【技术实现步骤摘要】
本专利技术属于轴承剩余寿命预测，具体涉及一种数据缺失下的轴承剩余寿命预测方法。
技术介绍
1、滚动轴承作为机械装备中极其重要的零部件，对其安全可靠性要求也越来越高。约有30％的机械故障是由滚动轴承引起的，因此轴承剩余寿命预测(rul)工作的开展也就非常必要了。
2、目前来说轴承的剩余寿命预测算法大致分为三类：基于物理模型的方法、基于统计的方法、基于数据驱动的方法。基于物理模型的方法通过分析轴承的失效机理或总结经验利用paris裂纹扩展模型、forman裂纹扩展定律等描述轴承的退化过程，继而进行轴承的剩余寿命预测。基于统计的方法是通过分析轴承的寿命分布规律，结合pca等方法建立weibull分布等模型，通过参数估计的方法求解相关参数，从而得到寿命分布模型，进行寿命预测。基于数据驱动的方法不需要建立物理模型或统计模型，而是从现有的监测数据中通过神经网络如cnn和rnn等模型得到轴承退化状态与剩余寿命之间的关系，从而预测滚动轴承的剩余寿命。但在实际工程中，由于采集设备的局限性，外界干扰或数据漏读等多方面原因造成数据采集数据缺失而形成不完整数据集，不完整数据集导致轴承退化信息的丢失，从而使得采用上述任一种方法均无法实现轴承剩余寿命的准确预测。
技术实现思路
1、本专利技术的目的在于提供一种数据缺失下的轴承剩余寿命预测方法，用以解决数据缺失情况下无法实现轴承剩余寿命准确预测的问题。
2、为解决上述技术问题，本专利技术提供了一种数据缺失下的轴承剩余寿命预测方法，获取待测
3、上述技术方案的有益效果为：考虑到有数据缺失，本专利技术构建了一个插补网络模型，该模型用于充分学习轴承缺失样本数据的数据缺失机制，对缺失的轴承数据进行插补填充，进而在插补后再利用剩余寿命预测模型对轴承剩余寿命进行预测。相较于直接对轴承缺失数据的轴承剩余寿命进行预测的方法，本专利技术具有更高的准确率，可以有效解决数据缺失造成的退化信息丢失问题。
4、进一步地，所述插补网络模型为改进gain网络模型得到的rfgain网络模型，rfgain网络模型包括生成器和判别器；生成器用于依据输入数据、以及用于表示输入数据和输入数据缺失部分分布的掩码矩阵进行计算处理得到插补矩阵，并将输入数据和插补矩阵输入至判别器；判别器用于比较输入数据中非缺失部分的生成值与真值数据是否相同：若判定为不同则通过反向传播对生成器和判别器的参数进行优化。上述技术方案的有益效果为：由于轴承某一时刻振动信号的概率分布较为简单，因此传统的gain网络中提示矩阵的作用并不重要，因此改进gain网络得到的rfgain网络舍弃了提示矩阵，保留生成器和判别器，使模型更加简单，提高计算处理效率。
5、进一步地，生成器中生成插补矩阵的计算处理过程为：
6、
7、
8、式中，g()表示生成器；x为输入数据矩阵；m为掩码矩阵，且未缺失标记为1，缺失标记为0；为与输入数据矩阵对应的分布矩阵；z为噪声；表示克罗克内积；为插补矩阵。
9、上述技术方案的有益效果为：上述生成器的结构更为简单。
10、进一步地，生成器中所使用的激活函数为tanh激活函数和relu激活函数。
11、上述技术方案的有益效果为：使用tanh激活函数和relu激活函数，可以使优化器更快收敛。
12、进一步地，训练插补网络模型时所使用的损失函数包括：
13、
14、
15、式中，l(d)表示判别器的损失值，l(g)表示生成器的损失值；ex,m[]表示对真实值在判别器中误差求平均值，表示对插补矩阵在判别器中的误差求平均值；m为掩码矩阵，且未缺失标记为1，缺失标记为0；d()表示判别器；为插补矩阵；α表示超参数；表示对应位置元素相乘的符号。
16、上述技术方案的有益效果为：设计损失函数时综合考虑生成器损失和判别器损失，保证了插补网络模型的预测精度。
17、进一步地，训练剩余寿命预测模型的过程包括：
18、获取若干轴承的全寿命振动信号作为原始样本，对部分原始样本做缺失处理得到缺失样本；
19、利用训练后的插补网络模型得到对缺失样本进行插补填充后的补全样本；
20、将未做缺失处理的样本数据和对应的预测标签作为训练数据、补全样本和对应的预测标签作为测试数据相应训练和测试构建的剩余寿命预测模型。
21、上述技术方案的有益效果为：用完整的数据集作为训练集可以更好地实现寿命预测，进而利用补全样本和对应的标签对剩余寿命预测模型进行测试以对其进行微调，可以提高其对补全样本的预测精度，也同样证明了插补之后的数据可以很好的完成寿命预测。
