CN114720129B - 一种基于双向gru的滚动轴承剩余寿命预测方法及*** - Google Patents

一种基于双向gru的滚动轴承剩余寿命预测方法及*** Download PDF

Info

Publication number
CN114720129B
CN114720129B CN202210300479.5A CN202210300479A CN114720129B CN 114720129 B CN114720129 B CN 114720129B CN 202210300479 A CN202210300479 A CN 202210300479A CN 114720129 B CN114720129 B CN 114720129B
Authority
CN
China
Prior art keywords
rolling bearing
degradation
degradation index
model
training
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
Application number
CN202210300479.5A
Other languages
English (en)
Other versions
CN114720129A (zh
Inventor
张法业
闫星宇
姜明顺
隋青美
张雷
贾磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202210300479.5A priority Critical patent/CN114720129B/zh
Publication of CN114720129A publication Critical patent/CN114720129A/zh
Application granted granted Critical
Publication of CN114720129B publication Critical patent/CN114720129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于双向GRU的滚动轴承剩余寿命预测方法及***，获取滚动轴承的振动信号；根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；根据退化指标估计值和预设第二BiGRU模型，得到剩余使用寿命预测值；根据得到的退化指标预测值和剩余使用寿命预测值进行滚动轴承的状态评估；本发明从轴承原始状态信号中自动提取退化趋势，并有效捕捉时间序列信号之间隐藏的长期相关性，实现了轴承剩余寿命准确预测。

