CN112069621B - 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 - Google Patents
基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 Download PDFInfo
- Publication number
- CN112069621B CN112069621B CN202010933425.3A CN202010933425A CN112069621B CN 112069621 B CN112069621 B CN 112069621B CN 202010933425 A CN202010933425 A CN 202010933425A CN 112069621 B CN112069621 B CN 112069621B
- Authority
- CN
- China
- Prior art keywords
- training
- test
- feature
- train
- mapping
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
Abstract
本发明提出了一种基于线性可靠度指标的精确预测滚动轴承的剩余使用寿命的方法,旨在提高模型的预测精度,实现步骤为:获取训练样本集和测试样本集;建立多个堆栈自编码器模型,以训练样本集和测试样本集分别作为输入依次对多个堆栈式自编码器模型进行训练,提取性能退化特征;基于聚类、单调性和相关性对评价性能退化特征,设置阈值筛选特征;基于单调性选取训练原始最优特征,建立线性可靠度指标曲线,并进行特征平移和特征插值,分别构建训练映射特征集和测试映射特征集;训练映射特征集为输入训练可靠性评估模型,将测试映射特征集输入训练好的可靠度评估模型得到测试可靠度,基于粒子滤波算法预测待预测轴承的剩余使用寿命。
Description
技术领域
本发明属于滚动轴承可靠性评估技术领域,涉及一种滚动轴承剩余寿命预测方法,具体涉及一种基于线性可靠度指标的滚动轴承可靠性评估方法,可用于滚动轴承的剩余寿命预测。
背景技术
旋转机械设备在正常运行时,性能退化是不可避免的,并且是随着运行时间的增加而积累的过程。滚动轴承作为旋转机械的关键部件,其性能直接影响机械设备的运行和生产安全。在工作条件、振动、温度等因素的影响下,滚动轴承会产生性能退化,这种退化行为可能会导致整个机械***的故障或崩溃。为防止这种退化引起的整个机械***的崩溃,引入了预测技术。预测技术是根据历史信息、当前使用情况和未来运行状况,预测机械***或设备及其组成部件的剩余使用寿命(RUL),以提前提供故障警告和改进维护计划,从而减少昂贵的非计划维护,提高机器的可靠性、可用性和安全性。
滚动轴承剩余使用寿命主要是通过对滚动轴承运行时的一些动态参数如温度、振幅、位移等信号进行分析处理,对滚动轴承运行状态的数据进行分析,预测从预测点到失效出现的时间,从而达到剩余寿命预测的目的。通常,评价一种滚动轴承剩余寿命预测方法好坏的指标有预测精度、预测效率、鲁棒性、客观性等。
目前,有效且广泛采用的滚动轴承可靠性评估和RUL预测方法可分为两大类:数据驱动方法和基于模型的方法。基于模型的方法使用数学或物理模型从损坏的第一原理和失效机制的知识来描述轴承的退化过程,如自回归模型,卡尔曼滤波等。然而,在实际工程应用中原始振动信号往往呈现出复杂、非线性和多噪声的特点,对于退化程度的准确评估需要依赖先进的信号处理技术,此外,复杂工况下的轴承性能状态的准确描述需要从原始信号中提取大量时域、频域和时频域特征,通常从这些特征中选择与评估目标相关性强、更具代表性的特征是一项盲目、主观且费时的工作,所以传统的剩余寿命预测方法依赖于专家经验进行特征选择,缺少客观性,难以对实际工程中复杂工况下的轴承退化状态进行自动、准确地表示。
与基于模型的方法相比,数据驱动方法更适合于监控数据容易获取的组件和***。数据驱动的方法利用机器的状态监视(CM)数据和机器学习(ML)技术来估计故障发生前的时间。数据驱动的预测方法通常包含三个步骤:数据采集、健康指标和剩余有用寿命预测。这种方法不需要对正在研究的机器的物理有深入的理解,如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、卷积神经网络、深度置信网络等。其中,支持向量机、主成分分析和人工神经网络等数据驱动方法虽然能摆脱对专家经验的依赖,实现了滚动轴承性能状态特征的自适应学习,提高了剩余寿命预测结果的客观性,但是,这种剩余寿命预测方法是一种基于浅层特征学习的剩余寿命预测方法,很难从原始数据中提取出深层特征。因此,这种方法的特征学习能力弱,滚动轴承的性能退化状态表示能力差,剩余寿命预测精度低。为了提高模型对于滚动轴承的性能退化状态的特征表示能力,学者们提出了以堆栈式自编码器、卷积神经网络、深度置信网络等为代表的基于深层特征学习的剩余寿命预测方法。其中,由于网络结构的复杂性,卷积神经网络和深度置信网络的训练过程非常复杂,堆栈式自动编码器由于其结构简单和无监督的特征提取能力,广泛地应用于故障诊断、健康管理等领域的特征提取过程中。
