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

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

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

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：

1)获取不同工况下机械设备的原始振动信号

其中，

M是信号样本的个数，N是每个振动信号样本包含的数据点数，C是振动传感器的个数；同时，构建具有深层结构的层叠分离卷积模块预测模型；

2)对原始振动信号

进行预处理：首先对振动信号xⁱ进行Z-score归一化处理，然后，通过时间窗嵌入策略把xⁱ之前的有效时间信息数据嵌入到xⁱ中，具体步骤如下：

2.1)通过Z-score对振动信号xⁱ进行归一化处理，获得监测数据

Z-score标准化操作表达式如下所示：

式中，x为原始数据；

为原始数据的均值；σ为原始数据的标准差；x^*为Z-score标准化后的数据；

2.2)设置时间窗口大小为S，通过时间窗嵌入策略整合数据

和其之前的S-1个振动信号样本，得到数据

即

3)层叠T个分离卷积模块，从预处理后的原始振动信号

中提取与机械设备健康状况最相关的高层次典型特征，具体步骤如下：

3.1)输入样本

分别利用通道卷积核k_cw和点卷积核k_pw与输入样本

进行卷积，获得特征

3.2)对特征

进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为

3.3)将特征

输入到层叠T个具有残差连接的分离卷积模块中，提取与机械设备健康状况最相关的高层次典型特征，每个分离卷积模块的具体实现方式如下：

(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：

式中，x^l-1为分离卷积模块的输入；y^l-1为批量归一化后的输出；μ_B、

分别为输入x^l-1的期望和方差；γ、β为归一化层可学习的重构参数；

(b)将步骤(a)中经过预激活操作的数据输入到分离卷积层，提取数据的深层表达特征

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；k_cw、

表示通道方向上的卷积核和偏置；k_pw、

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；

(c)再次执行步骤(a)和(b)，进一步提取数据的深层表达特征

学习不同传感器数据之间的相关性；

(d)对提取的深层表达特征

进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为

(e)将池化后的特征

输入到特征校准层，通过压缩操作和自标定操作进行特征响应的再校准，以获取与机械设备健康状态最相关的特征；

压缩操作指的是全局平均池化，计算表达式如下所示：

式中，H表示压缩激励层输入的全局长度；

表示压缩激励层的输入；

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：

式中，σ(·)、δ(·)分别为Sigmoid和ReLU激活函数；

其中r为降维的比率，C为通道数；

(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：

x^l＝x^l-1+F(x^l-1,W^l)

式中，x^l-1是第l层的输入，x^l是第l层的输出；F(·)为残差函数，表达式如下：

F(x^l-1):＝H(x^l-1)-x^l-1

式中，H(x^l-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；

4.1)对提取的典型特征进行全局平均池化，使输出的特征图都只含有一个元素，获得池化后的特征

4.2)将池化后的特征

平铺成一维向量

利用全连接网络计算机械设备的剩余寿命preRULⁱ；

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；

6)将预处理后的机械设备振动信号

输入到最优的剩余寿命预测模型中，预测机械设备的剩余寿命。

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：

1)获取不同工况下机械设备的原始振动信号

其中，

M是信号样本的个数，N是每个振动信号样本包含的数据点数，C是振动传感器的个数；同时，构建具有深层结构的层叠分离卷积模块预测模型；

2)对原始振动信号

进行预处理：首先对振动信号xⁱ进行Z-score归一化处理，然后，通过时间窗嵌入策略把xⁱ之前的有效时间信息数据嵌入到xⁱ中，具体步骤如下：

2.1)通过Z-score对振动信号xⁱ进行归一化处理，获得监测数据

Z-score标准化操作表达式如下所示：

式中，x为原始数据；

为原始数据的均值；σ为原始数据的标准差；x^*为Z-score标准化后的数据；

2.2)设置时间窗口大小为S，通过时间窗嵌入策略整合数据

和其之前的S-1个振动信号样本，得到数据

即

3)层叠如图2所示的T个分离卷积模块，从预处理后的原始振动信号

中提取与机械设备健康状况最相关的高层次典型特征，具体步骤如下：

3.1)输入样本

分别利用通道卷积核k_cw和点卷积核k_pw与输入样本

进行卷积，获得特征

上述卷积操作包括通道方向上的卷积和点方向的卷积，特征

可由如下卷积表达式计算：

y_c＝k_cw*x_c+b_c

式中，x_c为预处理后的振动信号数据；y_c为通道方向上卷积的输出；z_n为点方向上卷积的输出；k_cw、b_c表示通道方向上的卷积核和偏置；k_pw、b_n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；

3.2)对特征

进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为

池化后的特征可由如下表达式计算：

x_AP＝pool(x_cp,p,s)