Description

一种基于双向GRU的滚动轴承剩余寿命预测方法及***
技术领域
本发明涉及滚动轴承状态评估技术领域，特别涉及一种基于双向GRU的滚动轴承剩余寿命预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
随着智能传感、无线通信和计算机技术的快速发展，决策(DM)正朝着智能、鲁棒和自适应的方向发展。剩余使用寿命(RUL)预测作为决策中最关键的技术之一，可以***故障时间，便于维修工程师进行定性风险分析，制定相应的维修策略，从而避免灾难性情况，更好地保证机械设备的可靠性和安全性。
滚动轴承是机械设备中最常见但最重要的部件之一，其健康状况将直接影响机械设备的安全性、可靠性和可用性。目前，滚动轴承RUL预测方法主要分为基于模型的方法、数据驱动的方法两类。其中，基于模型的方法通过建立物理模型来推断健康状态的未来趋势，需要大量关于研究对象的先验知识和经验，导致其泛化能力差。而数据驱动的方法主要通过对历史数据进行建模进行健康预测，无需研究对象的数学模型或专家经验。因此，近年来，数据驱动的方法被广泛应用于剩余寿命预测。
退化趋势时间相关性获取和健康预测是数据驱动的剩余寿命预测方法的关键步骤，目前主流方法是在构建退化指标的基础上，结合支持向量回归机、人工神经网络及深度神经网络等模型进行剩余寿命预测。然而，基于人工提取特征的退化指标构建方法严重依赖经验知识，且目前大部分研究的剩余寿命预测模型仅能在单一时间方向(即向前或向后)捕获数据的时间相关性，剩余寿命预测准确率有待提升。
发明内容
为了解决现有技术的不足，本发明提供了一种基于双向GRU的滚动轴承剩余寿命预测方法及***，从轴承原始状态信号中自动提取退化趋势，并有效捕捉时间序列信号之间隐藏的长期相关性，实现了轴承剩余寿命准确预测。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于双向GRU的滚动轴承剩余寿命预测方法。
一种基于双向GRU的滚动轴承剩余寿命预测方法，包括以下过程：
获取滚动轴承的振动信号；
根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；
根据退化指标的单调性、趋势性、鲁棒性对剩余寿命预测结果影响，赋予评价指标不同权值，得到融合趋势性、单调性和鲁棒性的退化指标评价值。
根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；
根据退化指标估计值和预设第二BiGRU模型，得到剩余使用寿命预测值；
作为可选的实施方式，预设卷积神经网络模型的训练中，采用的退化指标获取方式为：
基于AVMD-KPCA的退化指标提取方法，对轴承信号进行自适应分解，得到K个窄带固有模态分量信号并计算其固有能量，通过KPCA核主成分分析算法将得到的窄带固有模态分量信号的固有能量转化为退化指标。
作为可选的实施方式，将K个窄带固有模态分量信号的固有能量利用KPCA 进行降维压缩，KPCA的核函数为高斯核函数。
作为可选的实施方式，以KPCA提取的第一主成分为退化指标估计值。
作为可选的实施方式，卷积神经网络的训练中，包括：
滚动轴承的原始振动信号X∈Rp×q用作训练卷积神经网络模型的输入，输入矩阵由维数为a1×b1的M个卷积核卷积而成，利用ReLU激活函数，卷积层的维数为(p-a1+1)×(q-b1+1)，卷积层的输出特征映射在池化层中进行二次抽样。
作为可选的实施方式，通过滑动时间窗口将训练数据转换为多个训练样本向量。
作为可选的实施方式，利用网格搜索方法对第一BiGRU模型和第二BiGRU 模型的隐藏层的数量和每个隐藏层中的单元进行优化。
本发明第二方面提供了一种基于双向GRU的滚动轴承剩余寿命预测***。
一种基于双向GRU的滚动轴承剩余寿命预测***，包括：
数据获取模块，被配置为：获取滚动轴承的振动信号；
退化指标估计模块，被配置为：根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；
状态评估模块，被配置为：根据退化指标的单调性、趋势性、鲁棒性对剩余寿命预测结果影响，得到融合趋势性、单调性和鲁棒性的退化指标评价值。
退化指标预测模块，被配置为：根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；
剩余使用寿命预测模块，被配置为：根据退化指标估计值和预设第二BiGRU 模型，得到剩余使用寿命预测值；
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于双向GRU的滚动轴承剩余寿命预测方法中的步骤。