健康指标构建在滚动轴承剩余寿命预测中起着重要的作用。一个合适的健康指标有望表达足够的预后信息,有助于剩余寿命的准确预测。目前,有效且广泛采用的健康指标构建策略分为:物理健康指标和虚拟健康指标。传统的旋转机械的物理健康指标是基于时域信号、频域和时频域的统计特性发展的。虚拟健康指标的构建过程通常采用降维技术和多特征融合技术。如主成分分析(PCA)对特征集进行降维,并进一步计算未知状态与健康状态之间的偏差作为虚拟健康指标;或通过多层感知网络融合多个原始特征构建了一个虚拟健康指标。如利用状态参量法和特征融合技术构建的可靠度指标作为虚拟健康指标。例如,雷亚国等人于2019年在Neurocomputing的10卷上发表的“A recurrent neural networkbased health indicator for remaining useful life prediction of bearings”的文章中,提出了一种基于循环神经网络的虚拟指标构建方法用于滚动轴承剩余寿命预测,该方法首先采集滚动轴承的多个振动数据,并划分训练集和测试集,其次,提取振动数据的时域特征、频域特征、时频域特征构成特征集,再根据单调性指标和相关性指标筛选特征,再使用循环神经网络模型融合筛选的特征构建健康指标,最后,基于构建的健康指标实现滚动轴承的剩余寿命预测。然而,该方法虽然融合多个特征来构建虚拟健康指标,但健康指标与真实剩余使用寿命的相关程度较低,对真实剩余使用寿命表征性能较弱,影响了剩余寿命预测精度。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提供了一种基于线性可靠度指标的精确预测滚动轴承剩余使用寿命的方法,旨在提高滚动轴承的剩余寿命预测精度。
本发明的技术思路是,首先采集滚动轴承振动加速度时域信号,获取训练样本集和测试样本集;其次,基于不同的结构参数建立多个堆栈式自编码器模型,分别以训练样本集和测试样本集作为堆栈式自编码器模型的输入,分别对每个堆栈式自编码器模型进行训练,提取训练样本集与测试样本集的多个特征;然后,基于聚类方法、单调性度量指标和相关性度量指标对提取的每个特征进行特征评价,根据相应的阈值和每个特征的性能评价指标值将筛选出的特征分别作为训练原始特征集和测试原始特征集,再根据单调性度量指标在训练原始特征集中选取原始最优特征,并以此建立线性可靠度指标;在原始最优特征和线性可靠度指标的基础上进行特征平移,并利用特征插值分别构建训练映射特征集与测试映射特征集;以堆栈式自编码器作为可靠性评估模型,并使用训练映射特征集进行训练,将测试映射特征集输入训练好的可靠性评估模型中,得到测试映射特征集的预测标签;基于粒子滤波算法,利用测试映射特征集的预测标签,预测从待预测轴承在映射时间域上的剩余寿命;利用真实时间域映射时间之间的映射关系,获取真实时间域上的剩余寿命。
根据上述技术思路,实现本发明目的采取的技术方案包括如下步骤:
(1)获取训练样本集Xtrain和测试样本集Xtest:
对从滚动轴承性能退化数据库中选取的滚动轴承的I个维度为2L的完整退化行为的振动时域信号进行模数转换,并将转换后的I个维度为L的振动频域信号组成训练样本集Xtrain,同时对通过数据采集***实时采集的待预测滚动轴承的完整性能退化过程的前J个维度为2L的振动时域信号进行模数转换,并将转换后的J个维度为L的振动频域信号组成测试样本集Xtest,其中,I≥400,L≥500,x′l(i)表示维度为l的第i个训练样本点,J≥300,x″l(j)表示维度为l的第j个测试样本点;
(2)构建N个堆栈式自编码器模型:
构建N个各包含K个自编码器的堆栈式自编码器模型A={A1,A2,…,An,…,AN},其中,N≥2,K≥2,An表示第n个堆栈式自编码器模型,表示第k个包括输入层、隐含层和输出层的自编码器,的输出层的节点数与输入层的节点数相等,隐含层的隐藏表示为的隐含层的节点数为h;
(3)对N个堆栈式自编码器模型进行迭代训练:
(3a)令n=1,k=1;
(3b)将训练样本集Xtrain和测试样本集Xtest分别作为第n个堆栈式自编码器模型An中第k个自编码器的输入进行前向传播,得到目标输出值Xtrain′和Xtest′,并以Xtrain′与Xtrain的重构损失,以及Xtest′与Xtest的重构损失,对An的编码权重W、编码偏置b、解码权重W′、解码偏置b′进行更新,得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
(3c)将训练后的训练自编码器的训练隐含表示和测试自编码器的测试隐含表示分别作为第n个堆栈式自编码器模型An中第k+1个自编码器的输入进行前向传播,并按照步骤(3b)的方法对自编码器进行训练,得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
(3e)判断n=N是否成立,若是,得到N个训练后的训练堆栈式自编码器模型A′={A1′,A2′,…,An′,…,AN′},以及测试堆栈式自编码器模型A″={A1″,A2″,…,An″,…,AN″},并将N个的作为Xtrain的性能退化特征,构成训练集成特征集同时将N个的作为从Xtest中提取到的性能退化特征,构成测试集成特征集其中,M=N×h,F′m(i)表示第m个训练集成特征,F″m(j)表示第m个测试集成特征,M≤L,否则,令n=n+1,k=1,并执行步骤(3b);
