基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法技术

本发明专利技术涉及一种基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，属于自动化技术领域。该方法包括以下步骤：S1：基于变分自编码的齿轮健康指标构建；S2：定义鸡尾酒长短期记忆网络C‑LSTM；S3：基于VAE构建的健康指标与C‑LSTM的齿轮剩余寿命预测。本发明专利技术首先基于变分自编码器(VAE)构成能准确放映齿轮健康状态退化趋势的健康指标，再根据提出的鸡尾酒长短期神经网络进行对未知的健康指标进行逐步预测，到达所设阈值时即可得到所预测RUL。

【技术实现步骤摘要】
基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法
本专利技术属于自动化
，涉及基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法。
技术介绍
齿轮作为一种关键零部件在工业领域得到了广泛的应用，例如风力涡轮机、汽车、飞机引擎等。齿轮故障，如点蚀、剥落等疲劳损伤，往往会导致所在整机设备的连锁故障反应，造成机器停机，严重时甚至造成人员伤亡，引发巨大的经济损失及安全危机。齿轮剩余使用寿命(RUL)的定义是从当前时刻到其使用寿命结束的时间长度，是确定设备维护计划和避免齿轮意外故障的一种可行策略。进行在役齿轮的寿命预测，能够有效地确定设备的维护时间，提高生产效率，保证生产的连续高效进行，降低事故发生率，防止突发性事故发生，对于工程生产意义重大。由于其对工业生产的重大意义，越来越受到学者和研究人员的关注，因此再此提出一种在线的面向小样本的齿轮剩余使用寿命智能预测方法。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法。为达到上述目的，本专利技术提供如下技术方案：基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，该方法包括以下步骤：S1：基于变分自编码的齿轮健康指标构建；S2：定义鸡尾酒长短期记忆网络C-LSTM；S3：基于VAE构建的健康指标与C-LSTM的齿轮剩余寿命预测。可选的，所述S1具体为：S11：分析变分自编码器的原理变分自编码模型是变分贝叶斯推理该框架由模拟后验分布的编码层和模拟前验分布的解码层组成；对于正常随机生成的数据集包含一个不可观测的连续随机变量向量Z；编码器通过对数据进行学习得到每一组数据xi专属的后验分布q(zi|xi)；变分自动编码器的目标函数写为：其中，DKL(q||p)代表Kullback-Leibler散度，是一个概率分布与另一个概率分布不同的度量，λ为重构误差的权重，自编码的重构误差；q(zi|xi)服从正态分布q(zi|xi)＝N(zi；μi,(σi)2)，p(zi)被设置为中心各向同性的多元高斯分布N(zi；0,1)；重构误差采用均方误差；对上式的目标函数重写为：其中J为xi的维数，被定义为xi中的第j个元素；S12：健康指标的构建1)从齿轮的振动信号中提取时域和频域特征；然后，将这些提取的特征输入到VAE中进行进一步的信息融合与降维；首先对以上提取出的特征，通过去除平均值并缩放到单位方差，对从每个特征进行标准化：式中，xi,j表示第j个特征的第i个的数据点，表示xi,j的标准化值；μj和σj分别表示第j个特征的平均值和标准差；2)其次为确保单个节点的效果既不发散也不收敛，令VAE初始权重遵循均匀分布3)最后定义所用于构建健康值标的变分自编码的网络结构为21-10-1-10-21；其中自编码器输入层为21，对应提取的特征维数；隐含层为10；输出层为1，对应输出的健康指标维度；而解码器与之相反，基于BP法则，缩小编码器输入与解码器输出的重构误差，达到优化网络权重的目的，从而的到训练完备VAE。可选的，所述S3具体为：S31：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的振动信号段数为n；S32：分别计算这些振动信号降噪之后的21种时频特征并输入训练好的VAE中，将输出正则化后，则可得到n×1维的健康指标矩阵X；S33：选取前面m个采样点组成的健康指标矩阵X1＝[y1,y2,…,ym]T作为训练矩阵；S34：重构矩阵S35：将矩阵U前面k行作为神经网络的输入，最后一行作为神经网络的输出来训练网络；S36：将倒数k个输出作为网络输入，得到下一时刻的输出；S37：重复步骤S34～S36一定次数，将这些输出反归一化之后与实际健康指标值比较，以证明此方法的有效性；同时，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。可选的，在所述C-LSTM中，根据信息的层级高低，将层级分割点位置分别定义为Ll、Llm、Lmh、Lh,其中Ll为短期信息分割点、Llm为短中期信息分割点、Lmh为中长期信息分割点、Lh为长期信息分割点；根据当前输入信息xt与递归信息ht-1，各层级信息分别计算如下：Lh＝F1(xt,ht-1)＝indexmax(softmax(Wf1xt+Uf1ht-1+bf1))(11)Lmh＝F2(xt,ht-1)＝indexmax(softmax(Wf2xt+Uf2ht-1+bf2))(12)Llm＝F3(xt,ht-1)＝indexmax(softmax(Wi2xt+Ui2ht-1+bi2))(13)Ll＝F4(xt,ht-1)＝indexmax(softmax(Wi1xt+Ui1ht-1+bi1))(14)其中W，U分别为输入信息与历史信息权重，b为阈值，softmax为softmax函数；为使参数可学习，软化各分割点求值过程，dL1＝softmax(Wf1xt+Uf1ht-1+bf1)(15)dL2＝softmax(Wf2xt+Uf2ht-1+bf2)(16)dL3＝softmax(Wi2xt+Ui2ht-1+bi2)(17)dL4＝softmax(Wi1xt+Ui1ht-1+bi1)(18)记忆单元ct基于这些层级分割点所形成的层级关系更新，Llm、Lmh之间的交互关系存在于Ll与Lh交互的前提下；基于Ll、Llm、Lmh和Lh之间的相互关系，存在3种更新方式：1)当Ll≥Llm≥Lmh≥Lh时，在长期信息与短期信息存在重叠的基础下，短中期记忆与中长期记忆也存在重叠；低层级信息直接被当前输入替代，高层级信息得到长期保留，中间层信息，即包括中低、中和中高层信息，得到不同比例的混合，细胞记忆单元ct通过如下规则更新：其中z1和z2为可学习的比例参数，分别代表中层级信息在中低层级和中高层级这两个混合层级中的比例，k定义为隐含层单元数，其他参数意义与LSTM一致；2)当Ll≥Lmh≥Llm≥Lh时，在长期信息与短期信息存在重叠的基础下，短中期记忆与中长期记忆并未发生存在重叠；低层级信息直接被当前输入替代，高层级信息得到长期保留，中低、中高得到不同比例的混合，而中层信息因没有信息的交互而置零，细胞记忆单元ct通过如下规则更新：3)当Ll≤Lh时，当前输入层级低于历史数据层级，在长期信息与短期信息不存在重叠的基础；低层级信息直接被当前输入替代，高层级信息得到长期保留，而中层信息因没有信息的交互而置零，细胞记忆单元ct通过如下规则更新：随着多层级信息的划分与相应更新规则的使用，一种LSTM神经网络的变体结构—C-LSTM的推导公式如下：其中代表低层级，代表中低层级，代表中层级，代表中本文档来自技高网...

