数字孪生驱动的小样本旋转机械剩余寿命预测方法及系统技术方案

本发明专利技术公开了一种数字孪生驱动的小样本旋转机械剩余寿命预测方法及系统，使用旋转机械早期退化信号训练卷积自编码器，使其学习到早期退化信号模式；随后使用卷积自编码器对测试信号进行重构并计算重构误差，将重构误差映射到[0,1]区间作为健康因子，根据健康因子拟合Weibull可靠度函数并预测旋转机械剩余使用寿命；在旋转机械持续运行过程中基于实时数据重复上述步骤实现旋转机械剩余寿命的实时更新。本发明专利技术构建的旋转机械剩余寿命预测算法可以在不需要末期退化信号的前提下预测轴承剩余寿命，并且能够随着数据量的增多相适应地进行模型更新以实时提高预测精度，具有实际工业场景下小样本旋转机械寿命预测的可行性。场景下小样本旋转机械寿命预测的可行性。场景下小样本旋转机械寿命预测的可行性。

【技术实现步骤摘要】
数字孪生驱动的小样本旋转机械剩余寿命预测方法及系统


[0001]本专利技术属于旋转机械寿命预测
，具体涉及一种数字孪生驱动的小样本旋转机械剩余寿命预测方法及系统。

技术介绍

[0002]旋转机械剩余使用寿命预测方法主要包括两种：基于机理模型的预测方法与数据驱动的预测方法。前者利用失效机理、概率统计等方法分析旋转机械退化过程，通过理论分析、试验验证等方法构建退化机理模型并进行剩余寿命预测。数据驱动的剩余寿命预测则是基于各类预测算法构建传感器信号与旋转机械剩余使用寿命之间的端到端模型，在大数据支持下无需专家经验与领域知识即可进行旋转机械剩余寿命预测。
[0003]受到应用场景、使用工况、工作时间等因素的影响，旋转机械的剩余寿命通常是动态演化的，上述方法只能预测旋转机械在设计阶段或者使用过程中某一特定时刻的静态平均寿命，无法描述旋转机械的动态退化过程，难以实现剩余寿命的实时在线预测。此外使用传统机理模型或者数据驱动模型时需要大量退化数据进行模型构建，当用于模型构建的数据不足时则会出现模型预测精度降低的问题，然而由于数据采集能力限制以及安全生产的需要，实际过程中往往难以收集到大量完整退化数据用于构建预测模型。