(4)获取训练原始特征集Ftrain(o)和测试原始特征集Ftest(o):
(4b)计算F′m(i)与的距离,并将F′m(i)划归到F′m(i)与的C个距离中最小的一类,基于相关性度量指标Corr对F′m(i)及其对应的之间相关性进行评价,得到M个训练相关性指标Corr1′,Corr2′,…,Corrm′,…,CorrM′;
(4c)设置训练单调性度量指标阈值Mont′和相关性指标阈值Corrt′,并将C个中Monc′小于Mont′的那一类训练集成特征从Ftrain中删除,再将M个F′m(i)中Corrm′小于Corrt′的F′m(i)从Ftrain中删除,然后将Ftrain中剩余的Q个训练集成特征样本构成训练原始特征集选取Ftest中与Ftrain中剩余的Q个训练集成特征维度相同的Q个测试集成特征构成测试原始特征集其中,第q个训练原始特征为Fq(i),第q个测试原始特征为Fq(j),Q≤M;
(5)构建线性可靠度指标曲线RL:
(5a)基于单调性度量指标Mon对Ftrain(o)进行评价,并将评价结果中单调性指标值最大的训练原始特征作为Ftrain(o)的训练原始最优特征F′O(i),F′O(i)的时间域和值域分别为训练真实时间域T′R(i)和训练值域D′O(i),F′O(i)的每个特征点对应的训练真实时间为t′r(i);同时,将测试原始特征集Ftest(o)中与F′O(i)特征维度相等的测试原始特征作为测试原始最优特征F″O(j),F″O(j)的时间域为测试真实时间域T″R(j),F″O(j)的每个特征点对应的测试真实时间为t″r(j);
(5b)基于训练原始最优特征F′O(i)构建值域DR=D′O(i),时间域为映射时间域TM=2T′R(i)的线性可靠度指标曲线RL,RL起点为F′O(i)的第一个特征点F′O(1),终点为值域DR最大值和时间域TM最大值的交点;
(6)构建训练平移特征F′P(i)与测试平移特征F″P(j):
将每个训练原始最优特征F′O(i)的特征点和每个测试原始最优特征F″O(j)的特征点分别平移到线性可靠度指标曲线RL上,得到训练平移特征F′P(i)和测试平移特征F″P(j),F′P(i)的特征值与其所对应的F′O(i)的特征值相等,F′P(i)对应的时间为训练平移时间t′m(i),F″P(j)的特征值与其所对应的F′O(j)的特征值相等,F″P(j)对应的时间为测试平移时间t″m(j),t′m(i)和t″m(j)在映射时间域TM上为非均匀分布;
(7)获取测试平移时间t″m(j)与测试真实时间t″r(j)转换关系:
利用曲线拟合方法对映射时间域TM上的测试平移时间t″m(j)与测试真实时间域T″R(j)上的测试真实时间t″r(j)进行拟合,得到转换关系t″r(j)=f(t″m(j));
(8)构建训练映射特征集Strain与测试映射特征集Stest:
(8a)在映射时间域TM上等时间间隔取与训练真实时间t′r(i)数量相等的训练插值时间t′p(i),t′p(i)在线性可靠度指标曲线RL上对应的特征为训练插值特征F′C(i),并利用每个训练插值时间t′p(i)处于相邻两个训练平移时间t′m(i)之间的距离计算训练插值特征值;计算训练原始特征集Ftrain(o)中Q个特征对应的Q个各包含I个样本的训练插值特征,组成训练映射特征集
(8b)在映射时间域TM上等时间间隔取与测试真实时间t″r(j)数量相等的测试插值时间t″p(j),t″p(j)在线性可靠度指标曲线RL上对应的特征为测试插值特征F″C(j),并利用每个测试插值时间t″p(j)处于相邻两个测试平移时间t″m(j)之间的距离计算测试插值特征值;计算测试原始特征集Ftest(o)中的Q个特征对应的Q个各包含J个样本的测试插值特征,组成测试映射特征集
(9)对待预测滚动轴承的可靠性进行评估:
(9a)以堆栈式自编码器模型AR作为可靠性评估模型,并将训练映射特征集Strain作为AR的输入,使用状态参量法构建性能退化样本标签y′(i),以均方根误差作为重构损失进行监督训练,更新可靠性评估模型AR的权重和偏置,得到训练后的可靠度评估模型AR′;
(9b)将测试映射特征集Stest作为AR′的输入进行前向传播,得到测试可靠度标签y″(j),并将y″(j)作为测试可靠度指标;
(10)获取待预测滚动轴承的剩余使用寿命预测结果:
(10a)以T个服从高斯分布的粒子为一个粒子空间模拟待预测轴承的一个样本的可靠度分布状态,并基于测试可靠度标签y″(j),计算粒子滤波算法的状态转移方程的参数,对于前J个有测试可靠度标签y″(j)的粒子空间,逐个进行权重评价和重采样来更新粒子空间中的粒子,在第J个粒子空间更新后开始预测,将第J个粒子空间中的T个粒子带入参数计算后的状态转移方程,输出第J+1个粒子空间的T个粒子作为预测待预测轴承第J+1个样本的可靠度分布状态,利用J+1个粒子空间的T个粒子计算预测可靠度,并利用预测可靠度计算映射时间域TM上的剩余寿命RULM;
