCN网络，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件。[0078] 将待预测寿命的锤片式粉碎机的各个设定时间段对应的各磨损评价值作为磨损评价TCN网络的输入数据，如U1、U2、U3……，并把输入数据U1、U2、U3……输入到构建并训练好的磨损评价TCN网络中，输出下一个设定时间段对应的初次磨损评价预测值，并判断该初次磨损评价预测值是否满足预测终止条件，预测终止条件是指磨损评价预测值不小于设定的磨损评价值，本实施例将设定的磨损评价值记为 。[0079] 由于随着锤片式粉碎机的不断使用，其锤片受到的磨损程度也会越来越严重，因此可以通过锤片受到的磨损程度来对锤片式粉碎机的寿命进行评估。另外，实施者可根据锤片式粉碎机的粉碎要求设定不同的磨损评价值 ，当对锤片式粉碎机的粉碎要求较高时，可以设置相对较小的磨损评价值 ，反之，则可以设置相对较大的磨损评价值 。[0080] 其中，构建并训练磨损评价TCN网络的步骤包括：[0081] （3?1?1）获取不同半径的入料对应的N组数据，每组数据均包括：根据锤片式粉碎机各个设定时间段的每个时刻的温度以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度所获取的各个设定时间段对应的各磨损评价值，并将不同入料半径对应的N组数据作为训练数据集。[0082] 在本实施例中，获取不同半径的入料对应的N组训练数据，按照入料半径的大小对入料进行排序，记为 。获取锤片式粉碎机对不同半径的入料的进行粉碎时对应的传动轴的各个设定时间段的每个时刻的温度，以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，根据不同半径的入料对应的传动轴的各个设定时间段的每个时刻的温度、以及该锤片式粉碎机的各个设定时间段的每个时刻的振动加速度，并参考步骤（2），确定不同的半径入料对应的N组训练数据 的各个设定时间

段对应的各磨损评价值，记为 、 、

……，并将不同的半径入料对应的N组训练数据的各个设定时间段对

应的各磨损评价值作为磨损评价TCN网络的训练数据集。

[0083] （3?1?2）根据磨损评价TCN网络的训练数据集，构建并训练磨损评价TCN网络，在训练的过程中不断修正磨损评价TCN网络的损失函数，直至磨损评价TCN网络训练结束，修正损失函数的计算公式如下：[0084][0085] 其中， 为磨损评价TCN网络进行第d次训练时对应的损失函数， 为磨损评价TCN网络进行第e次训练时对应的均方差损失函数， 为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度。[0086] 例如，磨损评价TCN网络进行第2次训练时，也就是利用不同半径入料的训练数据集中的第2组训练数据对磨损评价TCN网络进行训练时，该磨损评价TCN网络对应的损失函数的计算公式为： 。需要说明的是，为了确保磨损评价TCN网络输出的结果更加准确和磨损评价TCN网络应用范围更广，本实施例采集了不同半径的入料的多组数据作为磨损评价TCN网络的训练数据。磨损评价TCN网络训练和构建的具体过程为现有技术，不在本发明保护范围内，此处不再详细阐述。

[0087] 其中，磨损评价TCN网络进行第e次训练对应的训练样本的可信度的计算公式如下：[0088][0089] 其中， 为磨损评价TCN网络进行第e次训练时对应的训练样本的可信度， 为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第i个设定时间段对应的磨损评价值， 为磨损评价TCN网络进行第e次训练时的各个设定时间段中的第j个设定时间段对应的磨损评价值， 为 与 之间差值的绝对值。[0090] 需要说明的是， 与 之间的距离累加和 越大，锤片式粉碎机的磨损评价TCN网络进行第e训练时对应的训练样本的可信度 就越小，也就是该训练样本的置信度越小； 与 之间的距离累加和 越小，锤片式粉碎机的磨损评价TCN网络进

