一种时变神经维纳过程的轴承剩余寿命预测方法技术

本发明专利技术公开一种时变神经维纳过程的轴承剩余寿命预测方法，包括以下步骤：1)利用传感器获取轴承原始振动信号数据，将时域信号进行预处理转换为频域信号提取信号幅值谱特征；2)建立基于时变维纳过程的Seq2seq神经网络模型；3)根据鞅估计函数获得关于时间和振动幅值数据的漂移函数和扩散函数，训练Seq2seq模型，得到退化趋势函数和波动函数；4)将退化趋势函数和波动函数用作基于维纳过程的退化趋势函数，以闭合形式计算剩余使用寿命的概率密度函数。本发明专利技术利用轴承退化失效过程中监测到的振动信号，提取振动信号的幅值谱，实现对轴承剩余寿命预测，提高基于维纳过程的退化模型参数估计的自适应性，实现准确的RUL预测。实现准确的RUL预测。实现准确的RUL预测。

【技术实现步骤摘要】
一种时变神经维纳过程的轴承剩余寿命预测方法


[0001]本专利技术涉及轴承状态评估领域，具体是一种时变神经维纳过程的轴承剩余寿命预测方法。

技术介绍

[0002]作为预测性维修中的一项关键技术，剩余使用寿命(RUL)预测近年来越来越受到关注，它可以避免不必要的维修活动，提高系统的安全可靠性和可用性。然而，RUL预测性能高度依赖于基于可用资源构建系统退化过程模型的能力，这使得RUL预测极其困难。因此，如何构建精确的退化过程模型以实现精确的RUL预测已成为一项具有挑战性的任务。基于维纳过程的退化模型和剩余寿命估计方法仍存在诸多不足，在实践过程中，系统的退化过程受到材料的内部退化与外部操作环境或负载之间的复杂相互影响，因此基于维纳过程的退化模型估计未知模型参数的问题仍不具有自适应能力，且在现有方法中，估计的RUL分布仅取决于当前退化观测，影响模型预测精度。