(10b)利用(7)中所获得的真实时间与映射时间之间的函数转换关系t″r(j)=f(t″m(j)),将映射时间域TM上的剩余寿命RULM转换为测试真实时间域T″R(j)上的剩余寿命RULR,并将RULR作为待预测滚动轴承的剩余使用寿命预测结果。
本发明与现有技术相比,具有如下优点:
本发明在特征提取和选择阶段,采用多个堆栈式自编码模型提取训练样本的多个性能退化状态特征,并通过聚类方法、特征评价和阈值的设定筛选出目标相关性强、更具代表性、蕴含更多退化信息的特征作为原始特征集,以原始最优特征为基础构建线性可靠度指标曲线,并利用特征平移和特征插值等技术手段实现原始特征集转换为映射特征集,并通过映射特征集和深度自编码器模型获取可靠度标签作为可靠度指标,可靠度指标与真实剩余使用寿命的相关程度较高,对真实剩余使用寿命表征性能较强;现有技术相比,有效地提高了滚动轴承剩余使用寿命的预测精度。
附图说明
图1为本发明的实现流程图;
图2为本发明退化数据库滚动轴承和待预测滚动轴承的振动时域信号波形示意图;
图3为本发明构建平移特征过程示意图;
图4为本发明构建插值特征过程示意图;
图5为本发明实施的退化数据库滚动轴承和待预测滚动轴承的可靠度评估结果示意图;
图6为本发明实施的待预测滚动轴承剩余寿命预测结果示意图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的详细描述:
参照图1,本发明包括如下步骤:
步骤1)获取训练样本集Xtrain和测试样本集Xtest:
本实施例使用的振动时域信号均来自轴承加速寿命试验台PRONOSTIA采集的轴承振动时域信号。该平台由主要由速度传感器、温度传感器、异步电机、压力传感器和NIDAQ数据采集卡。其中,在轴承的水平位置和垂直位置分别安装两个加速度计传感器,监测轴承的振动。加速度计的采样频率为每10秒25.6kHz,采样持续时间为0.1秒。有三个不同的工况条件:第一个(转速1800rpm,载荷4000N),第二个(转速1650rpm,载荷4200N),第三个(转速1500rpm,载荷5000N)。
参照图2,本发明实施例滚动轴承一种工况2个轴承的振动时域信号波形,其中图2(a)表示工况1下的1号滚动轴承的完整退化过程,横轴表示采样次数最大值为2803,纵轴表示振动幅值,幅值范围为[-50g,50g],因此,该训练样本共2803个,数据维度为2560,模数转换后的数据维度为1280的振动频域信号组成训练样本集Xtrain,图2(b)表示工况1下的3号待预测滚动轴承从运行至失效共采集2375次振动信号中前1800次振动信号,横轴表示采样次数最大值为2375,纵轴表示振动幅值,幅值范围为[-50g,50g],该测试样本共1800个,数据维度为2560,模数转换后的数据维度为1280的振动频域信号组成测试样本集Xtest,其中,I=2803≥400,L=1280≥500,xl(i)表示第i个训练样本中第l个维度为1280的样本点,xl(j)表示第j个测试样本的第l个维度为1280的样本点,J=1800≥300;
步骤2)构建N个堆栈式自编码器模型:
本实施例构建10个各包含K个自编码器的堆栈式自编码器模型A={A1,A2,A3,…,An,…,AN},An表示第n个堆栈式自编码器模型,表示第k个包括输入层、隐含层和输出层的自编码器,的输出层的节点数与输入层的节点数相等,隐含层的隐藏表示为 的隐含层的节点数为50,其中,N≥2,K=2,3,4;每个堆栈式自编码器的网络结构如表1所示:
表1. 10个堆栈式自编码器模型的网络结构
堆栈式自编码器编号 | K | 网络结构 |
1 | 4 | 1280-600-250-125-50 |
2 | 4 | 1280-800-350-110-50 |
3 | 4 | 1280-710-400-180-50 |
4 | 4 | 1280-550-180-50 |
5 | 4 | 1280-450-200-50 |
6 | 3 | 1280-700-280-50 |
7 | 3 | 1280-600-250-50 |
8 | 2 | 1280-350-50 |
9 | 2 | 1280-410-50 |
10 | 2 | 1280-200-50 |
步骤3)对10个堆栈式自编码器模型进行迭代训练:
步骤3a)令n=1,k=1;
步骤3b)将训练样本集Xtrain和测试样本集Xtest分别作为第n个堆栈式自编码器模型An中第k个自编码器的输入进行前向传播,包括编码和解码,编码时,利用映射函数sf,并通过编码权重W和偏置b将Xtrain从输入层映射到隐含层,得到编码后的隐含表示解码时,利用映射函数sf,并通过解码权重W′和偏置b′将隐含表示从隐含层映射到输出层,得到解码后的目标输出值Xtrain′和Xtest′,并以Xtrain′与Xtrain的重构损失,以及Xtest′与Xtest的重构损失,对An的编码权重W、编码偏置b、解码权重W′、解码偏置b′进行更新,得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
