基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法技术

本发明专利技术属于轴承寿命预测领域，公开了基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，本发明专利技术中选用更稳定的轴承特征RRMS，首先在第一阶段运用由DML改进的卷积神经网络自动提取特征，用来指示轴承的健康情况，当轴承退化到50％时(输出小于0.5)时,通过长短时记忆网络对后50％进行预测，最后，将这两个阶段的结果结合起来，得到轴承的寿命退化曲线，通过上述方法得到的模型输出可以直接用于RUL的计算，该方法避免了对轴承失效阈值的选择，在整个预测过程中，CNN和LSTM分别用于轴承退化的不同阶段，最大限度地利用现有的全寿命数据和当前的轴承历史数据来提高模型的精度。度。度。

【技术实现步骤摘要】
基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法


[0001]本专利技术属于轴承寿命预测领域，具体涉及基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法。

技术介绍

[0002]滚动轴承作为机械设备的旋转部件，广泛应用于各个工业领域。然而，工业环境的复杂性和长期的不间断运行使得轴承极易发生故障，滚动轴承作为旋转机械的关键部件，其故障会引起机械系统的异常运行。滚动轴承的RUL预测可以避免这种情况的发生，减少不必要的停机和人员伤亡，并为制定最佳维修策略提供依据。
[0003]基于机制的RUL预测方法是根据单一故障的退化调节来建模的；它需要大量的先验知识。此外，轴承的退化过程是非常复杂的。因此，建立一个准确的物理模型较为困难。目前，数据驱动的RUL预测方法已经取得较大成就。但仍然从在一些问题，首先，构建一个能够描述轴承退化趋势的特征集是一个相当复杂的过程。第二，退化标签的高度主观构建并不是统一的标准，而是在故障阈值的设置上造成了很大的随机性。针对目前轴承寿命预测领域中，特征集构建中复杂多变和退化指标选择的高度主观性等问题。

