一种结合特征归因和神经网络的齿轮剩余寿命预测方法技术

本发明专利技术提供的一种结合特征归因和神经网络的齿轮剩余寿命预测方法，包括：预处理振动加速度信号，并计算获得齿轮的时域特征和频域特征，同时标记齿轮的真实寿命；搭建齿轮剩余寿命预测模型，所述齿轮剩余寿命预测模型包括通道注意力层、长短时记忆神经网络层和全连接层；融合时频特征先验，基于期望梯度策略将时频特征对齿轮剩余寿命的影响融入齿轮剩余寿命预测模型训练过程以进一步优化训练过程；将时域特征、频域特征输入齿轮剩余寿命预测模型，计算输入特征对齿轮剩余寿命的关联度，引导齿轮剩余寿命预测模型关注高关联度的时频特征，实现齿轮剩余寿命的可靠预测。本发明专利技术能够有效提高预测精度。够有效提高预测精度。够有效提高预测精度。

【技术实现步骤摘要】
一种结合特征归因和神经网络的齿轮剩余寿命预测方法


[0001]本专利技术属于旋转机械智能运维和信号处理领域，具体涉及一种基于特征归因和神经网络的齿轮剩余寿命预测方法，可以利用时频域特征在不拆机的情况下实现齿轮剩余寿命预测，并结合齿轮故障机理与时频域特征贡献值实现预测模型的可解释性，解决基于数据驱动的齿轮剩余寿命预测模型弱解释性、预测鲁棒性不足等问题。

技术介绍

[0002]齿轮作为传递运动关系、载荷的部件，广泛存在于产业链的上下游环节，其剩余寿命监测将对生产活动的效率提升、安全保障产生重要的影响。得益于神经网络技术的快速迭代、普及和传感技术的推广，利用神经网络构建监测数据特征与设备剩余使用寿命映射关系的方法避免了由于设备停机、拆机检修造成的经济损失，符合经济社会高效生产的工业需求，具有较高的应用价值。
[0003]基于数据驱动的齿轮寿命预测方法按照预测网络的类型可分为：基于深度自编码器的方法、基于深度置信网络的方法、基于卷积神经网络的方法、基于循环神经网络的方法以及多种网络组合而成的混合网络方法。
[0004]其中循环神经网络(RNN)利用隐含层中包含的对过去信息的总结以及对当前输入特征的学习，相对于其他神经网络在处理时间序列数据时更具优势，得到广泛应用。为提升长时间序列的预测性能以及缓解梯度爆炸问题，长短期记忆神经网络(LSTM)在RNN循环结构中加入门控单元即输入门、遗忘门、输出门，通过独立的可学习化参数控制信息的流动，其中输入门用于保留输入特征的有效信息，遗忘门则能剔除前一时刻的冗余信息，最终利用输出门整合经输入、遗忘门筛选后的信息。相比于RNN，LSTM在处理具有长时间依赖关系的齿轮全生命周期振动加速度信号时更具优势。(QIN Y,Xiang S,Chai Y,et al.Macroscopic
–
microscopic attention in LSTM networks based on fusion features for gear remaining life prediction[J].IEEE Transactions on Industrial Electronics,2019,67(12):10865
‑
10875.)在健康指标构建时融合了时域、频域以及包络谱特征，提出一种结合宏观、微观注意力机制的LSTM结构提高了齿轮RUL的预测精度。针对LSTM在齿轮剩余寿命长期预测能力不足的问题，(YAN H,QIN Y,XIANG S,et al.Long
‑
term gear life prediction based on ordered neurons LSTM neural networks[J].Measurement,2020,165:108205.)提出了基于有序神经元长短时记忆网络方法，在短期和长期预测方面获得了更好的准确率和鲁棒性。(Al
‑
Dulaimi A,Zabihi S,Asif A,et al.NBLSTM:Noisy and hybrid convolutional neural network and BLSTM
‑
Based deep architecture for remaining useful life estimation[J].Journal of Computing and Information Science in Engineering,2020,20(2):021012.)提出CNN
‑
BiLSTM网络架构，利用全连接层融合时域、空间域信息，并在训练阶段加入随机噪声来提高深度神经网络性能、泛化和鲁棒性。(Wang C,Jiang W,Yue Y,et al.Research on prediction method of gear pump remaining useful life based on DCAE and Bi
‑
LSTM[J].Symmetry,2022,14(6):1111.)等利用深度卷积自编码网络从齿轮泵振动信号提取特征来构造健康指标，并加入到基于双向长短时记忆神经网络的预测模型训练中，实现齿轮泵的寿命预测。然而上述方法预测过程缺乏物理解释性，预测模型从输入到输出之间信息透明度较低，无法借助专家知识判断预测结果的可靠性，并且神经网络的泛化能力主要受超参数影响，无法融入先验知识辅助神经网络学习输入特征到齿轮剩余寿命之间的映射关系，导致预测模型的训练成本较高。

