一种二次聚合个性化联邦的滚动轴承寿命预测方法及系统技术方案

一种二次聚合个性化联邦的滚动轴承寿命预测方法及系统，涉及滚动轴承寿命预测技术领域。本发明专利技术是针对不同工况下滚动轴承振动数据分布差异大，单一用户数据量少且多个用户间数据不共享的问题而提出的。该方法用不同深度的自编码器提取多尺度特征信息并压缩为散点图，实现特征增强；利用无监督二元回归模型确定第一预测时间，构建分段退化标签；提出二次聚合个性化联邦学习算法，各用户构建改进的CNN‑LSTM模型，并将其参数上传至服务端，服务端采用多任务学习框架，一次聚合多用户同种工况模型参数；在此基础上，利用批量归一化层参数统计信息计算一次聚合模型间相似度，引入权重更新机制指导模型参数二次聚合，减少不同工况模型间的负迁移现象并学习有益的全局知识，最终形成针对各工况的个性化预测模型。经实验验证，所提方法在保障数据隐私的前提下，可实现不同工况下滚动轴承寿命预测，预测平均得分与集中式学习方法相当、相较于联邦平均算法提升0.2197。

【技术实现步骤摘要】

本专利技术涉及一种二次聚合个性化联邦的滚动轴承寿命预测方法及系统，涉及滚动轴承寿命预测。

技术介绍

1、滚动轴承是旋转机械设备的关键部件，长期处于高负荷运转状态的轴承易损坏、可靠性差。轴承的损坏可能导致整个机器的故障，甚至是灾难性事故[1]。因此，对滚动轴承的剩余使用寿命(remaining useful life，rul)进行预测，是降低设备维护成本，保证设备可靠运行的必然要求。

2、滚动轴承rul预测方法可分两大基础类别：基于模型的方法和基于数据驱动的方法[2]。基于模型的方法主要依据设备的失效机理来建立模型；基于数据驱动的方法从设备数据中探索轴承的退化过程，以实现设备的寿命预测，主要有三个步骤：①从振动信号中提取具有单调性和趋势性的退化特征，表征滚动轴承的衰退过程；②构建健康状态指标(health index，hi)，利用深度学习等方法学习退化特征与轴承健康指标之间的复杂映射关系，得到轴承的退化状态曲线；③对轴承退化状态曲线进行拟合并计算最终剩余使用寿命[3]。在实际工作中，轴承运行状态复杂多变，基于模型的方法需要大量专家知识才能建立有效本文档来自技高网...

【技术保护点】

1.一种二次聚合个性化联邦的滚动轴承寿命预测方法，其特征在于，所述方法的实现过程为：

2.根据权利要求1所述的一种二次聚合个性化联邦的滚动轴承寿命预测方法，其特征在于，所述方法二次聚合个性化联邦学习的具体算法采用多任务学习和模型混合策略结合的方式，将联邦学习参数聚合分为两个阶段；联邦一次聚合阶段，中央服务器聚合工况相同的模型参数，形成一次聚合模型；联邦二次聚合阶段，服务器利用批量归一化层参数的统计信息计算不同工况模型的相似度，以更好地训练个性化模型。

3.根据权利要求2所述的一种二次聚合个性化联邦的滚动轴承寿命预测方法，其特征在于，个性化联邦学习阶段的联邦本地模型...

【技术特征摘要】

1.一种二次聚合个性化联邦的滚动轴承寿命预测方法，其特征在于，所述方法的实现过程为：

2.根据权利要求1所述的一种二次聚合个性化联邦的滚动轴承寿命预测方法，其特征在于，所述方法二次聚合个性化联邦学习的具体算法采用多任务学习和模型混合策略结合的方式，将联邦学习参数聚合分为两个阶段；联邦一次聚合阶段，中央服务器聚合工况相同的模型参数，形成一次聚合模型；联邦二次聚合阶段，服务器利用批量归一化层参数的统计信息计算不同工况模型的相似度，以更好地训练个性化模型。

3.根据权利要求2所述的一种二次聚合个性化联邦的滚动轴承寿命预测方法，其特征在于，个性化联邦学习阶段的联邦本地模型采用改进的cnn-lstm，网络具体结构：在各卷积层及lstm层后加入bn层，用以获取模型参数统计信息；三组卷积层用于提取训练数据特征，lstm层用于挖掘时间序列隐藏信息，模...

【专利技术属性】
技术研发人员：康守强，杨得济，王玉静，王庆岩，刘欢，梁欣涛，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：