基于深度元学习算法的多工况旋转机械剩余寿命预测方法技术

本发明专利技术涉及多工况旋转机械的剩余寿命预测方法，是一种基于广义互熵损失函数的卷积神经网络和元学习算法的剩余寿命预测方法。包括：1)元训练阶段：基于ML框架，先将已有工况下旋转机械历史运行过程数据根据工况不同分为多个任务，再为数据设置标签，对数据进行短时傅里叶变换提取频域特征，最后根据不同任务的特征数据训练CNN的初始参数；2)元应用阶段：通过目标工况下已有数据对CNN进行微调；实时采集旋转机械运行过程中的振动信号，对振动信号提取频域特征，将频域特征输入至已适应目标工况的CNN中，输出目标工况下旋转机械的剩余寿命。本发明专利技术能解决工业生产中目标工况数据样本不足情况下的剩余寿命预测，节省算力成本，有实际工程应用价值。实际工程应用价值。实际工程应用价值。

【技术实现步骤摘要】
基于深度元学习算法的多工况旋转机械剩余寿命预测方法


[0001]本专利技术涉及一种可以多工况预测旋转机械剩余寿命的方法，具体是一种元学习框架下基于GC
‑
LSTM对旋转机械剩余寿命进行预测的研究方法。

技术介绍

[0002]随着生产技术的发展，尤其是流水线生产方式的出现，生产设备技术水平和复杂度都得到了显著提升，导致设备剩余寿命难以进行有效预测。这些设备中大多数为旋转机械设备，覆盖了我国重工业中的多个领域。一般情况下，旋转机械运转速度高，并且都是各个生产领域的关键设备，如电力部门的发电机、汽轮机、钢铁厂中的大型轧钢机等，它们的健康状态不仅决定着设备的可靠性，同时影响着生产的安全性。当故障异常严重时还会造成重大的经济损失，甚至导致机毁人亡的事故。因此，旋转机械的剩余寿命预测对于工业企业的安全生产和效益的提高具有不可替代的作用，在国民经济发展中有着十分重要的意义。
[0003]在实际工业生产中，由于旋转机械处于关键枢纽位置，设备无法从完好运行到完全失效，因此无法获取目标工况中旋转机械的全寿命数据，导致此类寿命预测模型无法精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度元学习算法的多工况旋转机械剩余寿命预测方法，其特征在于：STFT能对时间序列形式的振动信号进行降维并提取频域特征，CNN可以通过提取到的频域特征准确地预测出单一工况下旋转机械的剩余寿命；同时，元学习过程可以使CNN算法具有强泛化性，因此基于元学习的CNN可以预测多工况下旋转机械的剩余寿命；具体包括离线元训练和在线元应用两个阶段，其中离线元训练阶段使CNN获得先验知识，得到具有泛化性的网络初始化参数，以快速适应新的工作条件，包括以下步骤：步骤一：首先将现有振动信号数据根据工况的不同分为n个任务，X＝[S1,
…
,S
n
]，每个任务内分别设置support set和query set表示第i个任务的support set，表示第i个任务的query set；步骤二：为n个任务的振动信号数据设置真实剩余寿命标签；步骤三：对数据进行STFT以提取振动信号的频域特征，STFT公式如下：其中T
i
表示S
i
经过STFT后提取到的频域特征，f表示频率，h表示h时刻，τ为窗函数的宽度，w(
·
)表示窗函数，F(
·
)表示快速傅里叶变换。步骤四：元学习过程的内部训练根据产生的损失用内部学习率γ进行梯度下降，使CNN适应当前任务；外部训练根据产生的损失用元学习率ρ进行反向传播，以增强CNN适应新任务的能力。深度学习算法采用基于GC损失函数的CNN，利用其卷积操作对输入量提取时空特征；步骤五：内部训练具体计算过程如下：1)将输入到CNN的卷积块中，其中表示第i个任务中support set的第j组振动信号的频域特征，卷积操作不仅可以对输入量提取时空特征并降维，还可以降低噪声的影响。在进行卷积操作之后，线性整流函数(Rectified Linear Unit，ReLU)被用于决定当前时刻的输入信息有多少能被保留，具体公式如下：多少能被保留，具体公式如下：多少能被保留，具体公式如下：多少能被保留，具体公式如下：其中，分别表示第一、二、三、四层卷积层的卷积核权重与偏置量，f(
·
)表示ReLU激活函数，分别表示第一、二、三、四层卷积层对应第i个任务中support set的第j组振动信号的频域特征的输出。2)在提取到输入量的时空特征之后，全连接层被用于对其进行解释说明，得到输出，公式如下：其中与分别表示全连接层的权重与偏置量，表示输出。3)基于第i个任务中support set的真实剩余寿命与预测得到的剩余寿
命之间的误差计算GC损失函数，如下面的式子：G
α,β
(
·
)是广义高斯密度函数，是广义互熵的样本估计，m是样本的数量，Γ是伽马函数，α＞0是形状参数，β＞0是带宽参数，进行多次迭代训练；4)根据误差使用内部学习率γ进行梯度下降，使得网络适应当前任务，更新算法权重与偏置，如下式：式中θ为LSTM中的所有权重与偏置θ
′
表示更新后的权重与偏置通过梯度下降法使真实剩余寿命与预测得到的剩余寿命之间的误差最小；步骤六：外部训练具体过程如下：1)将输入到CNN的卷积块中，其中表示第i个任务中query set的第t组振动信号的频域特征，卷积操作不仅可以对输入量提取时空特征并降维，还可以降低噪声的影响。在进行卷积操作之后，线性整流函数(Rectified Linear Unit，ReLU)被用于决定当前时刻的输入信息有多少能被保留，具体公式如下：多少能被保留，具体公式如下：多少能被保留，具体公式如下：多少能被保留，具体公式如下：其中，分别表示第一、二、三、四层卷积层的权重与偏置量，f(
·
)表示ReLU激活函数，分别表示第一、二、三、四层卷积层对应第i个任务中query set的第t组振动信号的频域特征的输出。2)在提取到输入量的时空特征之后，全连接层被用于对其进行解释说明，得到输出，公式如下：其中与分别表示全连接层的权重与偏置量，表示输出。3)基于第i个任务中query set的真实剩余寿命与预测得到的剩余寿命之间的误差计算GC损失函数，如下面的式子：
G
α,β
(
·
)是广义高斯密度函数，是广义互熵的样本估计，l是样本的数量，Γ是伽马函数，α＞0是形状参数，β＞0是带宽参数，进行多次迭代训练；4)对n个任务计算平均损失值：并根据损失值使用外部学习率ρ进行梯度更新：其中表示训练好的权重与偏置步骤七：深度元学习模型训练完毕...

【专利技术属性】
技术研发人员：任密蜂，王思远，阎高伟，顾凯，韩晓明，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：