基于EEMD-MCNN-GRU的滚动轴承剩余使用寿命预测方法技术

本发明专利技术公开了一种基于EEMD‑MCNN‑GRU的滚动轴承剩余使用寿命预测方法，包括以下步骤：对滚动轴承的全生命周期振动数据进行预处理；利用集合经验模态构建轴承振动信号在不同时间尺度上的退化特征，以此构建各个滚动轴承的退化特征数据集；集成多尺度卷积神经网络特征提取层和门控制循环单元神经网络时间序列预测层搭建剩余寿命预测模型；对输入预测模型的退化特征数据集进行归一化；对归一化后的数据进行分割处理；将退化特征数据集划分为训练集和测试集，将训练数据作为整个预测网络模型的输入；使用移动平均法对预测模型输出进行平滑处理，输出最优寿命预测结果。本发明专利技术为滚动轴承的剩余使用寿命的分析提供了一种更可靠，鲁棒性、泛化性更强的预测方法。

【技术实现步骤摘要】
基于EEMD-MCNN-GRU的滚动轴承剩余使用寿命预测方法
本专利技术涉及一种机械装备的故障预测与健康管理领域，具体来说涉及一种基于EEMD-MCNN-GRU的滚动轴承剩余使用寿命预测方法。
技术介绍
设备故障预测与健康管理(PrognosticsHealthManagement，PHM)是设备正常运行维护管理中重要的一部分，剩余使用寿命预测(RemainingUsefulLife，RUL)是实现PHM的关键技术之一。滚动轴承广泛的应用于各类机械传动部件中，是保证设备可靠运行的关键部件之一，其剩余寿命是衡量滚动轴承性能的重要指标，因此开展滚动轴承寿命预测研究具有重要的意义。设备剩余寿命预测方法发展至今，主要分为失效机理(Physics-of-Failure，PoF)分析和数据驱动(Data-Driven，DD)这两种方法。失效机理分析主要通过物理方法研究零部件变形、裂纹和腐蚀等退化现象,由此建立设备的失效机理模型，结合特定设备的经验知识和相关检测方法实现设备的剩余寿命预测。WHLER早在1847年提出的S-N疲劳寿命曲线开创了疲劳破坏的经典强度理论。后续，GRIFFITH通过研究裂纹扩展规律提出了裂纹扩展能量理论，给剩余寿命预测探究提供了新的思路。在21世纪前后对疲劳断裂理论的研究不断完善，而且在考虑到腐蚀的影响后提出了腐蚀寿命预测技术。由于基于失效机理的预测方法虽然能够较为准确的预测设备的剩余使用寿命，但是由于其必须根据特定工况和设备具体分析，此外随着装备复杂性的不断增大失效机理难以获得，因此，此类方法的推广受到了一定的限制。基于数据驱动的方法可分为统计数据驱动方法、基于浅层的机器学习(MachineLearning，ML)的方法和基于深度学习(DeepLearning，DL)的方法。统计数据驱动方法中应用较多的方法有基于Gamma过程的方法和基于Wiener过程的方法。统计数据驱动的寿命预测结果能反映机械产品寿命的一般规律和整体特性，但是在实际工程中，其假设的模型可能会使预测精度受到限制并且需要大量试验和数据的积累作为支撑。相较于基于机理分析的方法和统计数据驱动方法，用浅层机器学习的方法和深度学习的方法在一定程度上克服机理模型难以建立和假设的随机退化过程带来的限制，而且对输入数据的要求也较为宽泛，可以更加全面的考虑退化因素。在通过ML进行剩余寿命预测的过程中无需过多的先验知识，可实现在线监测，得到预测结果。浅层机器学习的方法被应用到寿命预测中也取得了一定的发展。浅层机器学习中以支持向量机(SupportVectorMachine，SVM)为主。SVM首次提出是被用来解决ML的分类和回归问题，适用于分析小样本和多维化数据。发表于《.Energies》2017,11(1)中的《emainingusefullifeestimationofaircraftenginesusingamodifiedsimilarityandsupportingvectormachine(SVM)approach》使用SVM和改进的相似性理论相结合应用于航空发动机的剩余寿命预测。