【技术保护点】
1.基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，其特征在于：该方法包括以下步骤：/nS1：基于变分自编码的齿轮健康指标构建；/nS2：定义鸡尾酒长短期记忆网络C-LSTM；/nS3：基于VAE构建的健康指标与C-LSTM的齿轮剩余寿命预测。/n

【技术特征摘要】
1.基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，其特征在于：该方法包括以下步骤：
S1：基于变分自编码的齿轮健康指标构建；
S2：定义鸡尾酒长短期记忆网络C-LSTM；
S3：基于VAE构建的健康指标与C-LSTM的齿轮剩余寿命预测。


2.根据权利要求1所述的基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，其特征在于：所述S1具体为：
S11：分析变分自编码器的原理
变分自编码模型是变分贝叶斯推理该框架由模拟后验分布的编码层和模拟前验分布的解码层组成；对于正常随机生成的数据集包含一个不可观测的连续随机变量向量Z；编码器通过对数据进行学习得到每一组数据xi专属的后验分布q(zi|xi)；变分自动编码器的目标函数写为：



其中，DKL(q||p)代表Kullback-Leibler散度，是一个概率分布与另一个概率分布不同的度量，λ为重构误差的权重，自编码的重构误差；q(zi|xi)服从正态分布q(zi|xi)＝N(zi；μi,(σi)2)，p(zi)被设置为中心各向同性的多元高斯分布N(zi；0,1)；重构误差采用均方误差；对上式的目标函数重写为：



其中J为xi的维数，被定义为xi中的第j个元素；
S12：健康指标的构建
1)从齿轮的振动信号中提取时域和频域特征；然后，将这些提取的特征输入到VAE中进行进一步的信息融合与降维；首先对以上提取出的特征，通过去除平均值并缩放到单位方差，对从每个特征进行标准化：



式中，xi,j表示第j个特征的第i个的数据点，表示xi,j的标准化值；μj和σj分别表示第j个特征的平均值和标准差；
2)其次为确保单个节点的效果既不发散也不收敛，令VAE初始权重遵循均匀分布
3)最后定义所用于构建健康值标的变分自编码的网络结构为21-10-1-10-21；其中自编码器输入层为21，对应提取的特征维数；隐含层为10；输出层为1，对应输出的健康指标维度；而解码器与之相反，基于BP法则，缩小编码器输入与解码器输出的重构误差，达到优化网络权重的目的，从而的到训练完备VAE。


3.根据权利要求2所述的基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，其特征在于：所述S3具体为：
S31：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的振动信号段数为n；
S32：分别计算这些振动信号降噪之后的21种时频特征并输入训练好的VAE中，将输出正则化后，则可得到n×1维的健康指标矩阵X；
S33：选取前面m个采样点组成的健康指标矩阵X1＝[y1,y2,…,ym]T作为训练矩阵；
S34：重构矩阵
S35：将矩阵U前面k行作为神经网络的输入，最后一行作为神经网络的输出来训练网络；
S36：将倒数k个输出作为网络输入，得到下一时刻的输出；
S37：重复步骤S34～S36一定次数，将这些输出反归一化之后与实际健康指标值比较，以证明此方法的有效性；同时，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以振动信号间隔时间与采样时间之和Δt+T...

【专利技术属性】
技术研发人员：秦毅，项盛，陈定粮，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50