System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于滚动轴承剩余使用寿命预测的,具体涉及迁移学习领域的域自适应方法的滚动轴承剩余使用寿命预测方法。
技术介绍
1、桨轴是保障船舶动力系统不可缺少的基础设施,是整个船舶运行的基础之一。桨轴属于旋转器械的一种,滚动轴承在旋转器械中有着不可替代的作用,其剩余使用寿命与设备运行状态息息相关,一旦发生故障,将造成严重的经济损失甚至人员伤亡,因此,对滚动轴承进行寿命预测对保障设备安全运行有着至关重要的意义。
2、相关的研究领域对剩余寿命预测这一方向提出的方法研究中,主要用到的方法是基于数理统计法和基于数据驱动法这两种方法。基于数理统计的方法需要大量的实验和经验数据,从而限制了其广泛应用。由于近年来传感、监控等技术在工业领域的大量应用,获取大量的加工状态信号成为可能,数据驱动的方法凭借其对复杂工况下机械退化过程的强大建模能力,成为当前研究的热点。然而,特征提取仍然是一个耗时的过程,原始振动信号中包含大量的噪声干扰,提取的冗余特征很可能降低预测准确率。本专利技术对原始数据特征进行时频域特征提取,去除原始信号中噪声干扰。以往均以传统神经网络为主,较难提取长时间序列的深层特征,对长时间序列的历史信息利用率低,而rnn及其变种网络在处理时续上有较大的优势,但是在提取振动信号的深层次特征的能力不如卷积神经网络,若把两者合起来有增大了网络的运行时间。其次,在实际应用中,大多数数据驱动寿命预测方法需要大量的训练样本进行学习,并且假设训练样本和测试样本具有相同的域,忽略了所进行不同任务时候的工况不同,所以对于不同工况之间的轴承数据有着不
3、cn112990524a,一种基于残差修正的滚动轴承剩余寿命预测方法。本专利技术包括以下步骤:采集滚动轴承全寿命周期的振动加速度信号,用使用该信号训练剩余寿命预测模型;使用滑动窗口的方式对振动加速度信号进行处理,得到训练集,使用该训练集训练lstm网络模型;训练预测残差的bp神经网络模型;构建残差修正模型,将lstm网络模型的结果和bp神经网络模型的结果相加即为最终模型的预测结果;将需要预测滚动轴承剩余寿命的信号,输入到残差修正模型,即可得到当前时刻的剩余寿命。本专利技术提高了剩余寿命预测的精确度。
4、上述专利解决的是单一工况下的寿命预测,在单一工况中寿命标签较为完整,而本专利解决的是不同工况下滚动轴承的寿命预测问题,在目标域中没有寿命标签;本专利技术对于提取到的原始振动信号进行了短时傅立叶变换,可以选择性的排除或者减少某些频率范围内的噪声和干扰,这有助于提高振动信号的质量,使模型更专注于有用的信息;在寿命预测模块所使用的gru相较于lstm由于gru参数更少,结构相对简单,训练速度通常更快,在处理大规模数据集时尤其有优势,gru在某些情况下可以更好地泛化到新数据。这对于具有有限训练数据的任务非常有用。
技术实现思路
1、本专利技术旨在解决以上现有技术的问题。提出了一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法。本专利技术的技术方案如下:
2、一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其包括以下步骤:
3、步骤1:在滚动轴承疲劳试验台上安装水平方向的振动传感器,分别运行不同的工况下的转速条件,并采集整个退化过程中的振动信号数据;
4、步骤2:将采集到的振动信号进行min-max归一化预处理,根据工况的不同分为源域和目标域,对于源域进行寿命标签的构造,对于原始振动信号进行短时傅里叶变换得到频域特征作为训练集;
5、步骤3:搭建基于域自适应的时间卷积和门控循环单元神经网络寿命预测模型tag,通过引入js-mmd(jensen-shannon-最大均值差异)损失和域分类损失来缩小两个域之间的分布差异,采用adam优化算法对剩余寿命预测模型进行迭代训练,最终输出目标域滚动轴承的剩余寿命预测结果。
6、进一步的,所述步骤2对获得原始振动信号进行短时傅里叶变换公式如下:
7、
8、其中,g(t)为窗函数,该短时傅里叶变换计算表达式的涵义为:在时间t处利用窗函数g(τ-t)截取信号x(t)获得x(t)·g(τ-t),x(t)·g(τ-t)为信号被平移后的窗函数截断部分,该部分信号视为平稳信号;对截取的短时信号进行傅里叶变换处理,获得该t时刻的局部频谱;随着时间t的不断改变,不断平移窗函数的中心位置,即可获得信号不同时刻的傅里叶变换后的局部频谱,将这些局部频谱集合起来就是短时傅里叶变换的结果stft(t,ω)。
9、进一步的,所述对数据进行min-max归一化处理,转化函数如下:
10、