本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于双向GRU的滚动轴承剩余寿命预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的基于双向GRU的滚动轴承剩余寿命预测方法及***，根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；根据退化指标估计值和预设第二BiGRU模型，得到剩余使用寿命预测值；实现了滚动轴承退化指标的更准确估计和剩余使用寿命的更精准预测。
2、本发明所述的基于双向GRU的滚动轴承剩余寿命预测方法及***，预设卷积神经网络模型的训练中，首先用基于AVMD-KPCA的退化指标提取方法，对轴承信号进行自适应分解，得到K个窄带固有模态分量信号并计算其固有能量，通过KPCA核主成分分析算法将得到的窄带固有模态分量信号的固有能量转化为退化指标。然后用轴承振动数据作为卷积神经网路模型的输入，退化指标作为目标输出，得到用于在线提取退化指标的卷积神经网络模型。克服了退化指标获取的主观性，提高了退化指标预测的精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于双向GRU的滚动轴承剩余寿命预测方法的原理结构图。
图2为本发明实施例1提供的基于CNN的DI估计方法的框架示意图。
图3为本发明实施例1提供的滑动时间窗处理示意图。
图4为本发明实施例1提供的BiGRU模型结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
本发明实施例1提供了一种基于双向GRU的滚动轴承剩余寿命预测方法，首先，通过自适应噪声和动态主成分分析(AVMD-KPCA)的完全集成经验模态分解，提取用于训练轴承的新非线性DI，更符合轴承退化的真实规律来描述退化过程；然后，通过学习和捕捉原始振动信号与训练滚动轴承DI的映射关系，构建了一个用于DI估计的CNN模型，其代表性特征是用CNN模型从原始振动信号中自动提取的，无需手动提取和选择特征；由于其泛化性和鲁棒性，该模型可以在不改变模型超参数的情况下转移到具有相似运行条件的其他轴承上；一旦估计了DI，就建立BiGRU模型来进行寿命预测，包括未来的DI和RUL预测。
具体的，包括以下过程：
S1：数据采集。由多通道在线检测分析***DH5972N在旋转机械故障模拟平台HFZZ-II上采集获得。
S2：DI提取。采用AVMD-KPCA从采集的振动信号中提取DI；
S3：DI估计。建立CNN模型，捕捉隐藏在原始振动信号中的代表性特征，自动估计在线滚动轴承的DI；
S4：DI预测，构建了BiGRU模型，将在线滚动轴承的估计DI送入训练好的 DI预测模型中，进行未来DI预测。
S5：寿命预测，构建了BiGRU模型，将在线滚动轴承的估计DI送入训练好的寿命预测模型中，进行RUL预测。
S1中，数据集从模拟平台获取，该测试平台由一系列组件组成，这些组件在不同的工作条件下产生从运行到故障的振动信号。液压加载机产生的径向力被施加在被测轴承上，以模拟不同的工作条件。轴速度由电机速度控制器控制。两个加速度计分别用于采集水平和垂直方向采样频率为20kHz的振动信号。采样周期设置为1分钟，每次采样1秒钟。本文只采用水平振动信号，因为它含有更多对滚动轴承健康退化有用的信息。数据集包括5个SDK6205轴承，这些轴承在三种运行条件下进行了测试。对于每种情况，前三个滚动轴承用作训练轴承，其余的用作测试轴承。
S2中，采用基于AVMD-KPCA的DI提取方法，对轴承信号进行自适应分解，得到K个窄带固有模态分量信号，通过KPCA核主成分分析算法将其转化为退化指标DI。
VMD具体步骤详细说明如下：
首先，对每个模态信号uk(t)，通过希尔伯特变换获得其解析信号，并计算其单侧频谱：
Figure SMS_1
其次，为每个解析信号估算一个中心频率
Figure SMS_2
并加入相应的信号中，从而将该信号调制的固定的基频带上，即：
Figure SMS_3
最后，通过求解调制后信号的高斯平滑度，即其梯度的L2范数，估算出信号的频带。变分问题可表示为：
Figure SMS_4
式中，{uk}:＝{u1,u2,…uK}代表信号uk(t)的所有模态，{ωk}:＝{ω1,ω2,…ωK}代表信号的中心频率，K为信号模态总数，
Figure SMS_5
所有信号模态加和。
为将式(3)的带约束变分问题转化成不带约束变分问题，引入二次惩罚因数α和拉格朗日乘子λ；I，式(3)可转化増广拉格朗日表达式：
Figure SMS_6
采用乘法算子交替算法求解以上变分问题，具体算法流程如下：
(1)初始化
Figure SMS_7
λ1,n＝0
(2)对于k＝1:1:K，通过求解下最优化问题，更新uk。
Figure SMS_8
利用Parseval/Plancherel傅里叶等距变换，将上述问题转换到频域：
Figure SMS_9
用ω-ωk代替式(6)中的ω，则上式可转化为：
Figure SMS_10
利用重建保真度项过程中真实信号的Hermitian对称性，可将上式改写为非负频率区间的积分形式，具体如下：
