一种基于Attention-LSTM的滚动轴承性能衰退预测方法技术

基于Attention‑LSTM的滚动轴承性能衰退预测方法，属于旋转机械性能监测领域。首先，针对设备性能衰退评估过程中缺乏性能衰退指标以及监测信号难以直观表征轴承性能衰退特性的问题，通过时域与频域分析生成多个备选特征指标并采用相关性、单调性和鲁棒性三个指标其进行评价筛选，将特征值曲线通过固定窗均值化处理得到HI曲线和残差曲线，并提出基于阶跃稳态的性能衰退评估方法，定量直观地反映轴承性能衰退程度。最后，针对传统方法过度依赖专家经验及处理复杂时间序列预测精度低的问题，提出基于Attention‑LSTM的性能衰退预测方法，采用注意力机制提高对性能阶跃点前后数据的学习能力，加强了预测模型对衰退特征的反应敏感度。本发明专利技术通过实验验证了该预测方法具有更高的预测精度，鲁棒性和泛化能力。

【技术实现步骤摘要】
一种基于Attention-LSTM的滚动轴承性能衰退预测方法
本专利技术属于旋转机械性能监测领域，具体涉及到特征指标筛选，并提出阶跃稳态的概念，定量直观地反映轴承性能衰退程度。然后引入注意力机制，将注意力机制与LSTM相结合构造出一种滚动轴承性能衰退预测的方法。
技术介绍
当今世界竞争日益激烈，工业发展水平与国家综合国力息息相关。轴承作为旋转机械中关键零部件之一，对于保证设备的高效、稳定、安全运行具有重要作用。在实际工程应用中，大型机械设备一旦出现故障，轻则影响生产，导致经济损失，重则出现人员伤亡，造成不良的社会影响。1979年美国三哩岛核电厂发生重大安全责任事故，导致核电反应堆控制元件大面积损毁，放射性原料泄露，经济损失巨大，人员伤亡惨重。前苏联切尔诺贝利核电站第四号反应堆发生严重爆炸，污染了欧洲的大部分地区，造成了世界级生态破坏。我国《国家中长期科学和技术发展规划纲要》中将重大机械设备运行可靠性和可维护性等关键技术作为重点研究方向。设备运行状态监测评估与预测是预知维修技术的关键部分，它对提高设备利用率，保证设备可靠、安全运行意义重大。轴承等关键零部件的轻微故障都有可能间接影响到系统运行，引发一系列连锁反应，出现设备性能衰减，进而引发系统级故障。以往对于轴承的维修策略主要是定期维修和事后维修，定期维修依据大量的历史经验判断轴承的性能衰退周期来安排维护工作，使得机械设备的维护成本和使用风险大大升高；事后维修通常在轴承发生故障之后进行维修，使设备的使用风险极大升高，易造成较大的人员伤亡和财产损失。围绕设备劣化状态评估这一主线，开展设备状态监测评估和性能衰退预测，改变传统维修策略，变被动为主动，降低设备维护成本，提高设备使用水平，避免重大事故发生。因此，开展基于状态监测和性能衰退预测的预知维修研究，对于提高企业综合效益，促进国家经济繁荣具有重要的意义。在预知维修中，设备性能衰退评估是其关键内容之一，性能衰退评估可以掌握机械设备从装机运行到当前性能衰退状态的变化过程。然而，机械设备的性能衰退状态往往不能直接获得。因此，在实际的性能衰退评估中往往通过构建机械设备健康因子(HealthIndicator,HI)曲线，来表征设备健康水平。滚动轴承从正常状态到发生故障是一个缓慢的、不断变化的过程，在这个过程中，轴承的性能不断下降。机械设备衰退状态建模是将设备运行过程中不同的特征参量映射到健康因子中，以评估设备当前健康状态的过程。根据HI曲线构建方式的不同，目前的机械设备HI值可以分为具备实际物理含义的HI值以及不具备物理含义的虚拟HI值两类。前者往往是借助传统的数理统计理论或信号处理方法对设备监测数据进行处理得到，如均方根值、能量熵等；后者是在前者的基础上对数据进行进一步的融合，借助多种信号处理方法及机器学习方法，从而获得不具备实际物理含义的HI曲线，作为机械设备的性能衰退状态表征。在具备实际物理含义的HI曲线构建中，主要包括提取时域特征参数和频域特征参数两大类。时域特征参数包括均方根值、相关系数、熵值等。