行第e训练时对应的训练样本的可信度 就越大，也就是该训练样本的置信度越大。

[0091] （3?2）若该初次磨损评价预测值不满足预测终止条件，则将该初次磨损评价预测值以及各个设定时间段的各磨损评价值再次输入到构建并训练好的磨损评价TCN网络中，输出该初次磨损评价预测值对应的设定时间段的下一个设定时间段对应的磨损评价预测值，并判断该磨损评价预测值是否满足预测终止条件，不断重复上述步骤，直至磨损评价预测值满足预测终止条件，并将满足预测终止条件的磨损评价预测值作为待预测寿命的锤片式粉碎机的最终磨损评价预测值。[0092] （4）根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定待预测寿命的锤片式粉碎机的使用寿命。[0093] 根据待预测寿命的锤片式粉碎机的最终磨损评价预测值，确定最终磨损评价预测值对应的设定时间段，计算最终磨损评价预测值对应的设定时间段与初次磨损评价预测值对应的设定时间段的差值，该设定时间段的差值为待预测寿命的锤片式粉碎机的使用寿命。[0094] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0095] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。[0096] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 $(function(){ $('.-description-text-tab .item').tab(); $('.-description-item-english').on('click', function () { $('.ui.tiny.button.green[data-lang="not-en"]').css('display','none'); $('.ui.tiny.button.green[data-lang="en"]').css('display','inline-block'); }); $('.-description-item-src').on('click', function () { $('.ui.tiny.button.green[data-lang="not-en"]').css('display','inline-block'); $('.ui.tiny.button.green[data-lang="en"]').css('display','none'); }); var patentersion = $("#descriptionInfo .description").data("patentersion"); switch(patentersion){ case "us": modifyPageStructure(function (){ var numberTextArray = []; $("heading").siblings("br").remove().end().parent().siblings("br").remove(); $("brfsum").children("br").remove(); $("brfsum > btext").children("br").remove(); $("brfsum > btext > h").children("br").remove(); $("brfsum > btext > h > stext").children("br").remove(); $("brfsum > btext > para").find("br").remove(); $("brfsum > btext > para").append("<br>"); $("drwdesc").children("br").remove(); $("drwdesc > btext").children("br").remove(); $("drwdesc > btext > h").children("br").remove(); $("drwdesc > btext > h > stext").children("br").remove(); $("drwdesc > btext > para").find("br").remove(); $("drwdesc > btext > para").append("<br>"); $("detdesc").children("br").remove(); $("detdesc > btext").children("br").remove(); $("detdesc > btext > h").children("br").remove(); $("detdesc > btext > h > stext").children("br").remove(); $("detdesc > btext > para").find("br").remove(); $("detdesc > btext > para").append("<br>"); if ($("summary-of-invention").length){ $("summary-of-invention").siblings("br").remove(); $("summary-of-invention > br").remove(); } $("paragraph").each(function (i, e){ var $this = $(e); var $number = $this.find("number"); var number = $number.text(); var m = number.match(/(\d+)/); if (m) { $number.text("[" + m[1] + "]"); } }); $("heading").addClass("us-heading") }); break; case "ep": modifyPageStructure(function (){ $(".description p, .description li").siblings("br").remove(); $(".description p > br").remove(); $(".description").show(); $("heading").addClass("ep-heading") }); break; default: modifyPageStructure(); } function modifyPageStructure (fn){ fn && fn(); $(".description").show(); } (function () { var highlightTerms = $('input[name=highlightTerms]').val(); if (highlightTerms != null && highlightTerms != "") { highlightTerms = JSON.parse(highlightTerms); $.map(highlightTerms, function (terms) { highlight("description", terms); }); } function highlight(property, terms) { $("[data-property=" + property + "]").mark(terms, { "element": "span", "className": "search_gl_highlight" }); } })(); $(document).trigger("ajax.ph"); }); <div class="ui patenthub-blue icon basic dropdown button" data-role="translation-trigger" title="翻译说明书"><div class="menu"><div class="item" data-role="vip-function" data-vip-level="3"> =&gt; 英文<div class="vip-icon"><i></i><span></span></div></div></div></div>