Figure SMS_11
求解此二次优化问题可得：
Figure SMS_12
(3)对于k＝1:1:K，通过求解以下最优化问题，更新ωk：
Figure SMS_13
采用与S2相同的处理方式，将上式所表示的最优化问题转换到频域进行处理，即：
Figure SMS_14
求解上式可得：
Figure SMS_15
(4)对于给定的误差判别量e，若
Figure SMS_16
则终止迭代，否则返回步骤(2)；
(5)每个窄带固有模态分量信号的固有能量E(t)计算为：
Figure SMS_17
并提出了一种新的指标，称为谱互相关度(SPC)，作为选择条件来实现惩罚因子α的自适应选择。SPC可以评估模态混叠的程度，用于量化“重叠”。指标SPC如下方程式：
Figure SMS_18
其中F(·)是特定信号或时间序列的傅里叶变换。
对于每个惩罚因子α，计算每个分解模式的傅里叶变换，然后根据方程(14) 取得其SPC。然后选择最接近SPC平均值的，并选择其对应的惩罚因子α值作为最佳值。
通过以上算法，可将振动信号分解为K个窄带固有模态分量信号并计算其固有能量。然后，将K条由固有能量组成的序列送给KPCA进行降维压缩，采用的核函数为高斯核函数，公式如下：
Figure SMS_19
本文选取KPCA提取的第一主成分作为DI来描述退化过程。
S3中，在卷积层，输入被一组可学习的核卷积，得到新的特征映射，如下所示：
Figure SMS_20
滚动轴承的原始振动信号X∈Rp×q用作训练CNN模型的输入，而DI值被用作目标输出。输入矩阵由维数为a1×b1的M个卷积核卷积而成。
利用ReLU激活函数，得到维数为(p-a1+1)×(q-b1+1)，卷积层的输出特征映射在以下池化层中进行二次抽样。然后是几个卷积层和池化层，从输入的原始振动信号中捕获代表性的特征。然后，完全连接的层作为回归层，生成预测输出(DI标签)。CNN模型训练完成后，将测试轴承的在线振动信号输入训练后的CNN模型。CNN模型直接从原始振动信号中捕捉代表性特征，并可获得估计的DI值。
并根据健康指标的单调性、趋势性、鲁棒性对剩余寿命预测结果影响，赋予评价指标不同权值，建立融合趋势性、单调性和鲁棒性的退化指标评价准则。
Figure SMS_21
式中，ωi，i＝1,2,3为评价指标权值，Y(tk)为退化指标，T(tk)为时间向量， Vcorr(Y(tk),T(tk))为趋势性值，用来表征健康指标的趋势性，Vmon(Y(tk))为单调值，用来表征健康指标的增减变化，Vrob(Y(tk))为鲁棒性值，反应健康指标对异常值的容忍度。
S4中，GRU模型包含2个门结构，重置门和更新门，如下所示：
Figure SMS_22
xt代表输入数据，yt为GRU的输出，ht表示GRU单元的输出，r为重置门，z 为更新门，r和z一起控制如何从前面的隐藏状态ht-1通过计算得到新的隐含状态 ht，σ代表sigmoid激活函数，Wz是更新门权重。
BiGRU模型的最基本单元由一个前向传播的GRU单元和一个后向传播的 GRU单元共同组成。在单向传播的GRU网络中，状态信息总是从前向后输出的。在剩余寿命预测问题中，当前时刻的输出信息可以和前一时刻的状态信息和后一时刻的状态信息都有关联。
BiGRU当前的隐含状态信息由当前的输入xt，t-1时刻向前的隐含状态
Figure SMS_23
和反向的隐含状态的输出/>
Figure SMS_24
三个部分一起决定。
Figure SMS_25
该模型包含两个步骤，即训练步骤和测试步骤。
在训练步骤中，使用DI值来构建训练数据集。为了提高输入数据的信息量和模型的预测精度，训练数据集的构建采用滑动时间窗技术。采用固定长度的时间窗连续采样，时间窗每次滑动一个测量单位，不断获取新的样本，直至生命周期结束。
通过使用滑动时间窗口处理技术，训练数据集可以形成为
Figure SMS_26
Xt＝[dt,dt+1,…,dt+w]是第i个训练样本向量，其中dt表示训练滚动轴承在t 时刻的归一化DI值，w是时间窗口的长度。yt＝dt+w+1是对应的标签。通过输入训练数据，可以通过最小化均方误差(MSE)函数来训练BiGRU，表示为：
Figure SMS_27
其中，yt和
Figure SMS_28
是实际和预测的标签。T表示训练样本的总数。为了训练过程的快速收敛，BiGRU模型配备了Adam优化器，该优化器已被证实在预测问题中是有效的。
在测试步骤中，在线测试滚动轴承的DI值直接输入到BiGRU模型中，可以预测未来的DI。
S5中，为了实现滚动轴承在线检测的RUL预测，建立了另一个BiGRU模型。用于RUL预测的BiGRU模型的结构与用于未来DI预测的BiGRU模型的结构非常相似。
在训练过程中，使用DI值和相应的RUL值构建训练数据集。滑动时间窗口一步一步地滑动以获得输入样本It，其中It＝[dt,dt+1,…dt+l-1]是第t个输入向量，dt 表示t时刻训练滚动轴承的标准化DI值，采用归一化RUL值ot作为BiGRU模型的输出。