如Lin对轮齿裂缝的退化状态进行HI曲线构建，将残差信号的百分比作为健康因子，并且在对设备监测信号提取多个时域及频域特征的基础上进行融合，从而反映设备的性能衰退状态。潘玉娜在对设备监测信号进行小波包分解后，将衰退状态下的特征向量与健康状态的向量之间的距离作为健康因子；在虚拟HI曲线的构建研究中，通常是对设备监测信号提取多个时域及频域特征的基础上进行融合，从而反映设备的将抗衰退状态。Jin等人首先计算监测信号小波分解系数的能量值，之后根据能量值之间的马氏距离进行融合构建HI曲线。基于概率统计和力学的性能衰退预测理论着重对轴承性能衰退趋势变化的一般分布规律进行研究且需要大量历史数据，建模较为困难，侧重理论研究，不适用于对重大设备的预测，基于信息新技术的性能衰退预测理论包含基于人工智能技术和基于设备状态监测的性能衰退预测理论。随着测试技术的不断提高，通过传感器可以获得机械设备的各项特征指标，进而预测设备的性能衰退趋势，因此基于状态监测的性能衰退预测理论成为国内外研究的热点。其中由D.R.Cox提出的比例故障率模型(ProportionalHazardsModel，PHM)，又称Cox模型，是一种具有适用性非常高的数据统计分析模型。它可以将基于人工智能的神经网络方法与设备实时监测方法相结合，是一种根据设备运行状态和历史数据建立失效模型的方法，然而应用比例风险模型进行设备状态监测的本质是应用时序数据分析方法进行衰退变化趋势预测。陈旭涛等基于设备振动信号，利用一阶灰色模型对协变量的变化趋势进行预测，从而实现设备的性能衰退预测。但灰色模型适用于数据少，信息缺乏的条件下的事物变化规律不适用于大数据下的性能衰退预测。李洪儒等在特征提取的基础上,为准确拟合滚动轴承性能衰退过程的整体趋势与随机波动规律，将灰色马尔科夫模型应用到滚动轴承性能衰退预测中，该方法能够较好地预测性能衰退的主趋势，但不能反映出性能衰退过程中的微小波动。LotfiSaidi等为了预测风力发电机高速轴轴承的性能衰退变化过程，使用卡尔曼平滑器来改善趋势。但卡尔曼滤波存在固有相位延迟等缺陷，不能进行精准的性能衰退预测。上述趋势预测方法根据时序数据直接建模，模型较为简单，很难建立理想的模型进行预测，并且数据中噪声的存在又会使得判断条件难以满足导致估计出的参数可信度较低。基于深度学习的趋势预测方法可用于多种复杂的数据类型、自适应的学习深层数据特征，在大数据处理方面优势明显。其中循环神经网络(RecurrentNeuralNetwork，ＲNN)将时间概念引入到神经网络中，使其能够对时间累积效应进行分析，处理时间序列数据。但RNN网络在训练时采用传统的反向传播算法和梯度下降法，易出现梯度消失和梯度爆炸的现象，最终导致网络长期记忆能力不足，得到的结果很难达到测试的要求。Hochreiter和Schmidhuber提出了长短期记忆(LongShort-TermMemory，LSTM)网络模型，该模型首次引入了门的概念来更好地实现输入、输出及状态的转化，将时序数据中的高价值信息和低价值信息区别对待，使得RNN网络具备较长跨度时序信息的处理利用能力。Malhotra等针对设备的多维监测信息，将循环神经网络的流行变体——长短时记忆网络作为编码和解码器进行性能衰退预测。国内外学者越来越多的将循环神经网络应用于RUL预测领域的研究中。Yuan在航空发动机的RUL预测领域研究了三种RNN的变体模型，并对预测结果进行对比，得出了LSTM模型性能更好的结论。张建付等使用LSTM网络处理小波包变换提取的特征参量，实现风力发电设备的滚动轴承的故障状态分类；赵建鹏等使用经验模态分解处理采样数据提取特征参量，输入至单层LSTM模型来预测旋转机械健康状态。LSTM中的数据流是受三个“门限”结构控制的，轴承转动过程中微弱的故障信息往往隐藏在庞大的数据信息中，因此，如何控制数据中与故障信息相关的数据流尤为重要。注意力机制来源于人类视觉系统的工作原理，在人体的认知系统中，大脑会存在信息处理局限，视觉系统首先对全局信息本文档来自技高网...

