一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法技术

一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，它用于评估轴承退化技术领域。本发明专利技术解决了传统HI曲线构建中存在的提取退化特征需依赖大量专家经验和有监督训练，标签选择需依赖人工参与的问题。本发明专利技术的6个去噪自编码机构建堆叠去噪自编码器来对原始振动信号数据进行多层的特征提取，训练集数据对网络进行预训练后利用BP算法微调参数，将输出的100维特征输入SOM网络训练得到各时间点对应的HI，并构建训练集的HI曲线；将测试集数据输入训练好的堆叠去噪自编码器和SOM网络中得到各时间点处的HI，并构建HI曲线；分别对训练集和测试集的HI曲线进行平滑处理，获得平滑处理后的HI曲线。本发明专利技术可以应用于评估轴承性能退化领域用。

An evaluation method for bearing performance degradation based on stack noise cancellation self encoder and self-organizing map

A method for evaluating bearing performance degradation based on stacked de-noising self-encoder and self-organizing mapping is proposed, which is used in the field of bearing degradation technology. The invention solves the problem that the extraction of degenerate features in the traditional HI curve construction depends on a large number of expert experience and supervised training, and the label selection depends on manual participation. The six denoising and self-coding mechanisms of the invention construct stacked denoising and self-encoders to extract multi-layer features from the original vibration signal data. After the training set data is pre-trained to the network, BP algorithm is used to fine-tune the parameters, and the output 100-dimensional features are input into the SOM network to train the HI corresponding to each time point, and the HI curve of the training set is constructed. The HI curves at each time point are obtained by inputting the test set data into the trained stacked denoising coder and the SOM network, and the HI curves of the training set and the test set are smoothed to obtain the HI curves after smoothing. The invention can be applied to evaluate the field of bearing performance degradation.