技术实现思路

[0004]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种数字孪生驱动的小样本旋转机械剩余寿命预测方法及系统，通过融合卷积自编码器与Weibull分布构建数据驱动的旋转机械退化行为模型，用于解决小样本数据下旋转机械剩余使用寿命难以准确预测的技术问题，实现小样本情况下的旋转机械剩余寿命准确实时预测。
[0005]本专利技术采用以下技术方案：
[0006]一种数字孪生驱动的小样本旋转机械剩余寿命预测方法，包括以下步骤：
[0007]S1、对旋转机械设备信号预处理；
[0008]S2、建立训练卷积自编码器，对步骤S1得到的信号不健康程度进行评估；
[0009]S3、建立指数映射函数，将步骤S2得到的不健康程度映射为可直接反映设备健康状态的健康因子；
[0010]S4、基于Weibull可靠度函数和步骤S3得到的健康因子，结合梯度下降法进行旋转机械剩余使用寿命的实时迭代预测。
[0011]具体的，步骤S1具体为：
[0012]S101、对于一段测量得到的设备信号z(t)，使用一维卡尔曼滤波算法建立设备信号的状态方程，估计信号带误差的测量值与带误差的观测值叠加得到的最优估计值；
[0013]S102、将步骤S101得到的滤波后信号x(t)划分为若干长度均为N的信号片段，将前30％时间内的信号认定为旋转机械的早期退化信号，用于后续算法模型的训练，其余均为测试数据。
[0014]进一步的，步骤S101中，将z(t)作为观测值z
k
与k＝0时刻的初始估计值，给定状态转移矩阵A、过程激励噪声协方差Q、测量噪声协方差R、转换矩阵H的初始值，迭代计算得到z(t)经卡尔曼滤波降噪后的信号x(t)。
[0015]进一步的，步骤S102中，设备信号的划分长度N为：
[0016][0017]其中，k为人为给定的缩放系数，f
rotate
为旋转机械的转动频率，f
collect
为信号的采集频率。
[0018]具体的，步骤S2具体为：
[0019]S201、构建卷积自编码器神经网络模型；
[0020]S202、经过步骤S1预处理后得到的早期退化信号为x
early
(t)，输入卷积自编码器经编码解码后得到重构信号使用平方差损失函数计算重构误差；
[0021]S203、将测试信号输入训练好的卷积自编码器中进行信号重构，计算测试信号与重构信号的重构误差，将重构误差作为测试信号对应的设备不健康程度。
[0022]具体的，步骤S3具体为：
[0023]S301、基于不健康程度与健康因子HI的定义构建指数映射函数并确定指数映射函数超参数；
[0024]S302、将预处理后得到的M个测试信号片段x＝{x
1N
,x
2N
,...,x
MN
}按时间顺序排序后依次输入卷积自编码器和指数映射函数得到旋转机械的健康因子HI集合HI＝{HI
1N
,HI
2N
,...,HI
MN
}。
[0025]进一步的，步骤S301中，指数映射函数据具体为：
[0026][0027]其中，k、b分别是指数映射函数的形状系数和偏置常数，为重构误差。
[0028]具体的，步骤S4具体为：
[0029]S401、初始化Weibull可靠度函数；
[0030]S402、基于Weibull可靠度函数计算旋转机械剩余使用寿命；
[0031]S403、根据步骤S3中由实时测量数据得到的HI集合，使用梯度下降法对Weibull可靠度函数进行参数更新，重复步骤S402和步骤S403，实现小样本情况下旋转机械剩余使用寿命的实时迭代预测。
[0032]具体的，步骤S402中，t时刻旋转机械的剩余使用寿命RUL
t
为：
[0033]RUL
t
＝T
f
‑
T
t
＝η[(
‑
ln R
f
)
1/β
‑
(
‑
ln R
t
)
1/β
][0034]其中，T
f
为旋转机械理论失效工作时长，T
t
为旋转机械理论工作时长，η为尺度参数，R
f
为失效阈值可靠度，R
t
为可靠度，β为形状参数。
[0035]第二方面，本专利技术实施例提供了一种数字孪生驱动的小样本旋转机械剩余寿命预测系统，包括：
[0036]预处理模块，对旋转机械设备信号预处理；
[0037]评估模块，建立训练卷积自编码器，对预处理模块得到的信号不健康程度进行评
估；
[0038]映射模块，建立指数映射函数，将评估模块得到的不健康程度映射为可直接反映设备健康状态的健康因子；
[0039]预测模块，基于Weibull可靠度函数和映射模块得到的健康因子，结合梯度下降法进行旋转机械剩余使用寿命的实时迭代预测。
[0040]与现有技术相比，本专利技术至少具有以下有益效果：
[0041]一种数字孪生驱动的小样本旋转机械剩余寿命预测方法，考虑到旋转机械通常具有退化周期长，数据密度大、采集成本高的特点，实际中难以采集到大量全生命周期退化信号构建、训练机理预测模型或数据驱动预测模型使其在小样本场景下准确预测旋转机械剩余使用寿命的问题，建立了Weibull可靠度函数与卷积自编码器结合的旋转机械剩余寿命预测方法。在训练阶段仅需要使用旋转机械早期退化信号训练卷积自编码本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.数字孪生驱动的小样本旋转机械剩余寿命预测方法，其特征在于，包括以下步骤：S1、对旋转机械设备信号预处理；S2、建立训练卷积自编码器，对步骤S1得到的信号不健康程度进行评估；S3、建立指数映射函数，将步骤S2得到的不健康程度映射为可直接反映设备健康状态的健康因子；S4、基于Weibull可靠度函数和步骤S3得到的健康因子，结合梯度下降法进行旋转机械剩余使用寿命的实时迭代预测。2.根据权利要求1所述的数字孪生驱动的小样本旋转机械剩余寿命预测方法，其特征在于，步骤S1具体为：S101、对于一段测量得到的设备信号z(t)，使用一维卡尔曼滤波算法建立设备信号的状态方程，估计信号带误差的测量值与带误差的观测值叠加得到的最优估计值；S102、将步骤S101得到的滤波后信号x(t)划分为若干长度均为N的信号片段，将前30％时间内的信号认定为旋转机械的早期退化信号，用于后续算法模型的训练，其余均为测试数据。3.根据权利要求2所述的数字孪生驱动的小样本旋转机械剩余寿命预测方法，其特征在于，步骤S101中，将z(t)作为观测值z
k
与k＝0时刻的初始估计值，给定状态转移矩阵A、过程激励噪声协方差Q、测量噪声协方差R、转换矩阵H的初始值，迭代计算得到z(t)经卡尔曼滤波降噪后的信号x(t)。4.根据权利要求2所述的数字孪生驱动的小样本旋转机械剩余寿命预测方法，其特征在于，步骤S102中，设备信号的划分长度N为：其中，k为人为给定的缩放系数，f
rotate
为旋转机械的转动频率，f
collect
为信号的采集频率。5.根据权利要求1所述的数字孪生驱动的小样本旋转机械剩余寿命预测方法，其特征在于，步骤S2具体为：S201、构建卷积自编码器神经网络模型；S202、经过步骤S1预处理后得到的早期退化信号为x
early
(t)，输入卷积自编码器经编码解码后得到重构信号使用平方差损失函数计算重构误差；S203、将测试信号输入训练好的卷积自编码器中进行信号重构，计算测试信号与重构信号的重构误差，将重构误差作为测试信号对应的设备不健康程度。6.根据权利要求1所述的数字孪生驱动的小样本旋转机械剩余寿命预测方法，其特征在于，步骤S3具体为：S301、基于不健康程度与健康因子HI的定义构建指数映射函数并确定指数映射函数超参数；S302、将预处理后得到的M个测试信号片段x＝{x

【专利技术属性】
技术研发人员：孙铮，马梓玮，张大伟，徐俊，刘斌，梅雪松，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：