一种滚动轴承剩余寿命预测方法及系统技术方案

本发明专利技术涉及一种滚动轴承剩余寿命预测方法及系统，该方法包括：获取样本，样本包括有标签的源域样本和无标签的目标域样本；构建特征提取器

【技术实现步骤摘要】
一种滚动轴承剩余寿命预测方法及系统


[0001]本专利技术涉及轴承故障预测与健康管理
，尤其涉及一种滚动轴承剩余寿命预测方法及系统
。

技术介绍

[0002]故障预测与健康管理技术
(PHM)
是提高机械设备可靠性和效益的一项重要手段
。
其中剩余使用寿命
(RUL)
预测作为
PHM
的重要组成部分，能够为运维决策提供有价值的建议指导，从而保障机械设备的可靠运行和效率
。
滚动轴承作为旋转机械的关键部件，是维持机械系统正常运行的重要因素
。
在工业实际运用中，时常因为复杂工况下的高速和重载的因素导致其失效，最终引起机械系统故障
。
据统计，旋转机械系统中的故障一半由于轴承故障引起，因此，对滚动轴承进行
RUL
预测，并根据有效的预测结果进行预见性的维护，对于提高机械设备的可靠性具有重要意义
。
[0003]而随着传感器和深度学习技术的不断发展，基于数据驱动的
RUL
预测方法已经受到广泛研究，例如将长短时记忆网络
(LSTM)
构建轴承
RUL
寿命预测模型，提高了对轴承运行状态的认知能力
。
采用门控双注意力单元
(GDAU)
神经网络，有效实现了滚动轴承的
RUL
预测
。
将卷积和长短时记忆模块相结合的卷积长短时记忆
(CNNLSTM)
网络，以反映代表性特征的时空相关性，并实现有效的轴承
RUL
预测
。
但现有的上述方法必须满足训练数据
(
源域
)
和测试数据
(
目标域
)
来自同一数据分布的假设，才能够有效工作
。
然而，轴承在实际运行过程中可能受到各种因素的影响，如不同速度和载荷等，以及其运行到失效过程中常伴随着失效形式的变化，导致不同条件下采集到的振动信号数据中的退化特征存在分布差异，称为域偏移
。
因此，以上假设在许多实际应用场景下难以成立
。
[0004]为解决以上问题，迫切需要一种能够实现对未知条件或者新条件下的轴承进行
RUL
预测新方法，即解决域偏移问题
。
目前常采用迁移学习
(TL)
为域偏移条件下的
RUL
预测提供解决方案
。
例如，使用
LSTM
网络和领域对抗神经网络
(DANN)
提出了一种新的数据驱动的领域适应预测方法
(LSTM
‑
DANN)
，其中
DANN
用于目标域的
RUL
预测
。
还可以利用时间卷积网络和残差自注意力提取退化特征，并以此为基础采用对比损失和多核最大均值差异设计了一种跨域适应结构，有效实现了跨域的
RUL
预测
。
还有一种利用深度特征分解迁移学习网络
(DFDTLN)
来提取域不变特征，该网络能够有效分解每个域的共享和私有特征表示，实验结果表明该网络具有较好的域不变特提取和跨域
RUL
预测性能
。
还可以根据退化特征的局部语义和目标特定数据的互信息提出一种度量对抗域适应
(MADA)
跨域
RUL
预测方法
。
或者将深度度量学习与迁移学习相结合来解决回归问题
。
或者通过增强对退化信息的关注度和跨域不变特征学习的迁移多级收缩注意力时间卷积网络
(TMSATCN)
，并基于该网络构建跨工况
RUL
预测方法
。
[0005]以上工作主要研究在同一设备上的在不同条件下的迁移
RUL
预测
。
但是在实际应用场景下，一些机械设备可能存在运行数据采集与标签化处理工作难度大的问题，导致后续运维时缺乏先验的运行数据，使得运维难度和成本提高
。
若能够有效利用其它机械设备
上的先验数据，来帮助实现无先验数据机械设备的
RUL
预测，这将极大的节省运维成本，提高工作效率
。
此外，由于工作平台固有特性的不同，采集自不同工作平台的振动信号数据可能存在较大的分布差异，这也会造成
RUL
预测的困难
。