【技术实现步骤摘要】
一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法
本专利技术属于轴承剩余寿命预测
，具体涉及一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法。
技术介绍
轴承作为工业领域最为常用且易损的机械元件之一，保证其可靠的运行状态对于提高系统安全性、降低设备维护成本具有非常重要的现实意义。轴承健康因子(HealthIndicator,HI)作为评价轴承健康水平的特征量，是表征轴承健康水平的退化状态或退化程度的指标，因此，构建良好的HI曲线对后续的轴承剩余寿命预测具有重要的意义。然而随着轴承运行情况复杂度的增加，对轴承退化过程建立准确的物理解析模型也变得愈加复杂。基于数据驱动的方法受益于传感器技术以及存储技术的发展，可以获得大量的轴承健康状况监测数据，因而逐渐成为研究轴承剩余寿命预测的主流方式。所采用的得到表征轴承退化行为的健康因子的数据驱动方法可以分为直接预测和间接预测，由于直接预测方法将原始数据直接作为被测对象的健康因子，因此，难以满足较好的趋势性的要求，而健康因子曲线的单调性对于后续的轴承剩余寿命的预测又是至关重要的，所以国内外学者对间接构建HI曲线的方法做了广泛的研究。在间接构建HI曲线的过程中，由于原始数据无法直接作为健康因子，那么就需要进行有效的特征提取过程来获得特征集，从而对原始数据进行更加高级的表征，在此基础上进行特征选择去除冗余特征，之后在必要情况下需继续进行特征融合，通过多种特征结合共同反映轴承的健康状态。特征提取方法作为关键的一步，目前主要有基于传统信号处理技术的方法以及机器学习的方法。ZhangX.等人利用小波分析对轴承的振动信号进行特征提取，获得了具有较好趋势性的HI曲线；申中杰等人提出一种不受轴承个体差异影响的相对方均根值来表征轴承的健康状态，具有良好的上升趋势[3]。在基于机器学习的轴承HI构建方法中，人工神经网络、相关向量机等方法均得到了广泛应用，LiangGuo等人首先提取出多个基于相似性的特征以及时频域特征，之后输入到递归神经网络中进行HI曲线的构建；MaioF.D.等人利用相关向量机获得相关向量，之后采用指数函数拟合出轴承的退化状况。尽管传统的数据驱动方法在轴承HI曲线构建中取得了显著成就，但仍存在以下问题：提取退化特征仍需依赖大量专家经验以及传统的信号处理方法；部分HI构建模型的训练通常采用有监督方式，即训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；为了得到综合的单调HI曲线，往往需针对具体预测问题采用多种信号处理方法融合及依赖人工经验选择参数，缺乏一定的通用性。
技术实现思路
本专利技术的目的是为解决传统的数据驱动方法在轴承HI曲线构建中存在的提取退化特征仍需依赖大量专家经验；部分HI构建模型的训练通常采用有监督方式，训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；针对具体预测问题采用多种信号处理方法融合，依赖人工经验选择参数，缺乏一定的通用性的问题。本专利技术为解决上述技术问题采取的技术方案是：一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，该方法的具体步骤为：步骤一、利用振动传感器获取轴承全寿命周期内的原始振动信号数据，将原始振动信号数据作为堆叠去噪自编码器的输入数据x；步骤二、对步骤一中的输入数据x进行取绝对值操作，并归一化至[0,1]区间内；将输入数据x中的一部分振动数据作为训练集数据，将输入数据x中的其它部分的振动数据作为测试集数据；步骤三、建立由6个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取，其中，第一去噪自编码机、第二去噪自编码机和第三去噪自编码机构成堆叠去噪自编码器网络的编码网络，第四去噪自编码机、第五去噪自编码机和第六去噪自编码机构成堆叠去噪自编码器网络的解码网络；将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中，使训练集数据依次经过编码网络的第一去噪自编码机、第二去噪自编码机和第三去噪自编码机的无监督预训练，得到编码网络的第一去噪自编码机的编码参数θ1＝{W1,b1}、第二去噪自编码机的编码参数θ2＝{W2,b2}和第三去噪自编码机的编码参数θ3＝{W3,b3}；设置解码网络的第四去噪自编码机的编码权值W4为W3的转置，第五去噪自编码机的编码权值W5为W2的转置，第六去噪自编码机的编码权值W6为W1的转置；预训练完成后，利用BP算法对堆叠去噪自编码器网络的网络参数进行微调；利用微调后的网络参数得到编码网络输出的100维特征作为训练集数据每个时间点处提取出的100维特征；步骤四、将步骤三提取出的训练集数据的每个时间点处的100维特征作为自组织映射网络的输入，SOM网络的输入层节点数与特征数一致；经过迭代训练后，计算出训练集数据每个时间点处的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；步骤五、利用步骤三的方法将测试集数据输入到训练好的堆叠自编码器网络中通过多个隐含层进行特征提取，利用步骤四的方法将提取出的测试集的特征输入到训练好的自组织映射网络中，计算得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；步骤六、分别对步骤四和步骤五中构建好的轴承健康因子曲线进行平滑处理，得到平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线来评估轴承性能退化情况。本专利技术的有益效果是：本专利技术提供了一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，本专利技术利用6个去噪自编码机构建一个堆叠去噪自编码器，来直接对轴承的原始振动信号数据进行多层的特征提取，训练集数据在无监督的方式下进行训练，在每个去噪自编码机训练完成后保留其隐含层，并将隐含层作为下一个去噪自编码机的输入，以此类推，经过逐个去噪自动编码机的预训练，然后对整个网络利用BP算法微调参数，最终获得编码网络的100维特征输出，将堆叠去噪自编码器提取出的100维特征输入到SOM网络中进行训练，训练完成后计算出训练集上每个时间点处对应的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；将测试集数据输入训练好的堆叠去噪自编码器和SOM网络中，得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；分别对训练集和测试集的轴承健康因子曲线进行平滑处理，最终得出平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线即可评估出轴承性能退化情况。与传统方法相比，本专利技术方法构建出的轴承健康因子曲线可以更好地刻画出轴承全寿命周期内健康状况的退化趋势，并且局部振荡更小，曲线更加平滑，在测试轴承数据上的轴承健康因子曲线时间关联性提高了约10％，单调性提高了约2.5％，因此，可以更好的预估出轴承性能的退化情况。附图说明图1为本专利技术所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法的流程图；图2为本专利技术所述的堆叠去噪自编码器的结构图；图3为本专利技术所述的第一去噪自编码机的工作原理图；h是隐含层；图4为本专利技术所述的测试集数据Bearing1_3的原始振动信号示意图；图5为本专利技术的经过平滑处理后的轴承健康因子曲线的示意图。具体实施方式下面结合附图对本专利技术的技术方案作进一步的说明，但并不本文档来自技高网...

【技术保护点】
1.一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，其特征在于，该方法的具体步骤为：步骤一、利用振动传感器获取轴承全寿命周期内的原始振动信号数据，将原始振动信号数据作为堆叠去噪自编码器的输入数据x；步骤二、对步骤一中的输入数据x进行取绝对值操作，并归一化至[0,1]区间内；将输入数据x中的一部分振动数据作为训练集数据，将输入数据x中的其它部分的振动数据作为测试集数据；步骤三、建立由6个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取，其中，第一去噪自编码机、第二去噪自编码机和第三去噪自编码机构成堆叠去噪自编码器网络的编码网络，第四去噪自编码机、第五去噪自编码机和第六去噪自编码机构成堆叠去噪自编码器网络的解码网络；将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中，使训练集数据依次经过编码网络的第一去噪自编码机、第二去噪自编码机和第三去噪自编码机的无监督预训练，得到编码网络的第一去噪自编码机的编码参数θ1＝{W1,b1}、第二去噪自编码机的编码参数θ2＝{W2,b2}和第三去噪自编码机的编码参数θ3＝{W3,b3}；设置解码网络的第四去噪自编码机的编码权值W4为W3的转置，第五去噪自编码机的编码权值W5为W2的转置，第六去噪自编码机的编码权值W6为W1的转置；预训练完成后，利用BP算法对堆叠去噪自编码器网络的网络参数进行微调；利用微调后的网络参数得到编码网络输出的100维特征作为训练集数据每个时间点处提取出的100维特征；步骤四、将步骤三提取出的训练集数据的每个时间点处的100维特征作为自组织映射网络的输入，自组织映射网络的输入层节点数与特征数一致；经过迭代训练后，计算出训练集数据每个时间点处的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；步骤五、利用步骤三的方法将测试集数据输入到训练好的堆叠自编码器网络中通过多个隐含层进行特征提取，利用步骤四的方法将提取出的测试集的特征输入到训练好的自组织映射网络中，计算得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；步骤六、分别对步骤四和步骤五中构建好的轴承健康因子曲线进行平滑处理，得到平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线来评估轴承性能退化情况。...

