CN109992872B - 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 - Google Patents
一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN109992872B CN109992872B CN201910235692.0A CN201910235692A CN109992872B CN 109992872 B CN109992872 B CN 109992872B CN 201910235692 A CN201910235692 A CN 201910235692A CN 109992872 B CN109992872 B CN 109992872B
- Authority
- CN
- China
- Prior art keywords
- mechanical equipment
- convolution
- data
- residual life
- expression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于层叠分离卷积模块的机械设备剩余寿命预测方法,先获取不同工况下机械设备的原始振动信号,进行预处理,建立基于层叠分离卷积模块的机械设备剩余寿命预测模型;利用层叠分离卷积模块提取原始振动信号中与机械设备健康状况最相关的高层次典型特征;然后将高层次典型特征输入到全连接网络,得到机械设备的剩余寿命预测值;构建剩余寿命预测模型的均方误差目标函数,通过Adam优化算法迭代更新预测模型的待训练参数,获得最优的剩余寿命预测模型;最后输入预处理后的机械设备振动信号,完成机械设备得剩余寿命预测;本发明具有预测精度更高、稳定性更好、鲁棒性更强的优点。
Description
技术领域
本发明属于机械设备剩余寿命预测技术领域,具体涉及一种基于层叠分离卷积模块的机械设备剩余寿命预测方法。
背景技术
随着信息化水平和工业自动化水平的提高,现代机械设备正朝向高性能、高精度和高效率方向发展。由于常常工作在较为复杂的工况下,机械设备故障发生率较高,导致设备难以安全可靠的运行。因此,需要对机械设备进行剩余寿命预测,从而制定有效的早期维护方案,保证设备正常工作。由于设备监测点数量多、采样频率高以及数据收集历时长等原因,机械健康监测进入了“大数据”时代,这给机械设备的剩余寿命预测带来了严峻的挑战。因此,需要发明一种新的数据驱动的机械设备剩余寿命预测方法,保障机械设备安全服役。
通过引入深度学习理论,基于数据驱动的机械设备剩余寿命预测方法能够有效地从监测数据中挖掘机械设备的退化信息,取得了良好的预测结果。然而,目前的基于数据驱动的机械设备剩余寿命预测方法需要从振动信号中手动提取特征,这个过程不仅需要专业的信号处理知识和丰富的专家经验,也需要付出大量的人力成本。同时,机械设备的监测数据是通过多个传感器获取,不同传感器数据中包含了不同程度的机械设备退化信息,反映了不同部件故障之间的相互作用机理。但是,目前的方法忽略了不同传感器数据之间的相关性,故不能有效地提取与机械设备健康状况最相关的信息,严重影响机械大数据背景下机械设备的剩余寿命预测结果的准确性。
发明内容
为了克服以上现有技术的缺点,本发明的目的在于提出一种基于层叠分离卷积模块的机械设备剩余寿命预测方法,直接从机械设备的振动信号中挖掘与其健康状况最相关的信息,自动提取高层次的典型特征,并使用这些高层次典型特征去预测机械设备的剩余寿命;该方法具有预测精度更高、稳定性更好、鲁棒性更强的优点。
为了达到上述目的,本发明采取的技术方案为:
一种基于层叠分离卷积模块的机械设备剩余寿命预测方法,包括以下步骤:
Z-score标准化操作表达式如下所示:
(a)首先,利用预激活策略对分离卷积模块的输入进行处理,依次通过批量归一化层和线性整流函数(Rectified linear unit,ReLU)层;
批量归一化层操作表达式如下所示:
分离卷积包括通道方向上的卷积和点方向上的卷积,计算表达式如下:
式中,为预激活操作后的数据;为通道方向上卷积的输出;为点方向上卷积的输出;kcw、表示通道方向上的卷积核和偏置;kpw、表示点方向上的卷积核和偏置;c表示第c个卷积操作的输入通道;n表示第n个卷积操作的输出通道;
压缩操作指的是全局平均池化,计算表达式如下所示:
自标定操作指的是利用自适应门机制估计每个通道的信息量,生成对应通道的权重,计算表达式如下所示:
(f)最后,分离卷积模块采用了残差连接,其输出的计算表达式为:
xl=xl-1+F(xl-1,Wl)
式中,xl-1是第l层的输入,xl是第l层的输出;F(·)为残差函数,表达式如下:
F(xl-1):=H(xl-1)-xl-1
式中,H(xl-1)为期望映射;
4)将提取的高层次典型特征输入到全连接网络中,得到机械设备的寿命预测值,具体步骤如下;
5)基于Adam优化算法,重复步骤3)和4),设置迭代次数N,迭代更新层叠分离卷积模块和全连接网络的参数,以获得最优的剩余寿命预测模型,即最小化均方误差目标函数:
式中,yi为机械设备的实际剩余寿命值;
本发明的有益效果为:
本发明能够直接从原始振动信号提取高层次典型特征,并且考虑了不同传感器数据在典型特征学习中的相关性,进而可以准确地挖掘与机械设备健康状况最相关的退化信息。克服了传统方法过分依赖于专家经验和领域知识以及不能有效地提取与机械设备健康状况最相关的信息的缺点,实现了机械大数据下机械设备剩余寿命的准确预测。
附图说明
图1为本发明方法的流程图。
图2为分离卷积模块的基本组成结构图。
图3为实施例三种工况下滚动轴承的剩余寿命预测结果图。
图4为实施例滚动轴承剩余寿命预测性能对比图。
具体实施方式
下面结合附图对本发明做进一步详细阐述。
参照图1,一种基于层叠分离卷积模块的机械设备剩余寿命预测方法,包括以下步骤:
Z-score标准化操作表达式如下所示:
yc=kcw*xc+bc
式中,xc为预处理后的振动信号数据;yc为通道方向上卷积的输出;zn为点方向上卷积的输出;kcw、bc表示通道方向上的卷积核和偏置;kpw、bn表示点方向上的卷积核和偏置;c表示第c个卷积操作的输入通道;n表示第n个卷积操作的输出通道;
池化后的特征可由如下表达式计算:
xAP=pool(xcp,p,s)