技术实现思路

[0004]本专利技术的目的在于提供基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，以解决上述
技术介绍
中提出现有技术中的问题。
[0005]为实现上述目的，本专利技术采用了如下技术方案：
[0006]基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，包括如下步骤：
[0007]步骤一、构建实验数据集：其包括训练集和测试集，所述训练集由轴承1和轴承3的轴承数据，所述测试包括轴承2和轴承4的轴承数据；
[0008]步骤二、建立DML模型：对所述轴承数据进行预处理，对轴承的振动信号进行FFT，将时域信号转为频域信号，然后将得到的FFT数据输入到通过DML增强的CNN模型中；
[0009]步骤三、RUL计算：将所述频域信号中的前1024维数据作为DML模型的输入，比较DML模型输出；若模型输出大于0.5，则直接运用DML的输出结果计算RUL；反之，则将DML模型的输出结果输入到后续的LSTM模型，最终用LSTM模型的输出计算RUL；
[0010]步骤四、得到轴承的寿命退化曲线：对比不同步长下LSTM模型的收敛速度和精度，然后将两阶段的预测输出结果结合起来得到退化曲线。
[0011]进一步的，在训练集和测试集的数据采集时包括一个交流电机、轴承1、轴承2、轴承3、轴承4及振动传感器；采样频率为20KHz，每次采样收集20480个采样点，每次采样的时间间隔为10分钟；然后确定每个轴承的退化起点和故障点，并建立训练标签和测试标签，后对原始信号进行FFT处理。
[0012]进一步的，轴承的生命周期被分为四个阶段，即健康阶段、缓慢退化阶段、快速退
化阶段和失效点后的失效阶段。退化起点对应的时间表示为t
d
，失效点对应的时间为t
f
，采用阈值法确定t
d
和t
f
，阈值是1.1和5；不同轴承的RMS值是不一样的，因此，选择更稳定的特征RRMS，便于不同的轴承可以应用相同的阈值，RRMS的表达式如式：
[0013][0014]其中，RMS
norm
是数据点200至300的平均有效值；
[0015]根据指数函数λ(t)来拟合轴承的RRMS，从而确定轴承的全寿命λ
t
，如式所示：
[0016]λ(t)＝y0+αt
β
；
[0017]其中，参数y0,α,β由普通最小二乘法确定，而t
f
可以通过λ(t)＝5确定。
[0018]进一步的，将DML应用于RUL预测领域，DML的CNN的输出被用来指示轴承的健康状况，当轴承退化到50％时，进行第二阶段的预测，包括：
[0019]基于DML的CNN的输出被用来指示轴承的健康状况，DML模型是通过两个CNN的相互学习实现的，两个CNN的优化目标分别为式(1)和式(2)，将DML应用于RUL预测领域，以防止模型的过度拟合，进一步提高预测精度；
[0020]Loss
net1
＝L
y
+D
KL
(p2||p1)
ꢀꢀꢀꢀꢀ
(1)
[0021]Loss
net2
＝L
y
+D
KL
(p1||p2)
ꢀꢀꢀꢀꢀ
(2)。
[0022]进一步的，一维CNN被用来处理时间序列数据，最后一层使用sigmoid作为激活函数，学习率被设定为0.01；
[0023]当DML模型的输出大于0.5，即当退化程度小于50％时，DML的输出可以直接用于计算RUL；
[0024]当DML模型的输出小于0.5时，即当退化程度大于50％时，将DML模型的输出结果输入到LSTM模型，进行第二阶段的预测。
[0025]进一步的，将CNN和LSTM分别用于轴承退化的不同阶段，最大限度地利用现有的全寿命数据和当前的轴承历史数据来提高模型的精度，包括：
[0026]将DML模型的输出结果输入到LSTM模型，进行第二阶段预测；
[0027]用LSTM模型的输出结果计算RUL，通过这种方式，可以预测轴承在不同寿命阶段的RUL。
[0028]进一步的，LSTM采用24步，在保证预测精度的同时保证了模型的训练速度。
[0029]进一步的，DML模型中还包括模型训练，包括预测损失和模仿损失。
[0030]进一步的，所述预测损失中，CNN的优化目标是最小化真实值和预测值之间的差异，给定一个输入向量即n个样本，特征提取器将映射到d维空间，然后全连接层将d维向量映射为1维，根据输出H
t
，预测损失L
y
，使用MSE，如式所示；
[0031][0032]进一步的，所述模仿性损失中，模型之间的分布差异可以通过最小化模仿损失来减少，MSE可以使模型完全拟合训练数据；增加衡量模型之间分布差异的模仿损失，然后通
过最小化这个损失来优化模型，在训练模型之前，应构建训练标签，在轴承退化的过程中，时间t的特征是将输入健康指标来训练模型，在训练过程中，每个样本X
t
的标签y
t
，由式给出：
[0033][0034]在式中，ActRUL
t
是轴承在时间t的RUL，可以通过t
f
‑
t得到，RUL0是轴承的整个寿命，可以通过t
f
‑
t
d
得到。
[0035]本专利技术的技术效果和优点：本专利技术提出的基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，与现有技术相比，具有以下优点：
[0036]本专利技术中选用更稳定的轴承特征RRMS，首先在第一阶段运用由DML改进的卷积神经网络自动提取特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，其特征在于,包括如下步骤：步骤一、构建实验数据集：其包括训练集和测试集，所述训练集由轴承1和轴承3的轴承数据，所述测试包括轴承2和轴承4的轴承数据；步骤二、建立DML模型：对所述轴承数据进行预处理，对轴承的振动信号进行FFT，将时域信号转为频域信号，然后将得到的FFT数据输入到通过DML增强的CNN模型中；步骤三、RUL计算：将所述频域信号中的前1024维数据作为DML模型的输入，比较DML模型输出；若模型输出大于0.5，则直接运用DML的输出结果计算RUL；反之，则将DML模型的输出结果输入到后续的LSTM模型，最终用LSTM模型的输出计算RUL；步骤四、得到轴承的寿命退化曲线：对比不同步长下LSTM模型的收敛速度和精度，然后将两阶段的预测输出结果结合起来得到退化曲线。2.根据权利要求1所述的基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，其特征在于：在训练集和测试集的数据采集时包括一个交流电机、轴承1、轴承2、轴承3、轴承4及振动传感器；采样频率为20KHz，每次采样收集20480个采样点，每次采样的时间间隔为10分钟；然后确定每个轴承的退化起点和故障点，并建立训练标签和测试标签，后对原始信号进行FFT处理。3.根据权利要求2所述的基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，其特征在于：轴承的生命周期被分为四个阶段，即健康阶段、缓慢退化阶段、快速退化阶段和失效点后的失效阶段。退化起点对应的时间表示为t
d
，失效点对应的时间为t
f
，采用阈值法确定t
d
和t
f
，阈值是1.1和5；不同轴承的RMS值是不一样的，因此，选择更稳定的特征RRMS，便于不同的轴承可以应用相同的阈值，RRMS的表达式如式：其中，RMS
norm
是数据点200至300的平均有效值；根据指数函数λ(t)来拟合轴承的RRMS，从而确定轴承的全寿命λ
t
，如式所示：λ(t)＝y0+αt
β
；其中，参数y0,α,β由普通最小二乘法确定，而t
f
可以通过λ(t)＝5确定。4.根据权利要求3所述的基于深度互学习和动态特征构建的轴承剩余使用寿命预测方法，其特征在于：将DML应用于RUL预测领域，DML的CNN的输出被用来指示轴承的健康状况，当轴承退化到50％时，进行第二阶段的预测，包括：基于DML的CNN的输出被用来指示轴承的健康状况，DML模型是通过两个CNN的相互学习实现的，两个CNN的优化目标分别为式(1)和式(2)，将DML应用于RUL预测领域，以防止模型的过度拟合，进一步提高预测精度；Loss
net1
＝L
y...

【专利技术属性】
技术研发人员：朱红求，王佳宁，黄子怡，张英杰，周灿，程菲，陆碧良，
申请(专利权)人：中南大学，
类型：发明
国别省市：