一种基于CAE和AGRU的滚动轴承退化趋势预测方法技术

本发明专利技术提供了一种基于CAE构建健康指标和AGRU的滚动轴承退化趋势预测方法，其特征在于，包括如下步骤：S1、将滚动轴承每个样本的时域信号通过快速傅里叶变换转换为频域信号；S2、根据频域信号尺寸和计划提取的特征集的尺寸设置卷积自编码器(CAE)结构，卷积自编码器从滚动轴承频域信号中自适应提取编码特征集，根据时间趋势性和单调性从中选取优质特征构建健康指标；S3、健康指标划分测试集与训练集，将训练集输入融合注意力机制的门控循环单元(AGRU)，剪枝算法对AGRU模型超参数进行优化，完成AGRU模型的训练，将测试集输入训练好的模型，完成滚动轴承退化趋势的预测；本发明专利技术健康指标的构建方法不需要太多先验知识，抗干扰能力强，AGRU预测模型精度较高。AGRU预测模型精度较高。AGRU预测模型精度较高。

【技术实现步骤摘要】
一种基于CAE和AGRU的滚动轴承退化趋势预测方法


[0001]本专利技术涉及基于深度学习的故障诊断
，具体地说是一种基于CAE和AGRU的滚动轴承退化趋势预测方法。

技术介绍

[0002]在现代工业中，滚动轴承是旋转机械中不可或缺的重要零部件，广泛应用于航空航天、智能制造和风力发电等工业领域，因其工作环境的复杂性，常常发生磨损、腐蚀和断裂等故障，滚动轴承一旦发生故障将会造成巨大的经济损失甚至是人员伤亡。因此，对滚动轴承进行退化趋势预测来提高可靠性和安全性是很有必要的。
[0003]退化趋势预测方法主要有两种，基于模型和基于数据驱动的方法，基于模型的方法需要大量的数据难以运用于复杂的系统，基于数据驱动的方法不需要太多的先验知识，随着机器学习和深度学习的发展，基于数据驱动的退化趋势预测得到了广泛的应用。
[0004]退化趋势预测包括健康指标的构建和预测模型的搭建。健康指标主要分为物理指标和融合指标，但这些传统指标依赖人工提取，抗干扰能力差，将深度学习用于健康指标构建可以避免这些问题。预测模型也是影响退化趋势预测准确性的重要步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CAE构建健康指标和AGRU的滚动轴承退化趋势预测方法，其特征在于，包括如下具体步骤：S1、滚动轴承振动信号预处理，将滚动轴承全寿命数据每个样本的时域信号，使用快速傅里叶变换转换为频域信号；S2、健康指标构建，根据频域信号尺寸和想要提取的编码特征的尺寸设置卷积自编码网络参数，卷积自编码器从频域信号中自适应提取编码特征集，根据时间趋势性和单调性从中选取优质特征构建健康指标；卷积神经网络中的池化层主要用于降维，对于精度并没有帮助，所以本发明中构建健康指标的CAE模型并没有使用池化层，而是加入批归一化层加速网络收敛防止过拟合，激活函数使用sigmoid函数，使用Adam优化器对loss训练进行优化；设x为输入到卷积自编码网络中的频域信号，编码过程可以表示为：h
k
＝σ(x*W
k
+b
k
)其中，σ为激活函数，*表示卷积操作，k为卷积核个数，W
k
和b
k
是输入层到隐含层的权重项和偏置项；解码器通过堆叠多个上采样层和反卷积层将隐含层的编码特征重构为尺寸近似原始数据的输出，解码过程可以表示为：其中：和是隐含层到输出层的权重项和偏置项；批归一化层公式如下：其中：x
w
为输入批归一化层的数据，y
w
为归一化后的输出数据，μ
w
和σ
w
分别为输入数据的均值和标准差，β
w
和γ
w
分别是可学习的平移参数和缩放参数，上标w表示数据的第w维，ε是防止分母为0的一个小量；卷积层输出的计算公式如下：反卷积层的计算公式如下：L
out
＝(L
in
‑
1)
×
stride
‑2×
padding+dilation
×
(kernel_size
‑
1)+L
out
其中：L
in
为卷积层输入数据的尺寸大小，L
out
为卷积层输出数据的尺寸大小，padding为添加到输入数据两边的填充，dilation为卷积核之间的间距，kernel_size为卷积核的大小，stride为卷积的步幅；卷积自编码网络损失函数E(x,y)定义为：其中：N为批量大小，x
i
为编码器输入数据，y
i
为解码器输出数据；将频域特征输入到卷积自编码网络，提取编码特征集，将编码特征集进行归一化处理，
进一步地，根据时间趋势性和单调性选择优质编码特征作为健康指标，单调性Mon表示特征指标随时间变化增加或减少的趋势，Mon取值范围为[0,1]，其值越接近1，特征指标的单调性越好，单调性Mon评判标准计算公式如下所示：其中，为特征指标序列的正导数个数，为特征指标序列的负导数个数，T为特征序列的长度；时间趋势性Corr评判标准计算公式如下所示：其中，d
i
为特征指标序列与时间序列之间的差异；单调性Mon和时间趋势性Corr两种评判指标都是判断健康指标优劣的重要量度，然而每个指标只能评估健康指标的部分属性，本发明将两种评判指标线性组合来全面评估健康指标的优劣，综合评判标准Cie如下所示：根据Cie选择综合指标最好的编码特征作为健康指标；S3、AGRU趋势预测模型，健康指标划分测试集与训练集，将训练集输入到融合注意力机制的门控循环单元，剪枝算法对AGRU模型超参数进行优化，完成AGRU模型的训练，将测试集输入训练好的模型，完成滚动轴承退化趋势的预测。2.根据权利要求1所述的一种基于CAE构建健康指标和AGRU的滚动轴承退化趋势预测方法，其特征在于，所述步骤S3中AGRU模型的训练过程包括以下步骤：步骤3
‑
1：健康指标划分训练集与测试集，其中80％为训练集，20％为测试集；步骤3
‑
2：将训练集划分特征集和目标集，训练样本如下所示：步骤3
‑
3：将训练集特征集x＝(x1,x2,
…
,x
t
)输入到编码器的GRU网络中去，得到隐藏状态的输出h＝(h1,h2,...,h
t
)，假设x
t
为当前时刻的输入，则隐藏状态的输出h
t
的计算过程如下所示：z
t
＝σ(W

【专利技术属性】
技术研发人员：陈捷，焦玲玲，刘连华，周舟，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：