一种基于多源领域自适应的滚动轴承寿命预测方法技术

本发明专利技术涉及一种基于多源领域自适应的滚动轴承寿命预测方法，包括步骤如下：在多种工况条件下采集滚动轴承的全寿命、多通道振动信号，构建多源域轴承全寿命数据集；对经过降噪预处理的多通道振动信号提取时频域特征；确定超参数以构建多源领域自适应网络，使用多源域和目标域训练数据集训练该网络实现回归误差最小化和多源领域自适应；收集测试数据并导入训练完成的多源领域自适应网络以获得剩余寿命预测。本发明专利技术的多工况滚动轴承寿命预测方法采用的模型具有泛化能力强、鲁棒性强、准确度高等优点。高等优点。高等优点。

【技术实现步骤摘要】
一种基于多源领域自适应的滚动轴承寿命预测方法


[0001]本专利技术涉及剩余使用寿命预测
，尤其是一种基于多源领域自适应的滚动轴承寿命预测方法。

技术介绍

[0002]预测性维护和基于条件的维护(conditions
‑
based maintenance，CBM)可根据设备的状况灵活地安排维护工作，越来越多地被用于确保工业系统的安全运行。剩余使用寿命(remaining useful life，RUL)预测是预测和健康管理(prognostics and health management，PHM)中最具挑战性的任务之一，其可以估计一台设备在被认为不能发挥其预期功能之前的剩余时间。准确的RUL预测有助于评估设备的健康状况并计划未来的维护行动。
[0003]PHM领域大量数据驱动方法通过统计或者智能驱动的方法从历史数据中总结知识，建立参数或者非参数的模型，不需要依赖物理模型和先验专家知识，具有较好的适用性。深度学习(deeplearning)技术进一步拓宽了数据驱动方法的应用前景。基于深度学习技术强大的特征提取能力，海量的历史数据得以被充分利用，为端到端的智能诊断和预测模型提供了更加准确可靠的预测信息。然而，由于深度学习模型容易过拟合且跨域泛化较差，其相关方法难以被应用到跨工况场景的预测和健康管理任务。因此，研究人员寻求引入迁移学习或者领域自适应技术来解决这一问题。迁移学习或者领域自适应技术，作为机器学习的一个分支，与深度学习技术也有着紧密的联系。
[0004]现有技术中，不少基于领域自适应的寿命预测方法使得跨工况的寿命预测得以实现。但当前的研究主要集中在单源领域自适应任务，而少有对多源领域自适应的深入研究，因而限制了我们利用多种历史工况数据的可能。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出一种基于多源领域自适应的滚动轴承寿命预测方法，以充分利用更多的历史工况数据，实现更加准确、鲁棒、可靠的寿命预测。
[0006]本专利技术采用的技术方案如下：
[0007]一种基于多源领域自适应的滚动轴承寿命预测方法，包括以下步骤：
[0008]S1、采集N+1种工况下轴承在全寿命周期内的振动信号去噪处理后构成数据集；
[0009]S2、对振动信号提取时频域特征，根据剩余寿命信息对其中N种工况下的数据贴标签构成标签源域集，将剩余一种工况下的数据作为目标域集：
[0010]S3、分别从N种工况对应的所述标签源域集中选出一组数据构成N组源域有标签数据集，再从所述目标域集中选出一组目标域无标签数据集，形成训练集；从所述目标域集中选择出测试集；
[0011]S4、确定超参数以构建多源领域自适应网络，所述多源领域自适应网络由一个通用特征提取器F(
·
)、N个领域特定特征提取器H(
·
)和N个领域特定回归器C(
·
)构成，将所
述训练集输入所述多源自适应网络获得输出，具体包括：
[0012]对于任意输入，首先通过所述特征提取器F(
·
)获得通用特征；
[0013]对于第j个源域的输入其通用特征依次通过第J个领域特定特征提取器H
j
(
·
)获得隐特征以及第j个领域特定特征回归器C
j
(
·
)获得输出
[0014]对于目标域的输入其通用特征并行地通过N个领域特定特征提取器获得N个隐
[0015]S5、利用所述训练集，采用训练目标函数训练所述多源自适应网络；
[0016]S6、将所述测试集输入训练好的多源领域自适应网络，获得预测结果。
[0017]进一步技术方案为：
[0018]步骤S5中，采用训练目标函数训练所述多源自适应网络，包括以下步骤：
[0019]S51、定义回归误差函数为N组源域有标签数据集的均方误差，计算表达式如下：
[0020][0021]式中，θ
F
、知分别为通用特征提取器、第j个领域特定特征提取器和第j个领域特定特征回归器的可训练参数；为源域有标签数据的真值，为经过多源领域自适应网络输出的估计值；
[0022]S52、定义领域特定分布自适应目标函数如下：
[0023][0024]式中，λ
′
为权衡参数；分别为域间的最大平均差异(MMD)和相关对齐(CORAL)度量，表达式分别如下：
[0025][0026][0027]式中，和X
t
分别表示一个批次的源域和目标域样本的堆叠矩阵；d
MMD
(
·
)和d
CORAL
(
·
)分别为对应的度量函数；
[0028]S53、定义领域特定回归自适应目标函数如下：
[0029][0030]式中，C(N，2)＝N(N
‑
1)/2为组合数。
[0031]S54、结合步骤S51至S53的目标函数构建完整训练目标函数如下：
[0032][0033]式中，γ和μ均为权衡参数；为时变权衡，其中t和t
m
分别为当前和最大迭代次数；
[0034]S55、使用随机梯度下降算法迭代t
m
次，直到训练误差收敛，目标函数各项稳定，获得训练好的多源领域自适应网络。
[0035]进一步技术方案为：
[0036]步骤S6具体包括：
[0037]将测试集X
test
输入到训练好的多源领域自适应网络，获得N个领域特定特征回归器的输出取均值后获得预测剩余寿命结果：
[0038][0039]本专利技术的有益效果如下：
[0040]本方法的多源领域自适应网络构建和训练，在提取退化相关特征的同时，缩小领域分布距离和决策边界差异，从而保证所提取特征的领域无关性。充分利用来自多源域历史工况的知识，提高了网络的泛化能力和跨工况寿命预测性能。本专利技术方法计算简单，实现容易，适用于多工况滚动轴承的快速寿命预测。
附图说明
[0041]图1本专利技术的多源领域自适应网络的结构示意图。
[0042]图2为本专利技术方法的流程图。
[0043]图3为本专利技术具体实施例的选择超参数图。
[0044]图4为本专利技术具体实施例的训练误差下降图。
[0045]图5为本专利技术具体实施例的寿命预测结果图。
具体实施方式
[0046]以下结合附图说明本专利技术的具体实施方式。
[0047]本申请的一种基于多源领域自适应的滚动轴承寿命预测方法，包括以下步骤：
[0048]S1、采集N+1种工况下轴承在全寿命周期内的振动信号去噪处理后构成数据集；
[0049]S2、对对振动信号提取时频域特征，根据剩余寿命信息对其中N种工况下的数据贴标签构成标签源域集，将剩余一种工况下的数据作为目标域集；
[0050]具体的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源领域自适应的滚动轴承寿命预测方法，其特征在于，包括以下步骤：S1、采集N+1种工况下轴承在全寿命周期内的振动信号，去噪处理后构成数据集；S2、对振动信号提取时频域特征，根据剩余寿命信息对其中N种工况下的数据贴标签构成标签源域集，将剩余一种工况下的数据作为目标域集；S3、分别从N种工况下对应的所述标签源域集中选出一组数据构成N组源域有标签数据集，再从所述目标域集中选出一组目标域无标签数据集，组成训练集；从所述目标域集中选择出测试集；S4、确定超参数以构建多源领域自适应网络，所述多源领域自适应网络由一个通用特征提取器F(
·
)、N个领域特定特征提取器H(
·
)和N个领域特定回归器C(
·
)构成，将所述训练集输入所述多源自适应网络获得输出，具体包括：对于任意输入，首先通过所述特征提取器F(
·
)获得通用特征；对于第j个源域的输入其通用特征依次通过第j个领域特定特征提取器H
j
(
·
)获得隐特征以及第j个领域特定特征回归器C
j
(
·
)获得输出对于目标域的输入其通用特征并行地通过N个领域特定特征提取器获得N个隐S5、利用所述训练集，采用训练目标函数训练所述多源自适应网络；S6、将所述测试集输入训练好的多源领域自适应网络，获得预测结果。2.根据权利要求1所述的基于多源领域自适应的滚动轴承寿命预测方法，其特征在于，步骤S5中，采用训练目标函数训练所述多源自...

【专利技术属性】
技术研发人员：贾民平，丁逸飞，黄鹏，胡建中，许飞云，
申请(专利权)人：东南大学，
类型：发明
国别省市：