步骤3c)将训练后的训练自编码器的训练隐含表示和测试自编码器的测试隐含表示分别作为第n个堆栈式自编码器模型An中第k+1个自编码器的输入进行前向传播,并按照步骤(3b)的方法对自编码器进行训练,得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
步骤3e)判断n=10是否成立,若是,得到10个训练后的训练堆栈式自编码器模型A′={A1′,A2′,…,An′,…,AN′},以及测试堆栈式自编码器模型A″={A1″,A2″,…,An″,…,AN″},并将10个的作为Xtrain的性能退化特征,构成训练集成特征集同时将10个的作为从Xtest中提取到的性能退化特征,构成测试集成特征集其中,M=500=N×h,F′m(i)表示第m个训练集成特征,F″m(j)表示第m个测试集成特征,M=500≤L=1280,否则,令n=n+1,k=1,并执行步骤(3b);
步骤4)获取训练原始特征集Ftrain(o)和测试原始特征集Ftest(o):
步骤4a)基于Ftrain设置8个训练聚类中心并基于单调性度量指标Mon对每个进行单调性评价,得到8个的训练单调性性能评价指标值Mon1′,Mon2′,…,Monc′,…,Mon8′,其中,C=8≥4;
步骤4b)计算F′m(i)与的距离,并将F′m(i)划归到F′m(i)与的C个距离中最小的一类,基于相关性度量指标Corr对F′m(i)及其对应的之间相关性进行评价,得到500个训练相关性指标Corr1′,Corr2′,…,Corrm′,…,Corr′500;
c(c)=arg min||F′m(i)-μc||2
步骤4c)设置训练单调性度量指标阈值Mont′和相关性指标阈值Corrt′,并将8个中Monc′小于Mont′的那一类训练集成特征从Ftrain中删除,再将500个F′m(i)中Corrm′小于Corrt′的F′m(i)从Ftrain中删除,然后将Ftrain中剩余的235个训练集成特征样本构成训练原始特征集选取Ftest中与Ftrain中剩余的Q个训练集成特征维度相同的Q个测试集成特征构成测试原始特征集其中,第q个训练原始特征为Fq(i),第q个测试原始特征为Fq(j),Q=235≤M=500;
步骤5)构建线性可靠度指标曲线RL:
步骤5a)基于单调性度量指标Mon对Ftrain(o)进行评价,并将评价结果中单调性指标值最大的训练原始特征作为Ftrain(o)的训练原始最优特征F′O(i),F′O(i)的时间域和值域分别为训练真实时间域T′R(i)和训练值域D′O(i),F′O(i)的每个特征点对应的训练真实时间为t′r(i);同时,将测试原始特征集Ftest(o)中与F′O(i)特征维度相等的测试原始特征作为测试原始最优特征F″O(j),F″O(j)的时间域为测试真实时间域T″R(j),F″O(j)的每个特征点对应的测试真实时间为t″r(j);
步骤5b)基于训练原始最优特征F′O(i)构建值域DR=D′O(i),时间域为映射时间域TM=2T′R(i)的线性可靠度指标曲线RL,RL起点为F′O(i)的第一个特征点F′O(1),终点为值域DR最大值和映射时间域TM最大值的交点;
步骤6)构建训练平移特征F′P(i)与测试平移特征F″P(j):
参照图3,本发明实施例构建训练平移特征的过程,首先以真实时间域和训练原始特征值域构建第一个坐标系,然后与第一个坐标系共用原点,平移特征值域设置为与原始特征值域相等,以映射时间域和平移特征值域构建第二个坐标系,再将每个训练原始最优特征F′O(i)的特征点和每个测试原始最优特征F″O(j)的特征点分别按照特征值相等平移到线性可靠度指标曲线RL上,得到训练平移特征F′P(i)和测试平移特征F″P(j),F′P(i)的特征值与其所对应的F′O(i)的特征值相等,F′P(i)对应的时间为训练平移时间t′m(i),F″P(j)的特征值与其所对应的F′O(j)的特征值相等,F″P(j)对应的时间为测试平移时间t″m(j),t′m(i)和t″m(j)在映射时间域TM上为非均匀分布;
步骤7)获取测试平移时间t″m(j)与测试真实时间t″r(j)转换关系:
利用曲线拟合方法对映射时间域TM上的测试平移时间t″m(j)与测试真实时间域T″R(j)上的测试真实时间t″r(j)进行拟合,得到转换关系t″r(j)=f(t″m(j));
步骤8)构建训练映射特征集Strain与测试映射特征集Stest:
步骤8a)参照图4,本发明实施例构建训练插值特征的过程,首先与第二个坐标系共用原点,插值特征值域设置为与平移特征值域相等,以映射时间域和插值特征值域构建第三个坐标系,再在映射时间域TM上等时间间隔取与训练真实时间t′r(i)数量相等的训练插值时间t′p(i),t′p(i)在线性可靠度指标曲线RL上对应的特征为训练插值特征F′C(i),并利用每个训练插值时间t′p(i)处于相邻两个训练平移时间t′m(i)之间的距离计算训练插值特征值;计算训练原始特征集Ftrain(o)中235个特征对应的235个各包含I个样本的训练插值特征,组成训练映射特征集
其中,F′q(i)是训练原始特征,t′p(i)是训练插值时间,t′m(i)是训练映射时间。
