基于卷积门控循环网络的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卷积门控循环网络的轴承剩余使用寿命预测方法，涉及轴承检测方法技术领域。所述方法包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。通过所述方法预测的轴承剩余使用寿命更准确，可以防止重大事故发生，为预测性维修提供参考意见。为预测性维修提供参考意见。为预测性维修提供参考意见。

【技术实现步骤摘要】
基于卷积门控循环网络的轴承剩余使用寿命预测方法


[0001]本专利技术涉及轴承检测方法
，尤其涉及一种基于卷积门控循环网络的轴承剩余使用寿命预测方法。

技术介绍

[0002]轴承是机械设备中最重要的部件之一，若轴承发生故障，可能造成经济损失或者人员伤亡的情况。通过对轴承进行剩余使用寿命预测，可以在轴承即将发生故障时进行替换，以规避轴承故障引发的恶劣影响。为更好判断当前轴承的剩余使用寿命，对轴承进行剩余使用寿命预测就显得尤为重要。现亟须一种可以预测轴承剩余使用寿命，将轴承剩余使用寿命具体化为具体数值的剩余使用寿命预测方法，为更好地进行轴承故障诊断维护管理提供便利。

技术实现思路

[0003]本专利技术所要解决的技术问题是如何提供一种能够准确的预测轴承剩余使用寿命的方法。
[0004]为解决上述技术问题，本专利技术所采取的技术方案是：一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：
[0005]采集轴承全生命周期的振动加速度信号；
[0006]对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；
[0007]设计出卷积门控循环单元神经网络和注意力机制融合的网络结构，所述的卷积门控循环单元神经网络和注意力机制融合包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；
[0008]将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；
[0009]得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。
[0010]进一步的技术方案在于，所述采集轴承全生命周期的振动加速度信号的方法为：
[0011]采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。
[0012]进一步的技术方案在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：
[0013]数据预处理：采用最小最大标准化，将数据集中的最小值和最大值转化为[0,1]之间，缩小数据范围，提高计算速度，具体公式如式(1)所示，式中X
t
为数据集t时刻的输入，X
min
为数据集的最小值，X
max
为数据集的最大值，为t时刻通过数据标准化后的值：
[0014][0015]对于轴承剩余使用寿命进行归一化，其定义和计算公式为；假设第i行数据的剩余使用寿命标签为y
i
，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命。经过归一化处理后的剩余使用寿命标签，可以降低不同轴承、不同工况、不同剩余使用寿命值之间的影响，提高剩余使用寿命预测的准确性；
[0016][0017]进一步的技术方案在于：所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。
[0018]进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循环单元、BatchNormalization层、注意力机制、平铺层和全连接层。
[0019]进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为ReLU：
[0020]ReLU：R(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为MSE：
[0022][0023]其中：n为样本数量，y
i
为真实值，为预测值。
[0024]进一步的技术方案在于：所述卷积门控循环单元神经网络和注意力机制融合的网络结构的构建方法如下：
[0025]ConvGRU网络结构基本在典型一维GRU上改进，将激活函数σ内的全连接运算改为卷积运算。其中σ为sigmoid函数，*为卷积操作，
⊙
为元素相乘记号。Rt为重置门控制上一时刻隐藏状态的保留程度，Zt为更新门控制上一时刻隐藏状态和当前时刻候选隐藏状态的信息分配。具体公式如式(5)：
[0026][0027]采用的是注意力机制中的Scaled Dot
‑
Product Attention方法，其计算主要分为3个步骤：
[0028]第1步：将query和每个key进行点积计算得到权重；
[0029]第2步：使用softmax函数对权重归一化处理；
[0030]第3步：将权重和对应的value加权求和获得Attention。
[0031]Attention具体计算公式如式(6)：
[0032][0033]其中，queries，keys，values的矩阵表示为Q,K,V，Q＝K＝V＝L,L为注意力层的输入，d
k
为queries,keys,values的向量维度。
[0034]对于输入的原始数据序列首先经过数据转换，得到n个特征向量{x1，x2，x3，
…
，xn}，将其作为卷积门控循环单元神经网络和注意力机制融合的网络结构的输入特征序列，通过2层卷积门控循环单元隐藏层特征矩阵h1，将得到的隐藏层特征矩阵h1经过BatchNormalization层进行正则化，将经过正则化后的特征矩阵输入到注意力机制中为隐藏特征矩阵h2加权，在注意力机制中，首先通过输入矩阵的点积运算得到对应的权重，将得到的权重经过softmax函数对生成的权重归一化，最后将得到的权重和对应的值加权求和生成新的特征矩阵序列，经平铺层和全连接层以多对一的形式输出预测结果，即为当前剩余使用寿命与全寿命结果的比值y
t
。
[0035]进一步的技术方案在于：利用一次线性回归预测得到t时刻对应的剩余使用寿命RUL
t
。
[0036]所述的剩余使用寿命计算步骤为：
[0037](1)通过线性回归建立预测得到的当前剩余使用寿命与全寿命结果之间的线性方程：t＝a
·
y
t
+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0038](2)计算轴承的全寿命周期，当y
t
＝0时，表示此时轴承剩余使用寿命为0，其全寿命周期为：m＝a
·
y
t
+b＝a
·
0+b＝b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集，并对训练集进行标签化处理；设计卷积门控循环单元神经网络和注意力机制融合的网络结构，所述网络结构包括卷积门控循环单元神经网络和注意力机制，用于预测轴承剩余使用寿命；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果；得到的剩余使用寿命预测结果为轴承当前剩余使用寿命与全寿命结果的比值，该比值越接近1表示轴承剩余使用寿命越长，越接近0表示轴承剩余使用寿命越短。2.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述采集轴承全生命周期的振动加速度信号的方法为：采用无故障、正确装配的轴承，使其开始运行，直至轴承发生故障时停止运行，采集其运行时间内的振动加速度信号作为全寿命振动加速度信号数据。3.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述对轴承全生命周期的振动加速度数据进行整合和数据预处理包括如下步骤：采用最小最大标准化，将数据集中的最小值和最大值转化至[0,1]之间，具体公式如式(1)所示，式中X
t
为数据集t时刻的输入，X
min
为数据集的最小值，X
max
为数据集的最大值，为t时刻通过数据标准化后的值；对于轴承剩余使用寿命标签进行归一化，其定义为：假设第i行数据的剩余使用寿命标签为y
i
，表示当前时刻的剩余使用寿命与使用寿命的比值，具体公式如式(2)所示，式中m表示行数，即轴承的实际寿命：4.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述设计出的卷积门控循环单元神经网络和注意力机制融合的网络结构的输入尺寸为经过数据预处理后的数据尺寸大小。5.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构包括2层卷积门控循环单元、BatchNormalization层、注意力机制、平铺层和全连接层。6.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的激活函数为ReLU：ReLU：R(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
所述卷积门控循环单元神经网络和注意力机制融合的网络结构所使用的损失函数为MSE：其中：n为样本数量，y
i
为真实值，为预测值。7.如权利要求1所述的基于卷积门控循环网络的轴承剩余使用寿命预测方法，其特征在于，所述卷积门控循环单元神经网络和注意力机制融合的网络结构的构建方法如下：将激活函数σ内的全连接运算改为卷积运算；其中σ为sigmoid函数，*为卷积操作，
⊙
为元素相乘记号；R
t
...

【专利技术属性】
技术研发人员：赵志宏，李晴，李乐豪，杨绍普，李鹤飞，顾晓辉，刘泽潮，刘永强，陈恩利，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：