【技术实现步骤摘要】
本专利技术涉及剩余寿命预测，特别涉及一种烟草机械轴承剩余寿命预测方法及预测系统。
技术介绍
1、机械剩余使用寿命预测是机械预测与健康管理的重要组成部分，也是基于视情维护的主要任务之一。精准有效的rul预测不仅能给维护维修提供有力依据，还能保证生产过程畅通，减少停机时间从而节约成本，也能有效避免机械设备发生事故，进而提高机械设备的可靠性。滚动轴承作为烟草机械中最关键的零部件之一，由于工作环境恶劣，故极易发生故障，从而导致设备停机、经济损失甚至人员伤亡。鉴于此，对烟机轴承的剩余使用寿命进行准确预测并根据预测结果合理地安排维修计划，对于提高设备可靠性，减少设备停机和维修费用，避免重大安全事故的发生都有着重要的意义。
2、一般地，滚动轴承剩余使用寿命预测简述为三个步骤：采集数据、构建健康指标、构建剩余使用寿命预测模型。健康指标在剩余使用寿命预测中起着重要的作用，一个好的健康指标可以简化预测模型并得出准确的预测结果。通常地，基于物理数学模型的传统方法构建健康指标时，经常要经过人工的特征提取、选择及特征融合等较为繁多的步骤，该过程还需依赖大量专家经验及信号分析处理技术。同时，大多模型使用线性的方法进行特征融合，但机械的退化过程一般都是非线性的，具有一定的局限性。此外，此类方法应用仅限于特定的组件或系统，或类似的组件或系统，泛化能力弱。
3、鉴于此，需要一种烟草机械轴承剩余寿命预测方法及预测系统。
技术实现思路
1、针对现有技术中大多模型使用线性的方法进行特征融合，具有一
2、一种烟草机械轴承剩余寿命预测方法，包括以下步骤：
3、s1：通过振动传感器采集轴承的全寿命周期的原始振动信号，并对振动信号进行标准化和归一化处理；
4、s2：划分训练集与测试集，构建并训练流形正则化堆栈去噪自编码器网络，通过流形正则化堆栈去噪自编码器网络初步提取轴承退化特征；
5、s3：通过自组织映射法对轴承退化特征进一步降维融合，得到轴承降维融合后的退化特征；
6、s4：利用五点三次平滑滤波算法对特征进行滤波处理并归一化，选择使用单调性、时间相关性指标对退化曲线进行评价,得到剩余使用寿命预测的健康指标；
7、s5：基于分层门控循环单元网络建立剩余使用寿命预测模型，将所述健康指标代入到剩余使用寿命预测模型中得到滚动轴承的剩余使用寿命。
8、优选的，所述流形正则化堆栈去噪自编码器网络的目标函数具体如下所示：
9、j(θ)＝jmse(θ)+αjmr(θ)
10、其中，α为正则化参数；θ＝[θenc,θdec]为自编码器网络一个参数集；jmse(θ)为自编码器网络最小化的重构误差表征；jmr(θ)为正则化项。
11、优选的，所述训练流形正则化堆栈去噪自编码器网络具体如下：
12、首先，把训练集数据作为网络输入，进行编码器网络的无监督预训练，每个自编码机训练结束将隐藏层输出，并就将其作为下一个自编码机的输入；编码网络预训练完成后，保留网络的权值和参数，在解码网络中直接将其设置为相对位置的预训练好的权值转置参数；然后，使用数据训练集的原始值作为标签对网络进行参数优化，考虑到信号存在无关噪声影响，在输入数据中，根据振动信号的形状，按照一定信噪比加入高斯噪声，将其与原始信号一起输入到网络中。
13、优选的，还包括流形正则化堆栈去噪自编码器网络的优化，具体如下：
14、使用adam自适应寻优算法优化网络参数并反向微调；当目标函数损失达到设置最小值时则停止训练，网络训练优化完成；将测试集数据输入到训练完成的流形正则化堆栈去噪自编码器网络中，最终输出流形正则化堆栈去噪自编码器网络中间隐藏层的低维退化特征。
15、优选的，所述步骤s3具体如下：
16、将编码器隐藏层输出特征作为som网络的输入，设置som网络的输入层节点数与特征数一致，在拓扑层中，每个神经元与其连接的输入层神经元二者之间的权值构成向量表征，以保证维度与输入数据一致；
17、设置参数训练som网络，直至网络达到停止条件；
18、构建并训练mrsdae-som模型，再将测试集输入到训练好的mrsdae-som网络模型中进行测试，得到轴承降维融合后的退化特征。
19、优选的，所述步骤s5具体如下：
20、建立hgru网络，所述hgru网络由四个类型层构成：特征层、多尺度层、skip-gru层和密集层；特征层用于接收上诉得到的健康指标，其初始参数来自流形正则化堆栈去噪自编码器网络，其余hgru网络层的参数随机初始化；多尺度层的目标是接收特征层输出，并将不同的时间尺度信息选择到由多层skip-gru层组成的模型中，以学习时间序列信息；然后，由多层skip-gru层的组成模型输出连接到密集层；由网络的密集层接收输出，并最终输出轴承的剩余使用寿命；
21、利用mrsdae-som网络进行无监督式的特征提取，将取得的低维特征作为特征层网络的输入，并且保留预训练的权重和参数，作为特征层的初始参数，而网络的特征层在此基础上对数据进行训练；