11、其中,x为归一化前的时序振动信号,xt为归一化后的信号特征集,xmin为信号特征集的最小值,xmax为信号特征集的最大值;
12、对于寿命标签的构建:
13、
14、其中,t为轴承运行的失效时刻,即轴承的全寿命值;t-ti为第i个采样点的rul值,t0为轴承运行的起始时刻。
15、进一步的,所述步骤3:搭建基于域自适应的时间卷积和门控循环单元神经网络寿命预测模型tag,具体包括:
16、时序特征学习:通过滑动时间窗将经过短时傅里叶变换的源域和目标域的特征集输送至时间卷积网络层,进一步提取更多的时序特征;
17、域自适应特征学习:利用最大平均偏差mmd和js散度来计算源域和目标域多维特征向量之间的分布发散度,从而减小两个域之间的分布差异。
18、首先创建一个以tcn作为特征提取的网络模型,将数据集特征输入tcn网络中,将输出的结果同时输入域损失模块计算js-mmd的损失和域分类损失,其作为损失进行优化,将得到的权重进行保存;随后,创建一个预测模型,将第一个模型引入进预测模型并进行网络参数冻结,再进行rul的预测,将源域数据集输入,求得预测的寿命结果,使用mesloss作为损失函数进行反向传播的优化训练。
19、进一步的,所述利用js散度和最大均值差异mmd来计算源域和目标域多维特征向量之间的分布差异,
20、js散度:
21、
22、p、q分别表示源域和目标域的概率密度函数且高斯核密度估计,kl表示源域和目标域之间的kl距离。
23、最大均值差异:
24、
25、其中,ns和nt分别表示源域和目标域特征样本的维度;i、j为序列号;k(·,·)表示核函数;xsi、xsj为源域的特征样本;xti、xtj为目标域的特征样本;
26、进一步的,所述基于域自适应的tag寿命预测模型包括:tcn特征提取器、域自适应模块和回归模块。
27、所述的tcn特征提取器包括融合了注意力机制的tcn层;
28、所述的域自适应模块是js-mmd域自适应;
29、所述域分类器包括一个全连接层和一个输本文档来自技高网...
【技术保护点】
1.一种基于域自适应和TAG的桨轴滚动轴承剩余寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于域自适应和TAG的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述步骤2对获得原始振动信号进行短时傅里叶变换公式如下:
3.根据权利要求1所述的一种基于域自适应和TAG的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述对数据进行min-max归一化处理,转化函数如下:
4.根据权利要求1所述的一种基于域自适应和TAG的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述步骤3:搭建基于域自适应的时间卷积和门控循环单元神经网络寿命预测模型TAG,具体包括:
5.根据权利要求4所述的一种基于域自适应和TAG的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述利用JS散度和最大均值差异MMD来计算源域和目标域多维特征向量之间的分布差异,具体包括:
6.根据权利要求4所述的一种基于域自适应和TAG的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述基于域自适应的TAG寿命预测模型包括:TCN特征提取器、域自适应模块和回归模块。<
...【技术特征摘要】
1.一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述步骤2对获得原始振动信号进行短时傅里叶变换公式如下:
3.根据权利要求1所述的一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述对数据进行min-max归一化处理,转化函数如下:
4.根据权利要求1所述的一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述步骤3:搭建基于域自适应的时间卷积和门控循环单元神经网络寿命预测模型tag,具体包括:
5.根据权利要求4所述的一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其特征在于,所述利用js散度和最大均值差异mmd来计算源域和目标域多维特征向量之间的分布差异,具体包括:
6.根据权利要求4所述的一种基于域自适应和tag的桨轴滚动轴承剩余寿命预测方法,其特...
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。