一种基于轴承寿命的交叉自适应深度迁移学习方法及系统技术方案

本发明专利技术公开了一种考虑衰退过程多样性的轴承剩余使用寿命多特征交叉自适应深度迁移学习方法及系统，该方法采集滚动轴承的原始振动信号，对采集的信号通过滑窗分割和时频特征信息提取得到多维振动信号数据

【技术实现步骤摘要】
一种基于轴承寿命的交叉自适应深度迁移学习方法及系统


[0001]本专利技术涉及轴承寿命预测
，具体涉及一种基于轴承寿命的交叉自适应深度迁移学习方法及系统
。

技术介绍

[0002]滚动轴承作为工业旋转机械的关键部件之一，广泛应用于各种设备中，一旦在工业生产中出现故障就会导致生产计划外的设备停机从而导致严重的经济损失
。
因此有必要尽早发现和识别各种潜在的异常和故障，而轴承的剩余寿命
(RUL)
预测对避免运行风险前的危险情况起着至关重要的作用
。
故障诊断和
RUL
预测作为预后和健康管理的关键环节，近些年来受到了大量学者的研究
。
其中故障诊断随着多年的研究于应用已经取得了丰厚的成果，而
RUL
的预测仍处于发展阶段，并且如何实现多工况跨工况的预测仍是一个巨大的问题
。
近些年来迁移学习作为一种能够解决不同域特征分布差异的方法得到了迅速的发展
。
[0003]域自适应
(DA)
能将不同域中的特征映射到同一特征空间进行对齐求解，因此，
DA
为剩余寿命在跨工况的情况下求解提出了一种新的有效的解决方法
。
虽然上述对
RUL
的预测已经取得了巨大的进步，但仍然存在如下问题：
[0004](1)
现有的
DA
方法对于跨工况
RUL
预测绝大部分是对轴承全生命周期进行特征对齐，然而众所周知轴承衰退过程在多数情况下都是以一种多级衰退的方法进行衰退的，在长期运行过程中，即使在相似的工作环境下，它们的衰退模式也会有很大的不同
。
因此以现有的方法很难从衰退阶段的水平上进行特征对齐
。
[0005](2)
现有预测方法对于轴承衰退等级的划分往往是先通过构建健康指标曲线，然后人为设定阈值来对健康指标曲线进行阶段划分
。
这种方法忽略了不同工况下的衰退模式的差异性，无法自动适应轴承的实际衰退过程，从而无法获取准确的轴承衰退多级信息
。
[0006](3)
现有对于模型的建模思路中对于轴承剩余寿命标签的计算方法上是以第一次出现故障信号时候的健康状态
(
此时健康状态为
100
％
)
去除以剩余使用时间来规定轴承的
RUL。
此种方法没能遵循实际工业场景下轴承的使用情况，忽略了不同衰退阶段的衰退程度和衰退速率的影响，从而影响了迁移学习对于剩余寿命预测结果的准确性
。
[0007](4)
现有的对于轴承
RUL
迁移学习的模型大多数都是基于有着全生命周期的源域和目标域的情况下而进行训练的，忽略了在实际工程运用中是很难去获取一个轴承的全生命周期的数据
。
使用完整的源数据和来自早期衰退时期的部分目标数据进行领域自适应，会导致跨领域在类似衰退水平下的数据不匹配，从而产生轴承
RUL
跨工况预测精度下降的问题
。

技术实现思路

[0008]专利技术目的：为了克服现有技术的不足，本专利技术提供一种基于轴承寿命的交叉自适应深度迁移学习方法，该方法可以解决
技术介绍
中存在的技术问题，本专利技术还提供一种基于轴承寿命的交叉自适应深度迁移学习系统
。
[0009]技术方案：本专利技术所述的基于轴承寿命的交叉自适应深度迁移学习方法，包括以下步骤：
[0010](1)
采集滚动轴承的原始振动信号，并采用滑动窗口分割方法获得多段振动信号数据；
[0011](2)
对步骤
(1)
中得到的原始振动信号进行数据预处理，并进行特征提取以获取时域和频域特征参数；
[0012](3)
将获取的多维时域特征利用
PCA
降维技术以获取时域综合特征；
[0013](4)
对步骤
(3)
中的时域综合特征利用滑窗分割多段，并计算每一段与第一段的最大均值化差异
MMD
，来获取退化指标，以及对应梯度曲线；最大均值化差异
Max mean discrepancy
，用来衡量两个数据分布差异性的
。
[0014](5)
将获取的梯度曲线利用
AGIP
算法自适应的自动识别阶段跨越点，进而得到轴承的各个不同阶段；
[0015](6)
根据得到的划分识别信息与所述特征参数相结合划分出训练集和测试集，并根据衰退速率打上对应的标签，其中训练集为带标签的源域和无标签的早期的目标域；
[0016](7)
将训练集中各个阶段的数据送入时间序列预测网络中进行训练获得不同阶段的预测模型；
[0017](8)
将划分得到的测试集送入步骤
(7)
中训练好的时间序列预测网络中进行预测，输出最终的滚动轴承剩余寿命预测结果
。
[0018]进一步的，包括：
[0019]所述步骤
(1)
具体包括：所述滚动轴承的原始振动信号数据包括水平振动信号数据和垂直振动信号数据两种，通过安装在轴承基座上的加速度传感器分别进行采集，得到轴承运行的全生命周期数据，以轴承振动幅度超过一定阈值作为结束采集的信号；所述滑窗分割方法的具体方法是，根据一定步长
l
，对整个原始振动信号数据进行等距离分割
。
[0020]进一步的，包括：
[0021]所述步骤
(4)
中退化指标的计算包括：
[0022]所获取的轴承退化指标是根据步骤
(2)
所获取的多维时域特征进行降维后得到综合时域特征，并利用滑窗分割计算与第一段窗口的
MMD
所获得的
。
[0023]进一步的，包括：
[0024]所述步骤
(3)
中，
AGIP
算法包括：
[0025]先通过计算所述梯度曲线前5％梯度的平均值作为基准梯度阈值
[g0]，然后自动更新寻找每个阶段的梯度阈值，以此来确定首次预测时间点
FPT
和阶段转变点
STP
，从而实现对滚动轴承全生命周期数据进行多级衰退阶段的划分
。
[0026]进一步的，包括：
[0027]所述步骤
(5)
中划分出训练集和测试集，包括：
[0028](51)
计算出不同阶段的衰退速率，利用衰退速率不同针对不同衰退阶段打上对应的衰退标签，包括：
[0029]计算出各个衰退阶段的衰退速率：
[0030][0031]其中：
V
n
表示的是第
n
个衰退阶段的衰退速率，
S
...