22、采用多尺度时间层对特征进行矢量编码，从而避免特征信息的丢失；
23、在模型训练中，使用adamax自适应寻优算法进行网络参数优化并反向微调；当目标函数损失达到设置最小值时则停止训练，网络训练优化完成；将健康指标中的测试集轴承数据输入到训练完成的hgru网络中，最终输出轴承剩余使用寿命的预测结果；
24、将所述健康指标代入到剩余使用寿命预测模型中得到滚动轴承的剩余使用寿命。
25、一种烟草机械轴承剩余寿命预测系统，应用于如上所述的方法，包括信号采集模块、数据处理模块、构建指标模块与寿命预测模块；
26、所述信号采集模块与所述数据处理模块连接，所述数据处理模块与所述构建指标模块连接，所述构建指标模块与所述寿命预测模块连接；
27、所述信号采集模块用于采集振动信号和温度信号；所述数据处理模块用于对采集输入的振动信号做降噪及滤波处理，同时求得滤波后的各时域特征参数；所述构建指标模块用于导入降噪处理后的振动信号，运行特征提取模型，计算出轴承的数据的退化特征，同时降维融合得到用于预测寿命的健康指标并展示；所述寿命预测模块用于设置网络模型的相关参数，将健康指标输入到搭建好的预测模型，经计算运行后得到轴承的剩余使用寿命预测结果及预测误差，并且将预测结果及误差数据保存在指定位置。
28、优本文档来自技高网...
【技术保护点】
1.一种烟草机械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所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述流形正则化堆栈去噪自编码器网络的目标函数具体如下所示：
3.根据权利要求2所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述训练流形正则化堆栈去噪自编码器网络具体如下：
4.根据权利要求3所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，还包括流形正则化堆栈去噪自编码器网络的优化，具体如下：
5.根据权利要求1所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述步骤S3具体如下：
6.根据权利要求5所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述步骤S5具体如下：
7.一种烟草机械轴承剩余寿命预测系统，其特征在于，应用于权利要求1至6任一所述的方法，包括信号采集模块、数据处理模块、构建指标模块与寿命预测模块；
8.根据权利要求7所述的一种烟草机械轴承剩余寿命预测系统，其特征在于，还包括状态实时监控系统，所述状态实时监控系统包括数据监测模块、
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的烟草机械轴承剩余寿命预测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的烟草机械轴承剩余寿命预测方法。
...【技术特征摘要】
1.一种烟草机械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所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述流形正则化堆栈去噪自编码器网络的目标函数具体如下所示：
3.根据权利要求2所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述训练流形正则化堆栈去噪自编码器网络具体如下：
4.根据权利要求3所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，还包括流形正则化堆栈去噪自编码器网络的优化，具体如下：
5.根据权利要求1所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述步骤s3具体如下：
6.根据权利要求5所述的一种烟草机械轴承剩余寿命预测方法，其特征在于，所述步骤s5具体如下：
7.一种烟草机械轴承剩余寿命预测系统，其特征在于，应用于权利要求1至6任一所述的方法，包括信号采集模块、数据处理模块、构建指标模块与寿命预测模块；
8.根据权利要...
【专利技术属性】
技术研发人员：陈家芳，陆剑锋，梁平，吴朗，刘钰凡，张旭升，杨元清，张金岭，郝晋飞，陈俊峰，张子瑜，
申请(专利权)人：广西中烟工业有限责任公司，
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。