【技术保护点】
1.一种基于Attention-LSTM的滚动轴承性能衰退预测方法，其特征在于：所述的方法包括如下步骤：/n步骤一；基于阶跃稳态的性能衰退评估方法；/n通过时域与频域分析生成多个备选指标，采用相关性、单调性和鲁棒性三个指标对信号的候选特征进行评价筛选，将特征值曲线通过固定窗均值化处理得到HI曲线和残差曲线，提出基于阶跃稳态的性能衰退评估方法，利用HI曲线和残差曲线，评估滚动轴承全生命周期各个阶段性能；/n步骤二；基于Attention-LSTM的滚动轴承性能衰退预测；/n针对滚动轴承全生命周期数据特点，研究振动信号数据的输入、输出形式与时序数据预测之间的关系，搭建基于LSTM网络的滚动轴承故障预测模型；研究注意力机制原理，结合滚动轴承性能衰退特点构建Attention层结构，加强预测模型对性能衰退特征的响应敏感度，提高模型预测精度；研究部分关键参数对模型预测精度的影响，选取合理的激活函数、损失函数和优化器算法等重要参数，不断提高模型预测精度。/n

【技术特征摘要】
1.一种基于Attention-LSTM的滚动轴承性能衰退预测方法，其特征在于：所述的方法包括如下步骤：
步骤一；基于阶跃稳态的性能衰退评估方法；
通过时域与频域分析生成多个备选指标，采用相关性、单调性和鲁棒性三个指标对信号的候选特征进行评价筛选，将特征值曲线通过固定窗均值化处理得到HI曲线和残差曲线，提出基于阶跃稳态的性能衰退评估方法，利用HI曲线和残差曲线，评估滚动轴承全生命周期各个阶段性能；
步骤二；基于Attention-LSTM的滚动轴承性能衰退预测；
针对滚动轴承全生命周期数据特点，研究振动信号数据的输入、输出形式与时序数据预测之间的关系，搭建基于LSTM网络的滚动轴承故障预测模型；研究注意力机制原理，结合滚动轴承性能衰退特点构建Attention层结构，加强预测模型对性能衰退特征的响应敏感度，提高模型预测精度；研究部分关键参数对模型预测精度的影响，选取合理的激活函数、损失函数和优化器算法等重要参数，不断提高模型预测精度。


2.根据权利要求1所述的基于Attention-LSTM的滚动轴承性能衰退预测，其特征在于：
步骤一的具体步骤如下：
步骤一一；特征指标的评价与选择：通过时域与频域分析生成多个备选指标，再分别利用信号的单调性、鲁棒性和相关性建立评价指标，通过线性加权方式确定该评价指标性能的好坏；
步骤一二；进行特征分离：利用固定窗均值化处理的方式将备选特征指标曲线进行特征分离，获得单调性较好的HI曲线和对应的残差曲线；
步骤一三；性能衰退的评估：通过提出的阶跃稳态性能衰退评估的方法，再利用步骤一二得出的HI曲线和残差曲线，对滚动轴承全生命周期各衰...

【专利技术属性】
技术研发人员：王亚萍，李士松，崔巍，许迪，葛江华，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23