式中,xcp表示卷积后的特征;xAP表示池化后的特征;pool(·)表示下采样函数;p、s分别池化的大小和滑动步长;
(a)首先,利用预激活策略对分离卷积模块的输入进行处理,依次通过批量归一化层和线性整流函数(Rectified linear unit,ReLU)层;
批量归一化层操作表达式如下所示:
分离卷积包括通道方向上的卷积和点方向上的卷积,计算表达式如下:
式中,为预激活操作后的数据;为通道方向上卷积的输出;为点方向上卷积的输出;kcw、表示通道方向上的卷积核和偏置;kpw、表示点方向上的卷积核和偏置;c表示第c个卷积操作的输入通道;n表示第n个卷积操作的输出通道;
压缩操作指的是全局平均池化,计算表达式如下所示:
自标定操作指的是利用自适应门机制估计每个通道的信息量,生成对应通道的权重,计算表达式如下所示:
(f)最后,分离卷积模块采用了残差连接,其输出的计算表达式为:
xl=xl-1+F(xl-1,Wl)
式中,xl-1是第l层的输入,xl是第l层的输出;F(·)为残差函数,表达式如下:
F(xl-1):=H(xl-1)-xl-1
式中,H(xl-1)为期望映射;
4)将提取的高层次典型特征输入到全连接网络中,得到机械设备的寿命预测值,具体步骤如下;
5)基于Adam优化算法,重复步骤3)和4),设置迭代次数N,迭代更新层叠分离卷积模块和全连接网络的参数,以获得最优的剩余寿命预测模型,即最小化均方误差目标函数:
式中,yi为机械设备的实际剩余寿命值;
实施例:以机械设备中的滚动轴承为案例,基于滚动轴承加速寿命实验数据,对本发明方法的有效性进行验证。本实施例所采用的滚动轴承加速寿命实验数据集共包括3个子集,分别对应三种不同的工况条件下,即12kN/2100rpm、11kN/2250rpm和10kN/2400rpm。其中,每种工况包含5个滚动轴承的全寿命周期振动信号。如表1所示,在采用本发明方法对滚轴轴承剩余寿命进行预测时,将每个工况下的前4个滚动轴承数据作为训练数据集,最后1个滚动轴承数据作为测试数据集。
层叠分离卷积模块预测模型的参数设置如下所示:分离卷积模块的个数T为3;时间窗S为5;通道方向上的卷积核大小为8,数量为16;池化区域大小和步长都设置4;降维比设置为16;采用3层分离卷积模块层叠;小批量训练数目为128;迭代次数选为100次。使用本发明方法对3种工况下滚动轴承测试数据集进行剩余寿命预测,预测结果如图3所示,从图3中可以看出,虽然滚动轴承在早期时的真实寿命与预测寿命偏差较大,但是随着时间的推移,滚动轴承的预测寿命逐渐趋近于真实寿命,这说明本发明方法能够有效地对滚动轴承进行剩余寿命预测。为进一步验证本发明的优越性,将本发明方法与基于深度置信网络的剩余寿命预测方法(DBN)、基于多尺度卷积神经网络的剩余寿命预测方法(MCNN)进行对比,利用评分函数和均方根误差预测性能指标对三种方法进行评价,结果如图4所示。从图4中可以看出,在三个测试轴承的剩余寿命预测中,本发明方法的两种预测性能指标值都小于其它两种预测方法,说明本发明方法的剩余寿命预测精度更高、稳定性更好、鲁棒性更强。
表1
通过以上滚动轴承的剩余寿命预测结果以及与两种方法的预测性能对比可以发现,本发明方法利用层叠分离卷积模块,能够直接从原始振动信号提取高层次典型特征,并且考虑了不同传感器数据在典型特征学习中的相关性,进而可以准确地挖掘与机械设备健康状况最相关的退化信息,有效提高了机械设备剩余寿命预测的精度,获得了更加优越的预测性能。
Claims (1)
1.一种基于层叠分离卷积模块的机械设备剩余寿命预测方法,其特征在于,包括以下步骤:
Z-score标准化操作表达式如下所示:
(a)首先,利用预激活策略对分离卷积模块的输入进行处理,依次通过批量归一化层和线性整流函数(Rectified linear unit,ReLU)层;
批量归一化层操作表达式如下所示:
分离卷积包括通道方向上的卷积和点方向上的卷积,计算表达式如下:
式中,为预激活操作后的数据;为通道方向上卷积的输出;为点方向上卷积的输出;kcw、表示通道方向上的卷积核和偏置;kpw、表示点方向上的卷积核和偏置;c表示第c个卷积操作的输入通道;n表示第n个卷积操作的输出通道;
压缩操作指的是全局平均池化,计算表达式如下所示:
自标定操作指的是利用自适应门机制估计每个通道的信息量,生成对应通道的权重,计算表达式如下所示:
(f)最后,分离卷积模块采用了残差连接,其输出的计算表达式为:
xl=xl-1+F(xl-1,Wl)
式中,xl-1是第l层的输入,xl是第l层的输出;F(·)为残差函数,表达式如下:
F(xl-1):=H(xl-1)-xl-1
式中,H(xl-1)为期望映射;
4)将提取的高层次典型特征输入到全连接网络中,得到机械设备的寿命预测值,具体步骤如下;
5)基于Adam优化算法,重复步骤3)和4),设置迭代次数N,迭代更新层叠分离卷积模块和全连接网络的参数,以获得最优的剩余寿命预测模型,即最小化均方误差目标函数:
式中,yi为机械设备的实际剩余寿命值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910235692.0A CN109992872B (zh) | 2019-03-27 | 2019-03-27 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910235692.0A CN109992872B (zh) | 2019-03-27 | 2019-03-27 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992872A CN109992872A (zh) | 2019-07-09 |
CN109992872B true CN109992872B (zh) | 2020-07-28 |
Family
ID=67131710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910235692.0A Active CN109992872B (zh) | 2019-03-27 | 2019-03-27 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992872B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN111783362B (zh) * | 2020-07-09 | 2022-07-26 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及*** |