技术实现思路

[0006]本专利技术提供一种滚动轴承剩余寿命预测方法及系统，以解决上述技术问题
。
[0007]为解决上述技术问题，本专利技术提供一种滚动轴承剩余寿命预测方法，包括如下步骤：
[0008]获取样本，所述样本包括有标签的源域样本和无标签的目标域样本；
[0009]构建增强残差卷积领域适应网络，所述增强残差卷积领域适应网络包括特征提取器
、
领域适应模块以及
RUL
预测器，所述特征提取器采用增强残差卷积网络和卷积注意力模块，用于提取退化特征，并对所述退化特征进行筛选和增强，以分别获得源域特征和目标域特征；所述领域适应模块包括最大均值差异，所述源域特征和目标域特征输入至所述领域适应模块中计算最大均值差异损失；所述源域特征输入所述
RUL
预测器中输出预测误差；
[0010]利用所述样本对所述增强残差卷积领域适应网络进行训练，得到滚动轴承剩余寿命预测模型；
[0011]基于所述滚动轴承剩余寿命预测模型得到滚动轴承的剩余寿命预测值
。
[0012]较佳地，所述增强残差卷积网络的每个卷积块均为残差结构
。
[0013]较佳地，所述残差结构为：将两层卷积非线性变换前的输入与变换后的输出相连接后进行激活
‑
池化操作
。
[0014]较佳地，在每个所述卷积块内增加一个卷积
‑
归一化的卷积层
。
[0015]较佳地，所述领域适应模块还包括并行全连接结构，所述并行全连接结构设置于所述特征提取器与
RUL
预测器以及特征提取器与领域适应模块之间
。
[0016]较佳地，所述最大均值差异采用多核最大均值差异
。
[0017]较佳地，随着训练迭代次数的增加，所述多核最大均值差异在总损失中的比重逐渐减小
。
[0018]较佳地，采用
Adam
优化器对所述滚动轴承剩余寿命预测模型的参数进行更新，直到损失接近期望值
。
[0019]较佳地，训练得到所述滚动轴承剩余寿命预测模型后，还包括利用无标签的目标域样本对所述滚动轴承剩余寿命预测模型进行测试
。
[0020]本专利技术还提供了一种滚动轴承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种滚动轴承剩余寿命预测方法，其特征在于，包括如下步骤：获取样本，所述样本包括有标签的源域样本和无标签的目标域样本；构建增强残差卷积领域适应网络，所述增强残差卷积领域适应网络包括特征提取器
、
领域适应模块以及
RUL
预测器，所述特征提取器采用增强残差卷积网络和卷积注意力模块，用于提取退化特征，并对所述退化特征进行筛选和增强，以分别获得源域特征和目标域特征；所述领域适应模块包括最大均值差异，所述源域特征和目标域特征输入至所述领域适应模块中计算最大均值差异损失；所述源域特征输入所述
RUL
预测器中输出预测误差；利用所述样本对所述增强残差卷积领域适应网络进行训练，得到滚动轴承剩余寿命预测模型；基于所述滚动轴承剩余寿命预测模型得到滚动轴承的剩余寿命预测值
。2.
如权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述增强残差卷积网络的每个卷积块均为残差结构
。3.
如权利要求2所述的滚动轴承剩余寿命预测方法，其特征在于，所述残差结构为：将两层卷积非线性变换前的输入与变换后的输出相连接后进行激活
‑
池化操作
。4.
如权利要求2所述的滚动轴承剩余寿命预测方法，其特征在于，在每个所述卷积块内增加一个卷积
‑
归一化的卷积层
。5.
如权利要求1所述的滚动轴承剩余寿命预测方法，其特征在于，所述领域适应模块还包括并行全连接结构，所述并行全连接结构设置于所述特征提取器与
RUL
预测器以及特征提取器与领域适应模块之间
。6.

【专利技术属性】
技术研发人员：蒋全胜，陆星驰，沈晔湖，吴石磊，姚琴，王报祥，谢鸥，朱其新，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：