式中，x_cp表示卷积后的特征；x_AP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；

3.3)将特征

输入到层叠T个具有残差连接的分离卷积模块中，提取与机械设备健康状况最相关的高层次典型特征，每个分离卷积模块的具体实现方式如下：

(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：

式中，x^l-1为分离卷积模块的输入；y^l-1为批量归一化后的输出；μ_B、

分别为输入x^l-1的期望和方差；γ、β为归一化层可学习的重构参数；

(b)将步骤(a)中经过预激活操作的数据输入到分离卷积层，提取数据的深层表达特征

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；k_cw、

表示通道方向上的卷积核和偏置；k_pw、

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；

(c)再次执行步骤(a)和(b)，进一步提取数据的深层表达特征

学习不同传感器数据之间的相关性；

(d)对提取的深层表达特征

进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为

(e)将池化后的特征

输入到特征校准层，通过压缩操作和自标定操作进行特征响应的再校准，以获取与机械设备健康状态最相关的特征；

压缩操作指的是全局平均池化，计算表达式如下所示：

式中，H表示压缩激励层输入的全局长度；

表示压缩激励层的输入；

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：

式中，σ(·)、δ(·)分别为Sigmoid和ReLU激活函数；

其中r为降维的比率，C为通道数；

(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：

x^l＝x^l-1+F(x^l-1,W^l)

式中，x^l-1是第l层的输入，x^l是第l层的输出；F(·)为残差函数，表达式如下：

F(x^l-1):＝H(x^l-1)-x^l-1

式中，H(x^l-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；

4.1)对提取的典型特征进行全局平均池化，使输出的特征图都只含有一个元素，获得池化后的特征

4.2)将池化后的特征

平铺成一维向量

利用全连接网络计算机械设备的剩余寿命preRULⁱ；

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；

6)将预处理后的机械设备振动信号

输入到最优的剩余寿命预测模型中，预测机械设备的剩余寿命。

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：

1)获取不同工况下机械设备的原始振动信号

其中，

M是信号样本的个数，N是每个振动信号样本包含的数据点数，C是振动传感器的个数；同时，构建具有深层结构的层叠分离卷积模块预测模型；

2)对原始振动信号

进行预处理：首先对振动信号xⁱ进行Z-score归一化处理，然后，通过时间窗嵌入策略把xⁱ之前的有效时间信息数据嵌入到xⁱ中，具体步骤如下：

2.1)通过Z-score对振动信号xⁱ进行归一化处理，获得监测数据

Z-score标准化操作表达式如下所示：

式中，x为原始数据；

为原始数据的均值；σ为原始数据的标准差；x^*为Z-score标准化后的数据；

2.2)设置时间窗口大小为S，通过时间窗嵌入策略整合数据

和其之前的S-1个振动信号样本，得到数据

即

3)层叠T个分离卷积模块，从预处理后的原始振动信号

中提取与机械设备健康状况最相关的高层次典型特征，具体步骤如下：

3.1)输入样本

分别利用通道卷积核k_cw和点卷积核k_pw与输入样本

进行卷积，获得特征

3.2)对特征

进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为

3.3)将特征

输入到层叠T个具有残差连接的分离卷积模块中，提取与机械设备健康状况最相关的高层次典型特征，每个分离卷积模块的具体实现方式如下：

(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：

式中，x^l-1为分离卷积模块的输入；y^l-1为批量归一化后的输出；μ_B、

分别为输入x^l-1的期望和方差；γ、β为归一化层可学习的重构参数；

(b)将步骤(a)中经过预激活操作的数据输入到分离卷积层，提取数据的深层表达特征

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；k_cw、

表示通道方向上的卷积核和偏置；k_pw、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；

(c)再次执行步骤(a)和(b)，进一步提取数据的深层表达特征

学习不同传感器数据之间的相关性；

(d)对提取的深层表达特征

进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的特征为

(e)将池化后的特征

输入到特征校准层，通过压缩操作和自标定操作进行特征响应的再校准，以获取与机械设备健康状态最相关的特征；

压缩操作指的是全局平均池化，计算表达式如下所示：

式中，H表示压缩激励层输入的全局长度；

表示压缩激励层的输入；

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：

式中，σ(·)、δ(·)分别为Sigmoid和ReLU激活函数；

其中r为降维的比率，C为通道数；

(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：

x^l＝x^l-1+F(x^l-1,W^l)

式中，x^l-1是第l层的输入，x^l是第l层的输出；F(·)为残差函数，表达式如下：

F(x^l-1):＝H(x^l-1)-x^l-1

式中，H(x^l-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；

4.1)对提取的典型特征进行全局平均池化，使输出的特征图都只含有一个元素，获得池化后的特征

4.2)将池化后的特征

平铺成一维向量

利用全连接网络计算机械设备的剩余寿命preRULⁱ；

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；

6)将预处理后的机械设备振动信号

输入到最优的剩余寿命预测模型中，预测机械设备的剩余寿命。

Images