但是SVM存在一些如随着样本的增大，线性增加，出现过拟合、计算时间增加等固有缺陷，所以发表于《MechanicalSystems&SignalProcessing》2012,31(8)中的《Combiningrelevancevectormachinesandexponentialregressionforbearingresiduallifeestimation》使用了能较为有效克服过拟合问题的相关向量机(Relevancevectormachine,RVM)和指数回归的方法结合预测推力轴承的剩余寿命。发表于《计算机集成制造系统》2018,24(11)中的《基于支持向量数据描述的剩余寿命预测方法》使用支持向量描述(SupportVectorDataDescription，SVDD)的超球面与测试样本点的距离计算退化指数，并实现了轴承剩余寿命的预测。在现代工业中监测设备运行时可采集各种类型的大量信号数据，传统的浅层机器学习要依靠专家先验知识进行特征提取，泛化性能差。深度学习的模型可以映射更为复杂的非线性关系，具有强大的特征提取能力。因此深度学习作为更加智能的方式为剩余寿命预测开拓了新方向。深度学习中经典的深度神经网络(Deepneuralnetwork,DNN)的方法、卷积神经网络(Convolutionalneuralnetwork,CNN)、深度置信网络(Deepbeliefnetwork,DBN)]以及递归神经网络(Recurrentneuralnetwork,RNN)等都被应用于剩余寿命的预测。发表于《山东大学学报(工学版)》2017，47(5)中的《基于深度学习的缓变故障早期诊断及寿命预测》用DNN进行特征提取，然后进行PCA降维得到退化曲线并以此进行寿命预测。发表于《计算机集成制造系统》2019,25(07)中的《基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测》将CNN用于特征提取并直接进行了寿命预测，该文将轴承的全生命周期的振动数据进行傅里叶变换，将频域特征作为CNN的输入预测结果有效，证明了CNN在特征提取中的能力。因此，发表于《IEEEAccess》2018:1-1中的《PredictionofBearingRemainingUsefulLifewithDeepConvolutionNeuralNetwork》将CNN用于特征提取并直接进行了轴承RUL预测，其将轴承的全生命周期的振动信号进行傅里叶变换，再将频域特征作为CNN的输入且预测结果有效。DBN是一种半监督的深度学习算法，能通过预训练能减少训练时间，并且能有效克服随机初始化权值造成的局部最优问题。由于RNN及其改进结构能够有效处理时序问题，所以发表于《ReliabilityEngineering&SystemSafety》2019,185中的《Gatedrecurrentunitbasedrecurrentneuralnetworkforremainingusefullifepredictionofnonlineardeteriorationprocess》通过门控制循环单元神经网络(GatedRecurrentUnit，GRU)对航空发动机的剩余寿命进行了预测。发表于《计算机集成制造系统》2019,25(07)中的《基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测》通过结合自编码器和双向长短时记忆神经网络(BidirectionalLongShort-TermMemory，BLSTM)实现了对航空发动机寿命的预测。通过上述研究可知，深度学习在剩余寿命预测中，成效显著、应用前景较广阔。但以往的研究中，大多数只是在单一的时间尺度上对样本数据进行特征提取，这将这导致特征的提取不完全。
技术实现思路
本专利技术所要解决的技术问题是：提供一种能有效解决现有的滚动轴承剩余使用寿命预测研究中存在的特征提取不完备、预测模型鲁棒性不强、预测本文档来自技高网...