最后，用于RUL预测的BiGRU模型的训练集可以表示为
Figure SMS_29
基于网格搜索技术，优化了用于RUL预测的BiGRU模型的超参数，如隐藏层数量和每个隐藏层中的单元。
在测试过程中，将估算的DI值输入到经过训练的BiGRU模型中，并可以预测相应的RUL值。
图1是本发明全流程示意图，将轴承的水平振动信号通过自适应变分模态分解算法(AVMD)和KPCA核主成分分析，将振动信号提取转化为退化指标DI，再训练CNN网络用来提取DI，滚动轴承的原始振动信号X∈Rp×q用作训练CNN模型的输入，而DI值被用作目标输出，排除了提取DI时的人工干扰；最后训练两个BiGRU网络，对DI和RUL进行预测。
图2是CNN神经网络的结构图。构建了一个CNN模型用于测试滚动轴承的 DI估计。由于所提出的CNN模型具有通用性和鲁棒性，因此CNN模型的超参数在三种情况下是相同的。该模型由7层构成，包括两个卷积层和两个最大池化层以及三个全连接层(F1、F2和F3)。训练滚动轴承的原始振动信号用作CNN模型的输入。在每个训练样本中，从每个原始样本中采用32,400个数据点，形成一个大小为180×180的矩阵。训练时，采用MSE函数作为CNN的损失函数。在200 个epoch之后，可以通过Adam优化器获得最优模型参数。
图3是在训练双向GRU时对DI数据的处理。GRU模型输入形式为(batch_size,time_steps,feature_nums)，其中batch_size指模型训练过程中批处理的样本个数，time_steps是时间序列步长，feature_nums是特征维度。为了满足GRU输入要求，对原始多维传感器序列进行时间窗滑动，构造训练样本。时间窗口长度为time window，表示GRU模型时间步长，每次沿着时间方向向前滑动一个时间单位，因此单个训练样本是一个time window长度的一维张量，相邻两样本之间会有重叠。对于训练预测DI的BiGRU，时间窗后一个时刻对应的值作为该样本的标签。对于训练预测RUL的BiGRU，采用归一化RUL值ot作为BiGRU模型的输出。不同窗口大小值的BiGRU的性能不同。当窗口大小为5时，BiGRU可以轴承上实现最佳性能。因此，在这种情况下，BiGRU的窗口大小设置为5。
图4是BiGRU结构图。在通过CNN模型获得估计的DI后，构建BiGRU模型来预测滚动轴承在线测试的未来DI。隐藏层的数量H和每个隐藏层中的单元K是控制BiGRU模型的架构和拓扑的两个超参数，这对模型性能有关键影响。本文利用网格搜索技术对这两个重要的超参数进行了优化。当H和K值不同时，BiGRU 的性能会发生变化。显然，当BiGRU由3个隐藏层和每层100个神经元构成时， BiGRU实现了良好的预测功能。此外，随着H和K值的增加，我们可以看到训练时间的总体上升趋势。这是因为较大的H和K值意味着需要优化BiGRU模型中包含的更多参数。
实施例2：
本发明实施例2提供了一种基于双向GRU的滚动轴承剩余寿命预测***，包括：
数据获取模块，被配置为：获取滚动轴承的振动信号；
退化指标估计模块，被配置为：根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；
退化指标预测模块，被配置为：根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；
剩余使用寿命预测模块，被配置为：根据退化指标估计值和预设第二BiGRU 模型，得到剩余使用寿命预测值；
状态评估模块，被配置为：根据得到的退化指标预测值和剩余使用寿命预测值进行滚动轴承的状态评估。
所述***的工作方法与实施例1提供的基于双向GRU的滚动轴承剩余寿命预测方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于双向GRU的滚动轴承剩余寿命预测方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于双向GRU的滚动轴承剩余寿命预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：
包括以下过程：
获取滚动轴承的振动信号；
根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；预设卷积神经网络模型的训练中，采用的退化指标获取方式为：
基于AVMD-KPCA的退化指标提取方法，对轴承信号进行自适应分解，得到K个窄带固有模态分量信号并计算固有能量，通过KPCA核主成分分析算法将得到的窄带固有模态分量信号的固有能量转化为退化指标，并提出了一种新的指标，称为谱互相关度(SPC)，作为选择条件来实现惩罚因子α的自适应选择，SPC评估模态混叠的程度，用于量化重叠，指标SPC如下方程式：
Figure FDA0004220997950000011
其中F(·)是特定信号或时间序列的傅里叶变换；