(8b)在映射时间域TM上等时间间隔取与测试真实时间t″r(j)数量相等的测试插值时间t″p(j),t″p(j)在线性可靠度指标曲线RL上对应的特征为测试插值特征F″C(j),并利用每个测试插值时间t″p(j)处于相邻两个测试平移时间t″m(j)之间的距离计算测试插值特征值;计算测试原始特征集Ftest(o)中的235个特征对应的235个各包含J个样本的测试插值特征,组成测试映射特征集
步骤9)对待预测滚动轴承的可靠性进行评估:
步骤9a)以堆栈式自编码器模型AR作为可靠性评估模型,并将训练映射特征集Strain作为AR的输入,使用状态参量法构建性能退化样本标签y′(i),以均方根误差作为重构损失进行监督训练,更新可靠性评估模型AR的权重和偏置,得到训练后的可靠度评估模型AR′,参照图5(a),该图横轴刻度表示训练插值时间t′p(i),纵轴表示可靠度指标值,图中浅色曲线为训练样本所在轴承的可靠度评估结果,深色为平滑后的训练样本所在轴承的可靠度评估结果;
步骤9b)将测试映射特征集Stest作为AR′的输入进行前向传播,得到测试可靠度标签y″(j),并将y″(j)作为测试可靠度指标,参照图5(b),该图横轴表示测试插值时间t″p(j),纵轴表示可靠度指标值,图中浅色曲线为待预测轴承的可靠度评估结果,深色为平滑后的待预测轴承的可靠度评估结果;
步骤10)获取待预测滚动轴承的剩余使用寿命预测结果:
步骤10a)以2000个服从高斯分布的粒子为一个粒子空间模拟待预测轴承的一个样本的可靠度分布状态,并基于测试可靠度标签y″(j),计算粒子滤波算法的状态转移方程的参数,对于前1800个有测试可靠度标签y″(j)的粒子空间,逐个进行权重评价和重采样来更新粒子空间中的粒子,在第1800个粒子空间更新后开始预测,将第1800个粒子空间中的2000个粒子带入参数计算后的状态转移方程,输出第1801个粒子空间的2000个粒子作为预测待预测轴承第1801个样本的可靠度分布状态,利用1801个粒子空间的2000个粒子计算预测可靠度,并利用预测可靠度计算映射时间域TM上的剩余寿命RULM,参照图6,该图横轴表示测试插值时间,纵轴表示可靠度指标值,深色曲线表示测试可靠度标签,浅色曲线表示预测可靠度,深色区域表示测试可靠度标签的95%置信区间的粒子空间,浅色区域表示预测可靠度的95%置信区间的粒子空间,图中右上角小图表示待预测轴承在映射时间域在95%置信区间的粒子空间的剩余寿命预测结果;
步骤10b)利用(7)中所获得的真实时间与映射时间之间的函数转换关系t″r(j)=f(t″m(j)),将映射时间域TM上的剩余寿命RULM转换为测试真实时间域T″R(j)上的剩余寿命RULR,并将RULR作为待预测滚动轴承的剩余使用寿命预测结果。
以下结合具体实验,对本发明的技术效果作详细说明。
1.实验条件和内容:
在中央处理器为Intel(R)Core(TM)i5-7500 3.40GHZ、内存16G、WINDOWS 7操作***上,运用MATLAB R2017b软件对滚动轴承智能故障诊断结果进行仿真。
2.实验结果分析:
本发明应用预测误差Eri对模型的预测性能进行评测,Acc的表达式为:
式中,ActRULi表示待预测轴承的真实剩余使用寿命,RUL表示待预测轴承的剩余使用寿命预测结果。
采用一组对比实验验证本发明的性能,具体的对比实验为:
将本发明与循环神经网络构建的健康指标进行比较,对比结果见表2:
表2
深度学习方法 | 预测误差 |
循环神经网络 | 43.28% |
本发明 | 3.14% |
根据表2可以看出,本发明中提出的预测误差为3.14%。与其他深度学习方法相比,其预测精度有显著提高。
综上所述,本发明能够筛选出与诊断目标相关性强、更具代表性的退化特征,提高了滚动轴承剩余寿命预测的精度。
Claims (6)
1.一种基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法,其特征在于包括如下步骤:
(1)获取训练样本集Xtrain和测试样本集Xtest:
对从滚动轴承性能退化数据库中选取的滚动轴承的I个维度为2L的完整退化行为的振动时域信号进行模数转换,并将转换后的I个维度为L的振动频域信号组成训练样本集Xtrain,同时对通过数据采集***实时采集的待预测滚动轴承的完整性能退化过程的前J个维度为2L的振动时域信号进行模数转换,并将转换后的J个维度为L的振动频域信号组成测试样本集Xtest,其中,I≥400,L≥500,x′l(i)表示维度为l的第i个训练样本点,J≥300,x″l(j)表示维度为l的第j个测试样本点;
(2)构建N个堆栈式自编码器模型:
构建N个各包含K个自编码器的堆栈式自编码器模型A={A1,A2,…,An,…,AN},其中,N≥2,K≥2,An表示第n个堆栈式自编码器模型, 表示第k个包括输入层、隐含层和输出层的自编码器,的输出层的节点数与输入层的节点数相等,隐含层的隐藏表示为 的隐含层的节点数为h;
(3)对N个堆栈式自编码器模型进行迭代训练:
(3a)令n=1,k=1;
