【技术实现步骤摘要】
本专利技术涉及一种轴承疲劳周期的预测方法，主要基于乏信息条件下最大熵确定轴承健康阶段和基于生成对抗网络模型的少样本数据下的数据生成以及cnn-lstm网络下轴承疲劳周期的预测。
技术介绍
1、轴承是机械设备常见的关键部位。它们承受着旋转机械的缺陷，其性能和磨损对设备的正常运行至关重要。研究轴承疲劳周期是工程领域一个重要的课题，对于提高设备可靠性、降低成本以及确保安全性至关重要。研究表明，轴承是机械中最容易发生的故障，只有约10％的轴承可以运行到设计时长，轴承失效可能导致设备故障和事故，给工作人员和环境造成潜在危险，严重的轴承失效可能导致整个生产线的停工，造成巨大的经济损失。因此需要对轴承的疲劳周期进行准确的预测，并根据预测提前掌握轴承工作状态，做好维护和更换，减少运行成本，防止事故发生。
技术实现思路
1、针对上述问题，本专利技术公开了一种基于最大熵和生成对抗网络的轴承疲劳周期预测方法，包括如下步骤：
2、s1：使用生成对抗网络中的生成器对少量数据进行样本生成，通过网络中的分类器防止过拟合发生；
3、s2：使用生成对抗网络中的鉴别器对真实样本和生成样本进行区分以及对其数据域进行区分；
4、s3：使用最大熵法算出轴承突变点，确定轴承健康阶段的划分；
5、s4：使用注意力机制，使网络在训练中偏重于真实样本特征提取，赋予重点区域特征更高权重；
6、s5：将步骤s1到s4中训练好的摩擦力矩信号数据转换为特征图像；
7、
8、s5-1：将训练好的摩擦力矩信号重构为广义预测特征；
9、s5-2：把广义预测特征转换为特征图像；
10、对于重构的广义预测特征，对于其重构后的广义预测特征，根据其特征对其分类，再转换为特征图像，该特征图像将三个多尺度生成器的三个特征分别用三种颜色表示出来，然后结合为一个特征图像。
11、s6：使用cnn-lstm网络对特征图像中的数据进行训练提取并进行轴承疲劳周期预测；
12、s6-1：使用步骤s5转换的特征图像，构建特征图像训练集；
13、s6-2：使用cnn-lstm网络进行训练，再用测试集预测轴承疲劳周期。
14、进一步地，步骤s1具体为：
15、s1-1：使生成器对输入的少量轴承摩擦力矩信号进行样本生成；
16、生成器作为该网络模型中的单独网络结构，可以在随机噪声和潜在空间中生成具有更高精确度的样本。
17、s1-2：使用u-net网络架构，通过深度层和池化层降低特征图的尺寸和通道数，同时加入带有梯度惩罚的wassertein gan，其公式如下：
18、
19、其中α是惩罚系数，是真实数据分布pr和生成分布的点之间沿直线的均匀采样，其目的是使训练过程中在损失函数收敛方面更加具有稳定性。
20、s1-3：使用真实样本的摩擦力矩信号数据和生成样本的摩擦力矩信号数据进行训练，用来防止过拟合出现。
21、进一步地，步骤s2具体为：
22、s2-1：采用鉴别器对真实样本和生成样本进行区分，使鉴别器和生成器之间进行对抗训练，目标函数设置如下：
23、
24、其中x是从真实数据分布pr(x)采样的真实数据，z是从均匀分布pz(z)采样的噪声向量，生成器g生成合成数据g(z)。该方程表面，将判别器视为分类器可最大限度地减少真实数据分布与生成器假设的数据分布之间的差异。
25、s2-2：使鉴别器对相似数据进行数据域的区分。
26、进一步地，步骤s3具体为：
27、s3-1：对轴承摩擦力矩信号数据进行定义，定义本征序列及各时间序列数据；
28、本征序列是指轴承服役期间最佳运行的数据，定义本征序列后，根据轴承摩擦力矩信号对其区分为n个时间序列数据。
29、s3-2：使用最大熵原理并结合拉格朗日乘子法算出本证序列和各序列概率密度函数；
30、最大熵原理能够对未知的概率分布做出主观偏见为最小的最佳估计，针对本方法中摩擦力矩数据无法确定健康指标，使用最大熵法先求出其概率密度函数。
31、s3-3：算出本征序列性能参数的估计区间；
32、对于求解本征序列的最大熵置信区间，首先对本征序列性能数据的估计真值w01为：
33、w01＝∫ωxf(x)dx (3)
34、设显著水平则置信水平为：
35、
36、设置信水平q条件下的最大熵估计区间为[tl,tu],下边界值有且有：
37、
38、式中：ω0为随机变量可行域的最小值；tl为估计区间的下限值；为置信水平为q时的估计区间的下限值。
39、上限值且应满足条件：
40、
41、式中：tu为估计区间的上限值；为置信水平为q时的估计区间的上限值。因此，连续变量x的最大熵估计区间为：
42、
43、以此求出本证序列的最大熵估计区间。
44、s3-4：算出各个时间序列落在本证序列估计区间外的概率，以此找出轴承摩擦力矩信号突变点，划分健康阶段。
45、进一步地，步骤s4具体为：
46、s4-1：根据步骤s3中划分出的轴承健康阶段，对重要数据分配更高权重，使其更好的提取其特征；
47、s4-2：对步骤s1中生成器中的输入噪声和潜在空间中的区域特征分配更高权重，提高生成器局部负载能力，使其侧重学习重要样本特征；
48、s4-3：对步骤s2中的鉴别器重要的区域特征赋予更高的权重；
49、对于鉴别器而言，加入注意力机制能够提取不同区域特征的能力，以此来增强鉴别器的采样能力，从而使鉴别器更加准确的判别生成样本和真实样本。
50、现有技术相比，本专利技术具有以下效果：
51、本专利技术的目的在于提供了一种基于最大熵和生成对抗网络的轴承疲劳周期预测方法，首先使用生成对抗网络中的生成器对少量数据进行样本生成，用鉴别器对生成的真实样本和生成样本进行区分，其分类器的作用是使用真实样本和生成样本进行训练以防止少数样本过度拟合不平衡样本中的多数数据，其次根据最大熵原理用真实样本区分出轴承疲劳周期不健康阶段的开始，在生成对抗网络模型中添加注意力机制，使其偏重真实样本的特征学习，最后将轴承振动信号数据重构为广义预测特征从而转换成特征图像，使用cnn-lstm网络结合特征图像中的数据信息进行训练，最后达到在少样本的条件下，最大限度的根据真实样本的数据学习其特征，使得轴承疲劳周期的预测准确性得到提高。
本文档来自技高网...【技术保护点】
1.一种基于最大熵和生成对抗网络的轴承疲劳周期预测方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种基于最大熵和生成对抗网络的轴承疲劳...
【专利技术属性】
技术研发人员：孟凡念，王刘杰，周广群，杜文辽，巩晓赟，邓凯文，王良文，邬昌军，谢贵重，李洋洋，
申请(专利权)人：郑州轻工业大学，
类型：发明
国别省市：
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。