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】
本专利技术涉及大型旋转机组状态监测,尤其涉及一种基于多状态时频网络的轴承剩余使用寿命预测方法。
技术介绍
1、滚动轴承以其强大的承载能力和启动性能成为许多工业设备(如涡轮机、压缩机和飞机发动机)中关键的旋转部件之一。但是由于恶劣运行环境、复杂工况,以及轴承安装方法、润滑剂质量等内外部多重因素的交叉影响之下,轴承极易出现故障,导致机械设备停止工作,造成巨大的经济损失,甚至威胁到生命安全。因此及时分析其工作状态和预测剩余使用寿命,提高旋转单元的运行效率,具有重要的研究意义。
2、目前,轴承寿命预测方法总体上分为三类,即基于物理、数据驱动和数模融合。典型的基于物理模型的方法主要通过研究设备失效机理来构建机械设备退化趋势的物理如palmgren-miner模型,然后用于预测设备的寿命。然而,此类方法依赖高精度的建模,才具有较高的预测精度。随着大型旋转机组的复杂性、多样性、耦合性愈来愈强,导致精确建立物理模型十分困难且研发成本高、通用性低,阻碍了基于物理方法的发展和应用。
3、随着传感器技术和大数据的快速发展,数据驱动方法近年来被广泛的应用于寿命预测。深度学习作为数据驱动领域的一项高效技术,通过在没有专家知识的情况下从数据中挖掘隐藏信息直接构建端到端的预测模型。长期以来,学者基于cnn和rnn等深度学习框架开发了众多轴承寿命预测模型。但是纯粹基于数据驱动的模型需要大量的训练数据,容易过拟合。更重要的是其可解释性差,存在物理不一致性等问题使数据驱动模型不能可靠地用于未经训练空间中的推理。
4、数模融合方法
5、至今为止,在轴承的中长期寿命预测中仍存在预测不准确、滞后严重等问题。一方面轴承振动数据本身存在非平稳性、复杂非线性以及动态周期性等特点,要求模型必须具备挖掘长期特征的能力。此外,随着预测时间步的增加,误差和不确定性的积累,要求模型能够根据较少的已知域信息合理地外推到未知域空间,需要同时学习序列的未来趋势和周期模式。因此针对这些挑战,需要进一步研究建立一种能合理有效地与数据模型相融合的物理模型,保证中长期寿命预测时既保持良好的趋势性也具有稳定的周期性,实现从已知时间序列可靠地外推到长距离的未知时间序列。
技术实现思路
1、本专利技术目的是针对
技术介绍
中存在的轴承中长期寿命预测中存在预测不准确、滞后严重的问题,提出一种基于多状态时频网络的轴承剩余使用寿命预测方法。
2、本专利技术的技术方案:一种基于多状态时频网络的轴承剩余使用寿命预测方法,包括以下步骤:
3、s1、获取待预测设备的振动数据;
4、s2、将待预测的数据输入到多状态时频网络算法模型中;
5、s3、多状态时频网络输出剩余使用寿命结果。
6、优选的,多状态时频网络算法模型包括数据预处理模块、idft频域块、趋势预测时域块和时域手工特征块。
7、优选的,s1中获取设备振动数据的同时还获取设备的原始数据。
8、优选的,s2中,多状态时频网络算法模型得出剩余使用寿命预测值的过程包括以下步骤:
9、s21、设计一个多状态门控记忆细胞rsa-msgcu,构建残差自注意力模块和多状态等级划分机制,对记忆细胞中各状态信息进行等级划分并以不同的传播方式更新;
10、s22、构建了逆傅里叶变换频域块,即idft,利用两层神经网络模拟idft过程;
11、s23、提出多状态时频预测网络,该网络由多状态门控记忆细胞组成的时域块、idft频域块和时域手工特征块组成。频域块的周期特征、时域块的趋势特征以及额外的手工特征相互修正,使用一层nn进行融合并得出最终的序列预测值。
12、与现有技术相比,本专利技术具有如下有益的技术效果:首先在对待预测轴承的振动信号进行特征提取和特征融合,第二是构造了多状态门控记忆细胞rsa-msagcu,可以对不同退化等级的状态信息进行关联学习,长期特征重点向后迭代传播,短期特征重点影响当前输出,第三是对特征提取、融合后的退化指标time_vhi进行离散傅里叶变换,提取幅值和相角属性amp_vhi和pha_vhi作为频域块的输入,采用频率自适应机制,利用已知域的频谱信息向未知的频谱区间探索,第四是将time_vhi训练样本输入到基于rsa-msgcu记忆单元的seq2seq循环神经网络中,挖掘序列的趋势特征,将time_vhi训练样本输入到时域手工特征块作为全局辅助修正。最后频域块的周期特征、时域块的趋势特征以及额外的手工特征相互修正,使用一层nn进行融合并得出最终的序列预测值,实现了较高精度的轴承中长期寿命预测。
本文档来自技高网...【技术保护点】
1.一种基于多状态时频网络的轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多状态时频网络的轴承剩余使用寿命预测方法,其特征在于,多状态时频网络算法模型包括数据预处理模块、IDFT频域块、趋势预测时域块和时域手工特征块。
3.根据权利要求1所述的基于多状态时频网络的轴承剩余使用寿命预测方法,其特征在于,S1中获取设备振动数据的同时还获取设备的原始数据。
4.根据权利要求1所述的基于多状态时频网络的轴承剩余使用寿命预测方法,其特征在于,S2中,多状态时频网络算法模型得出剩余使用寿命预测值的过程包括以下步骤:
【技术特征摘要】
1.一种基于多状态时频网络的轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多状态时频网络的轴承剩余使用寿命预测方法,其特征在于,多状态时频网络算法模型包括数据预处理模块、idft频域块、趋势预测时域块和时域手工特征块。
3.根据权...
【专利技术属性】
技术研发人员:赵润彦,邓蕾,汤宝平,杨是龙,杨启超,
申请(专利权)人:重庆大学,
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。