(3b)将训练样本集Xtrain和测试样本集Xtest分别作为第n个堆栈式自编码器模型An中第k个自编码器的输入进行前向传播,得到目标输出值Xtrain′和Xtest′,并以Xtrain′与Xtrain的重构损失,以及Xtest′与Xtest的重构损失,对An的编码权重W、编码偏置b、解码权重W′、解码偏置b′进行更新,得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
(3c)将训练后的训练自编码器的训练隐含表示和测试自编码器的测试隐含表示分别作为第n个堆栈式自编码器模型An中第k+1个自编码器的输入进行前向传播,并按照步骤(3b)的方法对自编码器进行训练,得到训练后的训练隐含表示为的训练自编码器和测试隐含表示为的测试自编码器
(3e)判断n=N是否成立,若是,得到N个训练后的训练堆栈式自编码器模型A′={A1′,A2′,…,An′,…,AN′},以及测试堆栈式自编码器模型A″={A1″,A2″,…,An″,…,AN″},并将N个的作为Xtrain的性能退化特征,构成训练集成特征集同时将N个的作为从Xtest中提取到的性能退化特征,构成测试集成特征集其中,M=N×h,F′m(i)表示第m个训练集成特征,F″m(j)表示第m个测试集成特征,M≤L,否则,令n=n+1,k=1,并执行步骤(3b);
(4)获取训练原始特征集Ftrain(o)和测试原始特征集Ftest(o):
(4b)计算F′m(i)与的距离,并将F′m(i)划归到F′m(i)与的C个距离中最小的一类,基于相关性度量指标Corr对F′m(i)及其对应的之间相关性进行评价,得到M个训练相关性指标Corr1′,Corr2′,…,Corrm′,…,CorrM′;
(4c)设置训练单调性度量指标阈值Mont′和相关性指标阈值Corrt′,并将C个中Monc′小于Mont′的那一类训练集成特征从Ftrain中删除,再将M个F′m(i)中Corrm′小于Corrt′的F′m(i)从Ftrain中删除,然后将Ftrain中剩余的Q个训练集成特征样本构成训练原始特征集选取Ftest中与Ftrain中剩余的Q个训练集成特征维度相同的Q个测试集成特征构成测试原始特征集其中,第q个训练原始特征为Fq(i),第q个测试原始特征为Fq(j),Q≤M;
(5)构建线性可靠度指标曲线RL:
(5a)基于单调性度量指标Mon对Ftrain(o)进行评价,并将评价结果中单调性指标值最大的训练原始特征作为Ftrain(o)的训练原始最优特征F′O(i),F′O(i)的时间域和值域分别为训练真实时间域T′R(i)和训练值域D′O(i),F′O(i)的每个特征点对应的训练真实时间为t′r(i);同时,将测试原始特征集Ftest(o)中与F′O(i)特征维度相等的测试原始特征作为测试原始最优特征F″O(j),F″O(j)的时间域为测试真实时间域T″R(j),F″O(j)的每个特征点对应的测试真实时间为t″r(j);
(5b)基于训练原始最优特征F′O(i)构建值域DR=D′O(i),时间域为映射时间域TM=2T′R(i)的线性可靠度指标曲线RL,RL起点为F′O(i)的第一个特征点F′O(1),终点为值域DR最大值和时间域TM最大值的交点;
(6)构建训练平移特征F′P(i)与测试平移特征F″P(j):
将每个训练原始最优特征F′O(i)的特征点和每个测试原始最优特征F″O(j)的特征点分别平移到线性可靠度指标曲线RL上,得到训练平移特征F′P(i)和测试平移特征F″P(j),F′P(i)的特征值与其所对应的F′O(i)的特征值相等,F′P(i)对应的时间为训练平移时间t′m(i),F″P(j)的特征值与其所对应的F′O(j)的特征值相等,F″P(j)对应的时间为测试平移时间t″m(j),t′m(i)和t″m(j)在映射时间域TM上为非均匀分布;
(7)获取测试平移时间t″m(j)与测试真实时间t″r(j)转换关系:
利用曲线拟合方法对映射时间域TM上的测试平移时间t″m(j)与测试真实时间域T″R(j)上的测试真实时间t″r(j)进行拟合,得到转换关系t″r(j)=f(t″m(j));
(8)构建训练映射特征集Strain与测试映射特征集Stest:
(8a)在映射时间域TM上等时间间隔取与训练真实时间t′r(i)数量相等的训练插值时间t′p(i),t′p(i)在线性可靠度指标曲线RL上对应的特征为训练插值特征F′C(i),并利用每个训练插值时间t′p(i)处于相邻两个训练平移时间t′m(i)之间的距离计算训练插值特征值;计算训练原始特征集Ftrain(o)中Q个特征对应的Q个各包含I个样本的训练插值特征,组成训练映射特征集
(8b)在映射时间域TM上等时间间隔取与测试真实时间t″r(j)数量相等的测试插值时间t″p(j),t″p(j)在线性可靠度指标曲线RL上对应的特征为测试插值特征F″C(j),并利用每个测试插值时间t″p(j)处于相邻两个测试平移时间t″m(j)之间的距离计算测试插值特征值;计算测试原始特征集Ftest(o)中的Q个特征对应的Q个各包含J个样本的测试插值特征,组成测试映射特征集
(9)对待预测滚动轴承的可靠性进行评估:
(9a)以堆栈式自编码器模型AR作为可靠性评估模型,并将训练映射特征集Strain作为AR的输入,使用状态参量法构建性能退化样本标签y′(i),以均方根误差作为重构损失进行监督训练,更新可靠性评估模型AR的权重和偏置,得到训练后的可靠度评估模型AR′;
