【技术实现步骤摘要】
一种基于概率化元学习模型的旋转机械寿命预测方法
[0001]本专利技术涉及旋转机械的服役性能评估及寿命预测,具体是涉及一种基于概率化元学习模型的旋转机械寿命预测方法。
技术介绍
[0002]在科学技术飞速发展的今天,汽轮发电机组、风力发电机、以及盾构机等一系列高可靠性装备存有量飞速增长,其设计、研制、生产、使用尤其是后期维护与保障成本越来越高,滚动轴承作为现代工业诸如航空装备、卫星制造与应用、轨道交通设备制造、海洋工程装备制造、数控加工制造以及流程工业等智能制造应用场景中不可或缺的关键基础部件之一,其故障导致的事故停机往往造成重大经济损失和恶劣社会影响甚至人员伤亡等,对其进行有效的故障预测与健康管理(prognostic and health management,PHM)已成为业界共识。目前状态监测与故障诊断技术发展迅速且较为成熟,但实现智能化运维以及PHM仍需要大力研究高精度预测技术从而助力故障溯源、视情维修、备件预测及应急决策调度等精准服务技术真正落地,具有重大理论意义与实用价值。
[0003]目前主流的数据驱动技术因其灵活的寿命建模能力与出色的变工况泛化性能逐步在高端装备PHM研究中占据主导,伴随着计算机硬件水平以及大数据,高效传感测试技术的不断发展,尤其是以深度学习、迁移学习为代表的新一代人工智能技术主导的预测预报研究逐渐成为寿命预测领域的研究热点。然而该类技术很大程度依赖大规模含标签状态数据,小样本下学习、泛化建模能力较弱。同时由于某些高端应用场景失效样本稀少且大量截尾数据存在,导致正常服役状态数 ...
【技术保护点】
【技术特征摘要】
1.一种基于概率化元学习模型的旋转机械寿命预测方法,其特征在于,包括以下步骤:(1)获取不同工况的旋转机械的振动信号,并进行预处理;(2)对预处理后的振动信号进行衰退特征提取,形成衰退特征矩阵,衰退特征矩阵经无监督多源域自适应处理得到寿命指标;(3)对不同工况的寿命指标分别进行训练数据、测试数据的划分,并将训练数据、测试数据分别划分为若干子集,每个子集划分为支撑集、查询集;(4)对编码
‑
解码预测模型进行概率化重建,利用变分推理结合贝叶斯的反向传播方法学习编码
‑
解码预测模型的参数的后验分布,构建概率化编码
‑
解码预测模型;(5)将概率化编码
‑
解码预测模型嵌入元学习场景训练中,将训练数据中每一子集的支撑集输入概率化编码
‑
解码预测模型并参与内循环训练,对各子集内循环训练下的模型参数进行二次梯度下降更新,其中二次梯度下降更新通过测试数据的支撑集完成跨子任务间的外循环训练,最终得到任务间元参数,生成通用概率化元学习预测模型;(6)对所述的通用概率化元学习预测模型进行模型微调实现跨工况预测,具体通过学习训练数据的查询集与通用概率化元学习预测模型梯度反向传播更新机制生成贝叶斯近似的概率化元学习预测模型;(7)通过概率化元学习预测模型进行旋转机械寿命预测得到预测值的概率分布。2.根据权利要求1所述的旋转机械寿命预测方法,其特征在于,所述步骤(1)中通过三轴加速度计获得不同工况下多通道的旋转机械振动信号,对振动信号进行预处理具体为:通过频域降噪去除所述振动信号中的高频成分,并基于动态滑动窗平移法剔除所述振动信号中的离群点。3.根据权利要求2所述的旋转机械寿命预测方法,其特征在于,所述步骤(2)中对每一通道预处理后的振动信号分别提取时域衰退特征、频域衰退特征以及稀疏域衰退特征。4.根据权利要求3所述的旋转机械寿命预测方法,其特征在于,所述时域衰退特征的统计学参数包括:平均值、标准差、平方根振幅、绝对平均值、偏度、峰度、方差、最大值、最小值、峰均值、均方根、波形指数、峰值指数、脉冲指数、裕度指数、偏度指数、峰度指数;频域衰退特征的统计学参数包括:振动能量、频谱的集中和离散程度、主频带的位置变化;稀疏域衰退特征的统计学参数包括:谱峭度、谱基尼指数、谱负熵、谱平滑指数。5.根据权利要求4所述的旋转机械寿命预测方法,其特征在于,所述步骤(3)中每个子集按照时间先后顺序,将前k%的数据划分为支撑集,后1
‑
k%的数据划分为查询集。6.根据权利要求5所述的旋转机械寿命预测方法,其特征在于,所述步骤(4)中利用变分推理结合贝叶斯的反向传播方法学习编码
‑
解码预测模型的参数的后验分布,具体为:找到变分推理中合适的参数η为d维实数集合,并最小化变分分布q
η
(Φ)与真实后验分布的Kullback
‑
Leibler距离;η的后验分布被假设为均值为方差为的高斯分布其中d为编码
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。