对于每个惩罚因子α，计算每个分解模式的傅里叶变换，然后根据上述方程取得其SPC，然后选择最接近SPC平均值的，并选择其对应的惩罚因子α值作为最佳值；
根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；
根据退化指标估计值和预设第二BiGRU模型，得到剩余使用寿命预测值；
具体为：
使用训练轴承原始振动数据和由AVMD+KPCA所构建的退化指标训练CNN网络模型；
将测试轴承振动数据输入至训练好的CNN模型中，得到测试轴承的退化指标；
将得到的退化指标通过窗口大小为5的滑窗处理后，输入至训练好的第一BiGRU网络模型，预测其未来退化指标；
根据得到的退化指标预测值和剩余使用寿命预测值进行滚动轴承的状态评估。
2.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：
将K个窄带固有模态分量信号的固有能量利用KPCA进行降维压缩，KPCA的核函数为高斯核函数。
3.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：
以KPCA提取的第一主成分为退化指标估计值。
4.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：
卷积神经网络的训练中，包括：
滚动轴承的原始振动信号X∈Rp×q用作训练卷积神经网络模型的输入，输入矩阵由维数为a1×b1的M个卷积核卷积而成，利用ReLU激活函数，卷积层的维数为(p-a1+1)×(q-b1+1)，卷积层的输出特征映射在池化层中进行二次抽样。
5.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：
通过滑动时间窗口将训练数据转换为多个训练样本向量。
6.如权利要求1所述的基于双向GRU的滚动轴承剩余寿命预测方法，其特征在于：
利用网格搜索方法对第一BiGRU模型和第二BiGRU模型的隐藏层的数量和每个隐藏层中的单元进行优化。
7.一种基于双向GRU的滚动轴承剩余寿命预测***，其特征在于：
包括：
数据获取模块，被配置为：获取滚动轴承的振动信号；
退化指标估计模块，被配置为：根据获取的振动信号和预设卷积神经网络模型，得到滚动轴承的退化指标估计值；预设卷积神经网络模型的训练中，采用的退化指标获取方式为：
基于AVMD-KPCA的退化指标提取方法，对轴承信号进行自适应分解，得到K个窄带固有模态分量信号并计算固有能量，通过KPCA核主成分分析算法将得到的窄带固有模态分量信号的固有能量转化为退化指标，并提出了一种新的指标，称为谱互相关度(SPC)，作为选择条件来实现惩罚因子α的自适应选择，SPC评估模态混叠的程度，用于量化重叠，指标SPC如下方程式：
Figure FDA0004220997950000031
其中F(·)是特定信号或时间序列的傅里叶变换；
对于每个惩罚因子α，计算每个分解模式的傅里叶变换，然后根据上述方程取得其SPC，然后选择最接近SPC平均值的，并选择其对应的惩罚因子α值作为最佳值；
退化指标预测模块，被配置为：根据退化指标估计值和预设第一BiGRU模型，得到退化指标预测值；
剩余使用寿命预测模块，被配置为：根据退化指标估计值和预设第二BiGRU模型，得到剩余使用寿命预测值；具体为：
使用训练轴承原始振动数据和由AVMD+KPCA所构建的退化指标训练CNN网络模型；
将测试轴承振动数据输入至训练好的CNN模型中，得到测试轴承的退化指标；
将得到的退化指标通过窗口大小为5的滑窗处理后，输入至训练好的第一BiGRU网络模型，预测其未来退化指标；
状态评估模块，被配置为：根据得到的退化指标预测值和剩余使用寿命预测值进行滚动轴承的状态评估。
8.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的基于双向GRU的滚动轴承剩余寿命预测方法中的步骤。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于双向GRU的滚动轴承剩余寿命预测方法中的步骤。
CN202210300479.5A 2022-03-25 2022-03-25 一种基于双向gru的滚动轴承剩余寿命预测方法及*** Active CN114720129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300479.5A CN114720129B (zh) 2022-03-25 2022-03-25 一种基于双向gru的滚动轴承剩余寿命预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300479.5A CN114720129B (zh) 2022-03-25 2022-03-25 一种基于双向gru的滚动轴承剩余寿命预测方法及***