CN112881518B (zh) * | 2021-01-08 | 2022-07-12 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
CN113686577B (zh) * | 2021-08-17 | 2024-06-11 | 山东科技大学 | 一种基于快速非线性稀疏谱的轴承故障诊断方法 |
CN115048873B (zh) * | 2022-08-12 | 2022-11-01 | 太原科技大学 | 一种用于飞机发动机的剩余使用寿命预测*** |
CN116579505B (zh) * | 2023-07-12 | 2023-10-13 | 中国科学院空间应用工程与技术中心 | 一种无全寿命周期样本的机电设备跨域剩余寿命预测方法及*** |
CN117010116A (zh) * | 2023-09-06 | 2023-11-07 | 长兴昇阳科技有限公司 | 一种基于弹性神经元胶质的轴承剩余使用寿命评估方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
CN103793752B (zh) * | 2013-09-13 | 2018-02-06 | 中国人民解放军第二炮兵工程大学 | 一种基于退化建模的设备失效次数预测方法 |
CN106769048B (zh) * | 2017-01-17 | 2019-05-24 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
CN107451760B (zh) * | 2017-09-04 | 2020-06-26 | 西安交通大学 | 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法 |
US10732618B2 (en) * | 2017-09-15 | 2020-08-04 | General Electric Company | Machine health monitoring, failure detection and prediction using non-parametric data |
CN108106830B (zh) * | 2017-12-13 | 2019-10-29 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
CN109376401B (zh) * | 2018-09-29 | 2022-12-09 | 西安交通大学 | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 |
CN109460618B (zh) * | 2018-11-13 | 2023-02-10 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及*** |
-
2019
- 2019-03-27 CN CN201910235692.0A patent/CN109992872B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109992872A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992872B (zh) | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 | |
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN110779746B (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN112396109A (zh) | 基于递归图与多层卷积神经网络的电机轴承故障诊断方法 | |
CN110108456A (zh) | 一种深度卷积神经网络的旋转机械健康评估方法 | |
CN113673346B (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN109360120B (zh) | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 | |
Roy et al. | A stacked autoencoder neural network based automated feature extraction method for anomaly detection in on-line condition monitoring | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN111783362A (zh) | 一种电动闸阀剩余使用寿命确定方法及*** | |
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其*** | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
Li et al. | A robust fault diagnosis method for rolling bearings based on deep convolutional neural network | |
CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN113920124A (zh) | 基于分割和误差引导的脑神经元迭代分割方法 | |
CN117493980B (zh) | 一种集成特征提取和排序因果发现的轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |