一种旋转机械剩余使用寿命预测方法及系统技术方案

本发明专利技术公开了一种旋转机械剩余使用寿命预测方法及系统，所述方法包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN

【技术实现步骤摘要】
一种旋转机械剩余使用寿命预测方法及系统


[0001]本专利技术属于旋转机械剩余使用寿命预测
，更具体地，涉及一种旋转机械剩余使用寿命预测方法及系统。

技术介绍

[0002]旋转机械作为传动系统的关键组件，已广泛用于现代制造和工业过程中，其运行状态的好坏将直接影响整台设备性能。如果能在旋转机械失效前，准确地预测出其剩余使用寿命，便可及时采取一定的措施对设备进行维护，从而避免造成重大的经济损失、甚至人员伤亡。
[0003]旋转机械的剩余使用寿命预测方法总体上可分为两大类，分别为基于解析模型的方法和基于数据驱动的方法。其中，基于解析模型的方法是通过构建旋转机械性能退化过程的数学或物理模型进行剩余使用寿命预测，但由于旋转机械运行环境变得愈加复杂，构建解析模型的方法变得愈发困难；基于数据驱动的方法受益于机器学习的发展，可以从海量监测数据中模拟出旋转机械性能退化过程的模糊函数，进而实现对旋转机械的剩余使用寿命预测。因此，基于数据驱动的旋转机械剩余使用寿命预测方法近年来受到国内外众多学者的青睐和探究，逐步成为主流方法。
[0004]旋转机械剩余使用寿命预测本质上是时间序列预测问题，而以循环神经网络为代表的新一代人工智能技术在时间序列处理方面具有明显的优越性，然而这些方法更多地去关注信号的时间依赖性，而忽略了信号的空间依赖性。事实上，信号的空间依赖性提供了更多的特征信息。图作为一种非欧几里得数据，与传统的欧式数据相比，其边可以用来表示信号的空间依赖关系，因此采用图数据分析并预测剩余使用寿命，其效果将得到进一步提高。基于此，本专利技术综合图数据表示信号空间依赖关系以及循环神经网络捕捉信号时间信息的优点，提出一种旋转机械剩余使用寿命预测方法。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种旋转机械剩余使用寿命预测方法及系统，旨在解决现有技术中旋转机械振动信号的空间依赖关系未被充分关注导致的旋转机械剩余使用寿命预测精度低的问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种旋转机械剩余使用寿命预测方法，包括：
[0007]获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；
[0008]将预测路径图输入训练后的ChebGCN
‑
LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值。
[0009]进一步的，训练后的ChebGCN
‑
LSTM预测模型获取方法为：
[0010]获取旋转机械处于不同寿命时期下的振动信号，将其作为训练样本，根据训练样
本构建训练路径图；
[0011]构建基于ChebGCN(切比雪夫图卷积网络)和BiLSTM(双向长短时记忆网络)的旋转机械剩余使用寿命的ChebGCN
‑
LSTM预测模型，并将训练路径图输入ChebGCN
‑
LSTM预测模型训练，得到训练后的ChebGCN
‑
LSTM预测模型。
[0012]进一步的，路径图的构建方法为：
[0013]提取样本的时域统计指标，将振动信号视为节点，时域统计指标视为节点特征，振动信号所处寿命时期的先后排列顺序视为边，每个节点与其前后的相邻节点之间用边连接构建成路径图；
[0014]其中，路径图表示为G＝{V,E,A,F}，其中V表示路径图节点，E表示两个节点之间的边连接，F代表节点特征，A代表邻接矩阵。
[0015]进一步的，时域统计指标为均值T1、标准差T2、方根幅值T3、均方根T4、峰峰值T5、斜度T6、峭度因子T7、峰值系数T8、余隙系数T9、形状因子T
10
和冲击因子T
11
；
[0016]给定振动信号为X＝(x1,x2,
…
,x
m
)，其中m为数据长度：
[0017]均值T1为：
[0018]标准差T2为：
[0019]方根幅值T3为：
[0020]均方根T4为：
[0021]峰峰值T5为：T5＝0.5*(max(x
i
)
‑
min(x
i
))；
[0022]斜度T6为：
[0023]峭度因子T7为：
[0024]峰值系数T8为：
[0025]余隙系数T9为：
[0026]形状因子T
10
为：
[0027]冲击因子T
11
为：
[0028]其中，i表示振动信号序号。