【技术特征摘要】
1.一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，其特征在于，该方法的具体步骤为：步骤一、利用振动传感器获取轴承全寿命周期内的原始振动信号数据，将原始振动信号数据作为堆叠去噪自编码器的输入数据x；步骤二、对步骤一中的输入数据x进行取绝对值操作，并归一化至[0,1]区间内；将输入数据x中的一部分振动数据作为训练集数据，将输入数据x中的其它部分的振动数据作为测试集数据；步骤三、建立由6个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取，其中，第一去噪自编码机、第二去噪自编码机和第三去噪自编码机构成堆叠去噪自编码器网络的编码网络，第四去噪自编码机、第五去噪自编码机和第六去噪自编码机构成堆叠去噪自编码器网络的解码网络；将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中，使训练集数据依次经过编码网络的第一去噪自编码机、第二去噪自编码机和第三去噪自编码机的无监督预训练，得到编码网络的第一去噪自编码机的编码参数θ1＝{W1,b1}、第二去噪自编码机的编码参数θ2＝{W2,b2}和第三去噪自编码机的编码参数θ3＝{W3,b3}；设置解码网络的第四去噪自编码机的编码权值W4为W3的转置，第五去噪自编码机的编码权值W5为W2的转置，第六去噪自编码机的编码权值W6为W1的转置；预训练完成后，利用BP算法对堆叠去噪自编码器网络的网络参数进行微调；利用微调后的网络参数得到编码网络输出的100维特征作为训练集数据每个时间点处提取出的100维特征；步骤四、将步骤三提取出的训练集数据的每个时间点处的100维特征作为自组织映射网络的输入，自组织映射网络的输入层节点数与特征数一致；经过迭代训练后，计算出训练集数据每个时间点处的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；步骤五、利用步骤三的方法将测试集数据输入到训练好的堆叠自编码器网络中通过多个隐含层进行特征提取，利用步骤四的方法将提取出的测试集的特征输入到训练好的自组织映射网络中，计算得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；步骤六、分别对步骤四和步骤五中构建好的轴承健康因子曲线进行平滑处理，得到平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线来评估轴承性能退化情况。2.根据权利要求1所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，其特征在于，所述步骤二的将输入数据x进行取绝对值操作，并归一化至[0,1]区间内的具体过程为：归一化方式为x*＝(x-xmin)/(xmax-xmin)，其中x*是输入数据x进行取绝对值操作并归一化后的值，xmax和xmin分别为输入数据x的每个时间点处振动数据绝对值的最大值和最小值。3.根据权利要求2所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，其特征在于，所述第一去噪自编码机的工作原理为：将原始振动信号的数据作为堆叠去噪自编码器网络的第一去噪自编码机的输入数据x，第一去噪自编码机通过随机映射函数qD对输入数据x进行破坏，得到加入噪声后的数据经过编码过程fθ1生成隐含层的输出隐含层的输出再经过解码过程gθ1'生成重构数据z；输入数据x与重构数据z的差作为重构误差LH(x,z)用于训练；编码过程fθ1的具体过程如下：其中s为sigmoid激活函数，W1是第一去噪自编码机的编码权值，b1是第一去噪自编码机的编码偏置，θ1是第一去噪自动编码机预训练好的编码参数；θ1＝{W1,b1}(2)解码过程gθ1'的具体过程如下：其中W1'是编码网络的第一去噪自编码机的解码权值，b1'是编码网络的第一去噪自编码机的解码偏置，θ1'是编码网络的第一去噪自动编码机的解码参数；θ1'＝{W1',b1'}(4)重构误差LH(x,z)＝||x-z||2，其中，||·||表示2范数；通过使用梯度下降算法将目标函数最小化，提高去噪自编码机从输入数据x中学习到的特征的鲁棒性，其中n为样本数目，x(i)是第i个样本数据，是第i个样本数据加入噪声后的数据，i＝1,2,…,n；第二去噪自编码机、第三去噪自编码机、第四去噪自编码机、第五去噪自编码机和第六去噪自编码机的工作原理均与第一去噪自编码机的工作原理相同。4.根据权利要求3所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，其特征在于，所述步骤三具体为：堆叠去噪自编码器网络的结构包括输入层、编码网络的两个隐含层、编码网络的输出层、解码网路的两个隐含层和解码网络的输出层；堆叠去噪自编码器网络参数进行随机初始化...

【专利技术属性】
技术研发人员：赵光权，彭喜元，刘小勇，刘月峰，姜泽东，刘莉，高奇，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23