(9b)将测试映射特征集Stest作为AR′的输入进行前向传播,得到测试可靠度标签y″(j),并将y″(j)作为测试可靠度指标;
(10)获取待预测滚动轴承的剩余使用寿命预测结果:
(10a)以T个服从高斯分布的粒子为一个粒子空间模拟待预测轴承的一个样本的可靠度分布状态,并基于测试可靠度标签y″(j),计算粒子滤波算法的状态转移方程的参数,对于前J个有测试可靠度标签y″(j)的粒子空间,逐个进行权重评价和重采样来更新粒子空间中的粒子,在第J个粒子空间更新后开始预测,将第J个粒子空间中的T个粒子带入参数计算后的状态转移方程,输出第J+1个粒子空间的T个粒子作为预测待预测轴承第J+1个样本的可靠度分布状态,利用J+1个粒子空间的T个粒子计算预测可靠度,并利用预测可靠度计算映射时间域TM上的剩余寿命RULM;
(10b)利用(7)中所获得的真实时间与映射时间之间的函数转换关系t″r(j)=f(t″m(j)),将映射时间域TM上的剩余寿命RULM转换为测试真实时间域T″R(j)上的剩余寿命RULR,并将RULR作为待预测滚动轴承的剩余使用寿命预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933425.3A CN112069621B (zh) | 2020-09-08 | 2020-09-08 | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010933425.3A CN112069621B (zh) | 2020-09-08 | 2020-09-08 | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069621A CN112069621A (zh) | 2020-12-11 |
CN112069621B true CN112069621B (zh) | 2022-09-06 |
Family
ID=73664205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010933425.3A Active CN112069621B (zh) | 2020-09-08 | 2020-09-08 | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069621B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116625688A (zh) * | 2023-05-24 | 2023-08-22 | 石家庄铁道大学 | 基于多层降噪和自编码器的滚动轴承健康监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108398268B (zh) * | 2018-03-15 | 2020-06-09 | 哈尔滨工业大学 | 一种轴承性能退化评估方法 |
CN108710771B (zh) * | 2018-05-31 | 2019-11-01 | 西安电子科技大学 | 基于深度特征集成提取的机械装备服役可靠性评估方法 |
CN110110768B (zh) * | 2019-04-24 | 2021-02-26 | 西安电子科技大学 | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 |
-
2020
- 2020-09-08 CN CN202010933425.3A patent/CN112069621B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112069621A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN111122162A (zh) | 基于欧氏距离多尺度模糊样本熵的工业***故障检测方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及*** | |
CN110991471A (zh) | 一种高速列车牵引***故障诊断方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和*** | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
CN111898664B (zh) | 一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法 | |
CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 | |
CN118010103B (zh) | 高寒环境下等厚度水泥土搅拌墙智能监测方法及*** | |
CN116451161A (zh) | 大坝变形监测数据异常值自适应识别方法 |
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 |