[0029]进一步的，路径图的边只存在于相邻节点之间；对于每个路径图，所有节点之间的连接情况可以表示为该路径图对应的邻接矩阵。
[0030]进一步的，ChebGCN
‑
LSTM预测模型由三层ChebGCN卷积层、一层BiLSTM和一层FC(Fully Connected，全连接网络)层组成；
[0031]切比雪夫卷积运算表示为：
[0032]其中，F∈R
n
×
m
是图信号，表示切比雪夫卷积运算的输入，表示切比雪夫卷积运算的输出，K表示切比雪夫多项式的最高阶，k表示切比雪夫多项式的阶数，表示特征矩阵，表示K阶切比雪夫多项式，θ
′
k
∈R
K
表示切比雪夫系数向量；
[0033]ChebGCN卷积层的输出Y∈R
n
×
s
表示为：
[0034][0035]其中，W∈R
m
×
s
表示ChebGCN卷积层学习到的权重矩阵；
[0036]LSTM表示为：
[0037][0038]f
t
＝σ(W
f
·
[h
t
‑1,y
t
]+b
f
)
[0039][0040]其中，e
t
,、f
t
和o
t
分别表示当前时刻LSTM的输入门、遗忘门和输出门，σ(
·
)和tanh(
·
)表示激活函数，y
t
表示当前时刻流入LSTM循环单元的信息，h
t
‑1表示上一时刻循环单元的输出，c
t
表示当前时刻状态，表示当前时刻输入门中的候选状态，h
t
表示当前时刻回路单元的输出，t表示当前时刻。
[0041]进一步的，训练后的ChebGCN
‑
LSTM预测模型中，剩余使用寿命比设置为训练样本的标签，剩余使用寿命比为旋转机械剩余寿命与全寿命的比值。
[0042]进一步的，预测路径图输入训练后的ChebGCN
‑
LSTM预测模型，输出每个图节点所对应的剩余使用寿命预测值；其中，一个路径图将对应多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械剩余使用寿命预测方法，其特征在于，包括：获取待预测旋转机械实时的振动信号，将其作为预测样本，根据预测样本构建预测路径图；将预测路径图输入训练后的ChebGCN
‑
LSTM预测模型，得到待预测旋转机械的剩余使用寿命预测值。2.如权利要求1所述的剩余使用寿命预测方法，其特征在于，所述训练后的ChebGCN
‑
LSTM预测模型获取方法为：获取旋转机械处于不同寿命时期下的振动信号，将其作为训练样本，根据训练样本构建训练路径图；构建基于ChebGCN和BiLSTM的旋转机械剩余使用寿命的ChebGCN
‑
LSTM预测模型，并将训练路径图输入ChebGCN
‑
LSTM预测模型训练，得到训练后的ChebGCN
‑
LSTM预测模型。3.如权利要求1或2所述的剩余使用寿命预测方法，其特征在于，所述路径图的构建方法为：提取样本的时域统计指标，将振动信号视为节点，时域统计指标视为节点特征，振动信号所处寿命时期的先后排列顺序视为边，每个节点与其前后的相邻节点之间用边连接构建成路径图；其中，路径图表示为G＝{V,E,A,F}，其中V表示路径图节点，E表示两个节点之间的边连接，F代表节点特征，A代表邻接矩阵。4.如权利要求3所述的剩余使用寿命预测方法，其特征在于，所述时域统计指标为均值T1、标准差T2、方根幅值T3、均方根T4、峰峰值T5、斜度T6、峭度因子T7、峰值系数T8、余隙系数T9、形状因子T
10
和冲击因子T
11
；给定振动信号为X＝(x1,x2,
…
,x
m
)，其中m为振动信号个数；均值T1为：标准差T2为：方根幅值T3为：均方根T4为：峰峰值T5为：T5＝0.5*(max(x
i
)
‑
min(x
i
))；斜度T6为：峭度因子T7为：
峰值系数T8为：余隙系数T9为：形状因子T
10
为：冲击因子T
11
为：其中，i表示振动信号序号。5.如权利要求3所述的剩余使用寿命预测方法，其特征在于，所述路径图的边只存在于相邻节点之间；对于每个路径图，所有节点之间的连接情况可以表示为该路径图对应的邻接矩阵。6.如权利要求3所述的剩余使用寿命预测方法，其特征在于，所述ChebGCN
‑
LSTM预测模型由三层ChebGCN卷积层、一层BiLSTM和一层FC层组成；切比雪夫卷积运算表示为：其中，F∈R
n
×
m
是图信号，表示切比雪夫卷积运算的输入，表示切比雪夫卷积运算的输出，K表示切比雪夫多项式的最高阶，k表示切比雪夫多项式的阶数，表示特征矩阵，...

【专利技术属性】
技术研发人员：刘颉，曾祥于，杨超颖，周凯波，徐琦，张峰源，耿哲贤，杨才霈，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：