【技术保护点】
1.一种基于EEMD-MCNN-GRU的滚动轴承剩余使用寿命预测方法，包括以下步骤：/nS1：基于EEMD的滚动轴承退化特征数据集构建/n收集滚动轴承从开始使用到发生故障的全生命周期振动数据，然后按其采样周期，将采用集合经验模态分解EEMD将原始振动数据分解为多个限制带宽的不同频段的IMF分量，如式(1)所表示，构建轴承振动信号在不同时间尺度上的退化特征，选择反映轴承退化趋势的至少前六个IMF分量作为样本，以此构建各个滚动轴承的退化特征数据集；/n

【技术特征摘要】
1.一种基于EEMD-MCNN-GRU的滚动轴承剩余使用寿命预测方法，包括以下步骤：
S1：基于EEMD的滚动轴承退化特征数据集构建
收集滚动轴承从开始使用到发生故障的全生命周期振动数据，然后按其采样周期，将采用集合经验模态分解EEMD将原始振动数据分解为多个限制带宽的不同频段的IMF分量，如式(1)所表示，构建轴承振动信号在不同时间尺度上的退化特征，选择反映轴承退化趋势的至少前六个IMF分量作为样本，以此构建各个滚动轴承的退化特征数据集；



式中，X(t)为原始信号，N为分解的IMFs数量，IMFi(t)为第i个固有模式函数，R(t)为余量；
S2：退化特征数据集预处理
S21：对所有输入预测模型的退化特征数据集用式(2)进行归一化，将数据压缩在[0,1]之间；



式中，xi,j表示数据集中第i个IMF分量的第j个数据点，和表示第i个IMF分量的最小值和最大值；表示对xi,j归一化后的值；
S22：对归一化后的数据进行分割处理以满足预测模型的输入要求；
特征集的长度为N，将特征集中的数据按照一次采样所采数据点的个数确定为分割步长L，即一次EEMD分解的长度；数据集的特征纬度为n，则模型的输入维度为(N-L，L，n)的三维张量；
S23：将退化特征数据集划分为训练集和测试集，将训练数据作为整个网络模型的输入；
S3：MCNN-GRU预测模型的搭建
S31：预测模型的多尺度卷积神经网络MCNN特征提取模块搭建；
预测模型的多尺度特征提取模块包含卷积层，池化层和连接层；
首先，由若干个包含不同尺寸卷积核的一维卷积神经网络1D-CNN组成多尺度卷积层，同时在不同尺度上进行全局的特征提取，其中每个1D-CNN连接一个平均池化层，用以缩减特征；其次，在连接层将多尺度卷积层提取的特征进行合并，以便输入后续网络结构；最后，通过1D-CNN和最大池化操作完成提取特征；
S32：GRU时序预测模块搭建
将提取的特征输入GRU预测模块进行时间序列预测，再通过全连接层输出寿命预测结果：GRU网络模型的xt，ht分别表示t时刻的GRU网络的输入和输出，其中ht由下列公式迭代计算：
zt＝σ(Whzht-1+Wxzxt+bz)(6)
rt＝σ(Whrht-1+Wxrxt+br)(7)
ht＝tanh(rt*Whhht-1+Wxhxt+bh)(8)



式中，zt，rt分别为更新门和重置门的输出，Whz，分别为t-1时刻输出和t时刻输入到更新门的权重矩阵，Whr、Wxr分别为t-1时刻输出和t时刻输入到重置门的权重矩阵，这两个门输出都经过一个sigmoid激活函数，其值域为[0,1]；ht分别为候选隐藏状态和隐藏状态，它们分别控制上一时刻隐藏状态ht-1中信息的保留和遗忘；Whh，Wxh分别为t-1时刻输出和t时刻输入到候选隐藏状态的权重矩阵，候选隐藏状态的输出经过一个tanh函数；bz，br和bh表示更新门、重置门和候选隐藏状态的偏置；
S4：MCNN-GRU预测模型的训练
S41：初始化网络参数
初始化网络参数：数据分割步长L，特征纬度n，模型网络结构，初始网络权重θ，初始学习率η，指数衰减参数γ，防止0分母错误参数ε，训练次数E，批尺度B；
S42：确定模型的损失函数
模型的损失函数为均方误差(meansquareerror，MSE)，训练过程中以MSE最小为优化目标：



式中：yi为模型的标签值，oi为模型的实际输出；
S43：对样本...

【专利技术属性】
技术研发人员：袁逸萍，樊盼盼，马占伟，
申请(专利权)人：新疆大学，
类型：发明
国别省市：新疆;65