技术实现思路

[0003]本专利技术的目的是提供一种时变神经维纳过程的轴承剩余寿命预测方法，包括以下步骤：
[0004]1)利用传感器获取轴承原始振动信号数据，对时域的轴承原始振动信号数据进行预处理，转换得到频域信号，提取信号幅值谱特征；
[0005]2)建立基于时变维纳过程的Seq2seq神经网络模型；
[0006]3)根据鞅估计函数获得关于时间和振动幅值数据的漂移函数μ和扩散函数σ，训练Seq2seq神经网络模型，得到退化趋势函数f(μ)和波动函数f(σ)；
[0007]4)根据首次命中时间，将退化趋势函数f(μ)和波动函数f(σ)作为基于维纳过程的退化趋势函数，以闭合形式计算剩余使用寿命的概率密度函数。
[0008]进一步，所述基于维纳过程的Seq2seq模型包括输入层、编码层、解码层和输出层；
[0009]所述Seq2seq模型的输入层存储有漂移系数与扩散系数的估计函数；
[0010]所述编码层存储有若干层RNN，每层包括若干LSTM神经单元；所述编码层的输入为漂移系数与扩散系数，输出为编码向量；
[0011]所述解码层存储有若干层RNN，每层包括若干LSTM神经单元；所述解码层的输入为编码向量，输出为解码向量；
[0012]所述输出层的输入为解码向量，输出为退化趋势函数f(μ)和波动函数f(σ)。
[0013]进一步，漂移系数与扩散系数的估计函数的建立步骤如下：
[0014]a)建立维纳过程函数，即：
[0015]dX
t
＝μ(t,X
t
)dt+σ(t,X
t
)dW
t
ꢀꢀ
(1)
[0016]式中，W
t
表示满足标准布朗运动的参数；μ(t,X
t
)是漂移系数；σ(t,X
t
)是扩散系数；维纳过程函数的解X
t
表示t时刻的振动幅值数据；
[0017]维纳过程函数的解X
t
满足下式：
[0018][0019]式中，是确定退化过程在离散时间点的观测值；X(0)是初始观测值；
[0020]b)对二维参数θ＝(μ,σ2)考虑基于鞅估计函数的估计量，得到关于θ的最优线性估计函数(3)和最优二次鞅估计函数(4)，即：
[0021][0022][0023]式中，时间差Δ＝t
i
‑
t
i
‑1；G1(θ)为最优线性估计函数；G2(θ)为最优二次鞅估计函数；n为离散时间点数量；
[0024]其中，参数参数分别如下所示：
[0025][0026]式中，F(
·
)、φ(
·
)均表示鞅估计函数；E
θ
表示鞅的期望；V表示方差；x
i
‑1表示振动幅值；
[0027]c)令函数G1(θ)＝0，得到：
[0028][0029]式中，β表示线性系数；
[0030]d)令得到：
[0031][0032]e)建立漂移系数的估计函数(8)、扩散系数的估计函数(9)，即：
[0033][0034][0035]式中，X
iΔ
为振动幅值数据；为漂移系数的估计函数、扩散系数的估计函数。
[0036]进一步，所述Seq2seq模型的编码层输出C
f
如下所示：
[0037][0038][0039][0040]式中，V
a
、W、U是待学习的参数；h
f
‑1、s
f
‑1为上一步编码层的向量表示和神经元状态；为f时刻编码层输出向量的权重；编码层向量h
f
‑1＝b(h
f
‑2,x
f
‑1)；b是激活函数；列向量量K为长度；为中间参数；h
i
为编码层的向量表示；F表示时刻数。
[0041]进一步，输出层的输出y
m
如下所示：
[0042]y
m
＝g(y
m
‑1,s
m
,C
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0043]式中s
m
＝f(s
m
‑1,y
m
‑1,C
f
)；g、f是激活函数；y
m
‑1为时刻m
‑
1的输出。
[0044]进一步，首次命中时间为轴承退化过程首次达到故障阈值w的时间。
[0045]进一步，计算剩余使用寿命的概率密度函数的步骤包括：
[0046]I)建立轴承寿命T的数学表达式，即：
[0047]T＝inf{t:X(t)＞w∣X(0)＜w}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0048]式中，w为故障阈值；
[0049]II)建立轴承剩余寿命T的概率密度函数f
T
(t)，即：
[0050][0051]式中，σ
B
表征波动函数f
σ
；
[0052]在FHT的概念下，我们可以得到寿命T的PDF。
[0053]其中，参数S
B
(t)如下所示：
[0054][0055]III)更新维纳过程函数的解X
t
，得到：
[0056]X(t)＝X(t
k
)+(y
m
(t)
‑
y
m
(t
k
))+f
σ
W(t
‑
t
k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0057]IV)计算时间t
k
处轴承剩余使用寿命l
k
，即：
[0058]l
k
＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时变神经维纳过程的轴承剩余寿命预测方法，其特征在于，包括以下步骤：1)利用所述传感器获取轴承原始振动信号数据，对时域的轴承原始振动信号数据进行预处理，转换得到频域信号，提取信号幅值谱特征。2)建立基于时变维纳过程的Seq2seq神经网络模型；3)根据鞅估计函数获得关于时间和振动幅值数据的漂移函数μ和扩散函数σ，训练Seq2seq神经网络模型，得到退化趋势函数f(μ)和波动函数f(σ)；4)根据首次命中时间，将退化趋势函数f(μ)和波动函数f(σ)作为基于维纳过程的退化趋势函数，以闭合形式计算剩余使用寿命的概率密度函数。2.根据权利要求1所述的一种时变神经维纳过程的轴承剩余寿命预测方法，其特征在于，所述基于维纳过程的Seq2seq模型包括输入层、编码层、解码层和输出层；所述Seq2seq模型的输入层存储有漂移系数与扩散系数的估计函数；所述编码层存储有若干层RNN，每层包括若干LSTM神经单元；所述编码层的输入为漂移系数与扩散系数，输出为编码向量；所述解码层存储有若干层RNN，每层包括若干LSTM神经单元；所述解码层的输入为编码向量，输出为解码向量；所述输出层的输入为解码向量，输出为退化趋势函数f(μ)和波动函数f(σ)。3.根据权利要求2所述的一种时变神经维纳过程的轴承剩余寿命预测方法，其特征在于，漂移系数与扩散系数的估计函数的建立步骤如下：1)建立维纳过程函数，即：dX
t
＝μ(t,X
t
)dt+σ(t,X
t
)dW
t
ꢀꢀꢀ
(1)式中，W
t
表示满足标准布朗运动的参数；μ(t,X
t
)是漂移系数；σ(t,X
t
)是扩散系数；维纳过程函数的解X
t
表示t时刻的振动幅值数据；维纳过程函数的解X
t
满足下式：式中，是确定退化过程在离散时间点的观测值；X(0)是初始观测值；2)对二维参数θ＝(μ,σ2)考虑基于鞅估计函数的估计量，得到关于θ的最优线性估计函数(3)和最优二次鞅估计函数(4)，即：数(3)和最优二次鞅估计函数(4)，即：式中，时间差Δ＝t
i
‑
t
i
‑1；G1(θ)为最优线性估计函数；G2(θ)为最优二次鞅估计函数；n为离散时间点数量；
其中，参数参数分别如下所示：式中，F(
·
)、φ(
·
)均表示鞅估计函数；E
θ
表示鞅的期望；V表示方差；x
i
‑1表示振动幅值；3)令函数G1(θ)＝0，得到：式中，β表示线性系数；4)令得到：5)建立漂移系数的估计函数(8)、扩散系数的估计函数(9)，即：5)建立漂移系数的估计函数(8)、扩散系数的估计函数(9)，即：式中，X
iΔ
为振动幅值数据；为漂移系数的估计函数、扩散系数的估计函数。4.根据权利要求2所述的一种时变神经维纳过程的轴承剩余寿命预测方法，其特征在于，所述Seq2seq模型的编码层输出C
f
如下所示：如下所示：如...

【专利技术属性】
技术研发人员：尹爱军，龙振东，
申请(专利权)人：重庆大学，
类型：发明
国别省市：