【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。