【技术保护点】

【技术特征摘要】
1.
一种基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，包括以下步骤：
(1)
采集滚动轴承的原始振动信号，并采用滑动窗口分割方法获得多段振动信号数据；
(2)
对步骤
(1)
中得到的原始振动信号进行数据预处理，并进行特征提取以获取时域和频域特征参数；
(3)
将获取的多维时域特征利用
PCA
降维技术以获取时域综合特征；
(4)
对步骤
(3)
中的时域综合特征利用滑窗分割多段，并计算每一段与第一段的最大均值化差异
MMD
，来获取轴承退化指标，以及对应梯度曲线；
(5)
将获取的梯度曲线利用
AGIP
算法自适应的自动识别阶段跨越点，进而得到轴承的各个不同阶段；
(6)
根据得到的划分识别信息与所述特征参数相结合划分出训练集和测试集，并根据衰退速率打上对应的标签，其中训练集为带标签的源域和无标签的早期的目标域；
(7)
将训练集中各个阶段的数据送入时间序列预测网络模型中进行训练获得不同阶段的预测模型；
(8)
将划分得到的测试集送入步骤
(7)
中训练好的时间序列预测网络中进行预测，输出最终的滚动轴承剩余寿命预测结果
。2.
根据权利要求1所述的基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，所述步骤
(1)
具体包括：所述滚动轴承的原始振动信号数据包括水平振动信号数据和垂直振动信号数据两种，通过安装在轴承基座上的加速度传感器分别进行采集，得到轴承运行的全生命周期数据，以轴承振动幅度超过一定阈值作为结束采集的信号；所述滑窗分割方法的具体方法是，根据一定步长
l
，对整个原始振动信号数据进行等距离分割
。3.
根据权利要求1所述的基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，所述步骤
(4)
中，所获取的轴承退化指标是根据所获取的多维时域特征进行降维后得到综合时域特征，并利用滑窗分割计算与第一段窗口的
MMD
所获得的
。4.
根据权利要求1所述的基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，所述步骤
(5)
中，
AGIP
算法包括：先通过计算所述梯度曲线前5％梯度的平均值作为基准梯度阈值
[g0]
，然后自动更新寻找每个阶段的梯度阈值，以此来确定首次预测时间点
FPT
和阶段转变点
STP
，从而实现对滚动轴承全生命周期数据进行多级衰退阶段的划分
。5.
根据权利要求1所述的基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，所述步骤
(5)
中划分出训练集和测试集，包括：
(51)
计算出不同阶段的衰退速率，利用衰退速率不同针对不同衰退阶段打上对应的衰退标签，包括：计算出各个衰退阶段的衰退速率：其中，
V
n
表示的是第
n
个衰退阶段的衰退速率，
S
n
为第
n
个衰退阶段的衰退程度，这里规定三个衰退阶段分别为
100
％
‑
60
％
、60
％
‑
10
％和
10
％
‑0，分别记为：轻度衰退阶段
、
缓慢衰退阶段和加速衰退阶段，
T
n
为对应衰退阶段的衰退时间；然后对标签进行计算：
其中，
y
RULi
代表第
i
个样本的标签，和是由所述
AGIP
算法得到的跨阶段的点；
(52)
将源域的三个衰退阶段与目标域早期阶段数据作为训练集，目标域缓慢衰退阶段和急速衰退阶段作为测试集
。6.
根据权利要求5所述的基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，所述步骤
(6)
中将训练集中各个阶段的数据送入时间序列预测网络模型中，所述时间序列预测网络模型包括特征特征提取层
、
多特征交叉迁移层和网络预测层，所述特征提取层为
Transformer
网络结构，将源域各阶段的衰退数据和目标域第一衰退阶段的衰退数据输入到
Transformer
网络结构中，经过输入层和
N
层编码器和解码器后，输入特征进行线性变换，由激活函数激活，得到最终得到输出特征，所述多特征交叉迁移层包括多个交叉注意力层，以源域作为查询
Q
，目标域作为键
K
和值
V
，并提出新的目标损失函数
。7.
根据权利要求6所述的基于轴承寿命的交叉自适应深度迁移学习方法，其特征在于，所述目标损失函数包括：回归损失
l
regression
:L
regression
用于最小化训练数据的预...

【专利技术属性】
技术研发人员：程德俊，李泽健，张胜文，方喜峰，张春燕，朱成顺，张辉，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：