22、进一步地，剩余寿命预测结果为健康度指标，且健康度指标的计算公式为：
23、
24、式中，hi表示t时刻的健康度指标值；t表示轴承的全寿命周期的时长。
25、上述技术方案的有益效果为：上述指标可以准确反映轴承剩余寿命，简单，方便计算。
26、进一步地，所述剩余寿命预测模型为tcn网络模型。
27、上述技术方案的有益效果为：tcn网络模型融合了因果卷积、膨胀卷积和残差连接，具有灵活的感受野，可以根据任务的要求定制相应的感受野，保证了预测结果的精度。
28、进一步地，所述缺失处理为随机缺失处理。
29、上述技术方案的有益效果为：采用随机缺失处理方式而非某一种单一的缺失处理方式，可以提高缺失情况的多样性，提高插补网络模型对不同缺失情况的插补填充能力。
本文档来自技高网...【技术保护点】
1.一种数据缺失下的轴承剩余寿命预测方法，其特征在于，获取待测轴承缺失的振动信号数据，输入至训练后的插补网络模型以对振动信号数据中的缺失部分进行插补填充处理，所述插补网络模型用于学习轴承缺失样本数据的数据缺失机制；进而将处理后的结果输入至训练后的剩余寿命预测模型中得到待测轴承的剩余寿命预测结果。
2.根据权利要求1所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，所述插补网络模型为改进GAIN网络模型得到的RFGAIN网络模型，RFGAIN网络模型包括生成器和判别器；生成器用于依据输入数据、以及用于表示输入数据和输入数据缺失部分分布的掩码矩阵进行计算处理得到插补矩阵，并将输入数据和插补矩阵输入至判别器；判别器用于比较输入数据中非缺失部分的生成值与真值数据是否相同：若判定为不同则通过反向传播对生成器和判别器的参数进行优化。
3.根据权利要求2所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，生成器中生成插补矩阵的计算处理过程为：
4.根据权利要求3所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，生成器中所使用的激活函数包括Tanh激活函数
5.根据权利要求2所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，训练插补网络模型时所使用的损失函数包括：
6.根据权利要求1所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，训练剩余寿命预测模型的过程包括：
7.根据权利要求1所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，剩余寿命预测结果为健康度指标，且健康度指标的计算公式为：
8.根据权利要求1所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，所述剩余寿命预测模型为TCN网络模型。
9.根据权利要求1～8任一项所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，所述缺失处理为随机缺失处理。
...【技术特征摘要】
1.一种数据缺失下的轴承剩余寿命预测方法，其特征在于，获取待测轴承缺失的振动信号数据，输入至训练后的插补网络模型以对振动信号数据中的缺失部分进行插补填充处理，所述插补网络模型用于学习轴承缺失样本数据的数据缺失机制；进而将处理后的结果输入至训练后的剩余寿命预测模型中得到待测轴承的剩余寿命预测结果。
2.根据权利要求1所述的数据缺失下的轴承剩余寿命预测方法，其特征在于，所述插补网络模型为改进gain网络模型得到的rfgain网络模型，rfgain网络模型包括生成器和判别器；生成器用于依据输入数据、以及用于表示输入数据和输入数据缺失部分分布的掩码矩阵进行计算处理得到插补矩阵，并将输入数据和插补矩阵输入至判别器；判别器用于比较输入数据中非缺失部分的生成值与真值数据是否相同：若判定为不同则通过反向传播对生成器和判别器的参数进行优化。
3.根据权利要求2所述的数据缺失下的轴承剩余寿命预测方法，其特...
【专利技术属性】
技术研发人员：邱明，刘静涛，李军星，刘志卫，董艳方，杨传猛，李迎春，杜辉，庞晓旭，
申请(专利权)人：河南科技大学，
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。