Publications (2)

Publication Number Publication Date
CN114720129A CN114720129A (zh) 2022-07-08
CN114720129B true CN114720129B (zh) 2023-06-27

Family

ID=82240554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300479.5A Active CN114720129B (zh) 2022-03-25 2022-03-25 一种基于双向gru的滚动轴承剩余寿命预测方法及***

Country Status (1)

Country Link
CN (1) CN114720129B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438556B (zh) * 2022-11-10 2022-12-30 北京理工大学 柔性充气飞行器结构刚度退化率预测方法、装置及设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9173574B2 (en) * 2009-04-22 2015-11-03 Rodrigo E. Teixeira Mechanical health monitor apparatus and method of operation therefor
CN103093095A (zh) * 2013-01-14 2013-05-08 湖州师范学院 基于核主成分回归算法的软件失效时间预测方法
CN107101813B (zh) * 2017-04-26 2018-12-28 河北工业大学 一种基于振动信号的框架式断路器机械故障程度评估方法
CN110442833B (zh) * 2019-06-10 2022-09-09 内蒙古工业大学 一种基于多维度scada数据评估风电机组健康状态评估方法
CN110500217B (zh) * 2019-07-23 2021-07-27 南京航空航天大学 基于可测数据特征的柴油机共轨***油泵故障检测方法
CN110866314B (zh) * 2019-10-22 2022-11-15 东南大学 多层双向门控循环单元网络的旋转机械剩余寿命预测方法
CN110942103A (zh) * 2019-12-05 2020-03-31 桂林电子科技大学 分类器的训练方法和计算机可读存储介质
CN112113766B (zh) * 2020-09-01 2021-11-09 兰州理工大学 一种滚动轴承早期损伤状态的特征提取方法
CN112798280B (zh) * 2021-02-05 2022-01-04 山东大学 一种滚动轴承故障诊断方法及***
CN113722985B (zh) * 2021-08-12 2024-04-09 武汉科技大学 航空发动机健康状态评估和剩余寿命预测方法及***

Also Published As

Publication number Publication date
CN114720129A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Cheng et al. A convolutional neural network based degradation indicator construction and health prognosis using bidirectional long short-term memory network for rolling bearings
CN103974311B (zh) 基于改进高斯过程回归模型的状态监测数据流异常检测方法
Liu et al. A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture
WO2020176295A1 (en) Artificial neural network compression via iterative hybrid reinforcement learning approach
CN111832216A (zh) 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法
Qu et al. An LSSVR-based algorithm for online system condition prognostics
CN111340282B (zh) 基于da-tcn的设备剩余使用寿命的估计方法及***
KR20140041766A (ko) 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법
KR102310490B1 (ko) 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계
Mosallam et al. Component based data-driven prognostics for complex systems: Methodology and applications
CN110757510B (zh) 一种机器人剩余寿命预测方法及***
CN111433689B (zh) 用于目标***的控制***的生成
CN112926644A (zh) 一种滚动轴承剩余使用寿命预测方法及***
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
CN108961460B (zh) 基于稀疏esgp与多目标优化的故障预测方法及装置
CN114720129B (zh) 一种基于双向gru的滚动轴承剩余寿命预测方法及***
Wang et al. Remaining useful life prediction of bearings based on convolution attention mechanism and temporal convolution network
CN114919559A (zh) 一种基于数字孪生的制动***剩余使用寿命预测***及方法
Kumar Remaining useful life prediction of aircraft engines using hybrid model based on artificial intelligence techniques
CN113469013A (zh) 一种基于迁移学习和时间序列的电机故障预测方法及***
Salah et al. Echo state network and particle swarm optimization for prognostics of a complex system
CN113779724B (zh) 一种充填包装机故障智能预测方法及其***
CN114004258B (zh) 一种半监督的心电异常检测方法
CN113971489A (zh) 一种基于混合神经网络的剩余使用寿命预测方法及***
CN116157809A (zh) 基于人工智能的模型的压缩的模型压缩技术的自动确定的方法

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