技术实现思路

[0005]本专利技术的目的是针对现有技术的不足，提供一种基于特征归因和长短时记忆神经网络的齿轮剩余寿命预测方法。融合齿轮时频域特征与长短时记忆神经网络，基于期望梯度算法计算时域、频域特征与齿轮剩余寿命的关联程度，并将特征先验加入神经网络的训练过程，并进一步从特征贡献出发，实现齿轮剩余寿命预测结果基于时频域特征的可解释性，以及预测精度的提高。
[0006]本专利技术的目的至少通过如下技术方案之一实现。
[0007]一种基于神经网络和特征归因的齿轮剩余寿命预测方法，包括以下步骤：
[0008]步骤S1：预处理振动加速度信号，并计算获得齿轮的时域特征和频域特征，同时为不同时间内采集到的振动信号标记齿轮的真实寿命；
[0009]步骤S2：搭建齿轮剩余寿命预测模型，所述齿轮剩余寿命预测模型包括通道注意力层、长短时记忆神经网络层和全连接层，通道注意力层用于动态分配不同通道内时频特征的学习权重，长短时记忆神经网络层用于挖掘时频特征中的齿轮退化信息，获得包含齿轮退化信息的抽象特征，全连接层用于抽象特征经多层运算后映射到齿轮的归一化剩余寿命；
[0010]步骤S3：融合时频特征先验，基于期望梯度策略将时频特征对齿轮剩余寿命的影响融入齿轮剩余寿命预测模型训练过程以进一步优化训练过程；
[0011]步骤S4：将时域特征、频域特征输入齿轮剩余寿命预测模型，计算输入特征对齿轮剩余寿命的关联度，引导齿轮剩余寿命预测模型关注高关联度的时频特征，实现齿轮剩余寿命的可靠预测。
[0012]步骤2中，长短时记忆神经网络(LSTM)层通过堆叠3层各层含128个隐含单元的模块(lstmcell)组成，其中基于RNN结构的LSTM在传统循环结构中加入门控单元，通过输入门、遗忘门、输出门控制过去信息、当前信息的流动，实现对重要信息的保留和对冗余信息的剔除，门控单元的表达式为：
[0013]i
t
＝σ(W
xi
×
x
t
+W
hi
×
h
t
‑1+b
i
)
[0014]f
t
＝σ(W
xf
×
x
t
+W
hf
×
h
t
‑1+b
f
)
[0015][0016]o
...

【技术保护点】

【技术特征摘要】
1.一种结合特征归因和神经网络的齿轮剩余寿命预测方法，其特征在于，包括以下步骤：预处理振动加速度信号，并计算获得齿轮的时域特征和频域特征，同时为不同时间内采集到的振动信号标记齿轮的真实寿命；搭建齿轮剩余寿命预测模型，所述齿轮剩余寿命预测模型包括通道注意力层、长短时记忆神经网络层和全连接层，通道注意力层用于动态分配不同通道内时频特征的学习权重，长短时记忆神经网络层用于挖掘时频特征中的齿轮退化信息，获得包含齿轮退化信息的抽象特征，全连接层用于抽象特征经多层运算后映射到齿轮的归一化剩余寿命；融合时频特征先验，基于期望梯度策略将时频特征对齿轮剩余寿命的影响融入齿轮剩余寿命预测模型训练过程以进一步优化训练过程；将时域特征、频域特征输入齿轮剩余寿命预测模型，计算输入特征对齿轮剩余寿命的关联度，引导齿轮剩余寿命预测模型关注高关联度的时频特征，实现齿轮剩余寿命的可靠预测。2.根据权利要求1所述的一种结合特征归因和神经网络的齿轮剩余寿命预测方法，其特征在于，从振动信号能量大小、集中程度以及频率分布维度来选取要计算的时域特征和频域特征。3.根据权利要求1所述的一种结合特征归因和神经网络的齿轮剩余寿命预测方法，其特征在于，计算获得的所述时域特征包括：反映了振动信号的幅值大小的均值μ、绝对均值|μ|、方根幅值X
r
，反映振动能量的大小的方差σ2、均方根值rms，反映冲击能量的大小的峭度X
β
、峰值X
p
、峰峰值X
p
‑
p
、峰值指标X
C
、脉冲指标X
I
、裕度指标X
L
，反映振动信号的对称性以及形状的斜度X
α
、波形指标X
K
；计算获得的所述频域特征包括：反映振动信号的能量的幅值谱能量f
e
、功率谱能量p
e
，反映振动信号在幅值谱上的能量重心的重心频率f
c
，反映振动信号的能量集中程度的频率方差f
v
、均方频率f
ms
，体现幅值谱的局部特性的功率谱方差p
σ
、功率谱最大值P
max
。4.根据权利要求1所述的一种结合特征归因和神经网络的齿轮剩余寿命预测方法，其特征在于，所述齿轮的真实寿命的计算公式为式中，y
i
表示齿轮真实寿命，i表示样本按采集时间递减后的位置顺序，N表示采样次数，t
s
为单次采样时间。5.根据权利要求1所述的一种结合特征归因和神经网络的齿轮剩余寿命预测方法，其...

【专利技术属性】
技术研发人员：刘华开，何国林，丁康，李巍华，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：