CN116502049B - 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 - Google Patents
滚动轴承剩余使用寿命预测方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116502049B CN116502049B CN202310744032.1A CN202310744032A CN116502049B CN 116502049 B CN116502049 B CN 116502049B CN 202310744032 A CN202310744032 A CN 202310744032A CN 116502049 B CN116502049 B CN 116502049B
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- bilstm
- feature
- signal
- prediction
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 208000036075 Autosomal dominant tubulointerstitial kidney disease Diseases 0.000 claims description 48
- 230000015556 catabolic process Effects 0.000 claims description 40
- 238000006731 degradation reaction Methods 0.000 claims description 40
- 101001133056 Homo sapiens Mucin-1 Proteins 0.000 claims description 31
- 102100034256 Mucin-1 Human genes 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 241000287127 Passeridae Species 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000002829 reductive effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 238000001228 spectrum Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于滚动轴承技术领域,具体公开了一种滚动轴承剩余使用寿命预测方法、***、设备及存储介质。本发明方法包括如下步骤:步骤1.首先利用滚动轴承振动信号数据预处理方法对滚动轴承原始振动信号进行降噪处理操作;根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号;步骤2.对得到的滚动轴承故障特征重构信号进行特征提取得到特征集,使用Spearman‑MIR联合方法对特征集进行选择,构造低维敏感特征集;步骤3.搭建DE‑BiLSTM预测模型,将低维敏感特征集输入预测模型中进行滚动轴承剩余寿命预测。本发明方法利于实现滚动轴承剩余使用寿命的有效预测,且预测精度高。
Description
技术领域
本发明属于滚动轴承技术领域,特别涉及一种滚动轴承剩余使用寿命预测方法、***、设备及存储介质。
背景技术
滚动轴承作为“工业的关节”,是普遍采用的设备构件,其运行的安全性和可靠性直接关系到设备的正常运行。然而,滚动轴承通常工作在复杂的运行环境中,不可避免会出现损伤和故障,从而影响设备的工作性能,造成巨大的经济损失,并威胁人员的安全。有效预测滚动轴承剩余使用寿命(Remaining Useful Life, RUL)可以规避故障风险,提高运行稳定性和安全性,具体的,当采用RUL技术后,可以在滚动轴承故障发生前及时维修或更换滚动轴承,即可实现故障预警,降低生产事故发生的概率,降低维修成本,优化资源配置,保证设备长期健康稳定运行,在提高设备的可靠性和安全性、增强保障能力等方面具有重要的现实意义。
滚动轴承的剩余使用寿命预测包括信号数据预处理、特征提取与RUL预测三部分。
滚动轴承通常连续工作在复杂工况中,获取的滚动轴承特征信号多为非线性、非平稳序列信号,伴随着大量的干扰信号。为准确获取滚动轴承振动信号,降低噪声等信号干扰,需对其进行数据预处理。针对滚动轴承数据预处理的方法,目前主要分为两类:一是降低信号噪声、优化信噪比;二是突出故障脉冲信息,削弱干扰信号的影响。
虽然采用降低信号噪声和突出故障脉冲信息方法进行数据预处理都有较好的效果,然而,如果只采用分解方法降低噪声,由于与原始振动信号混合的白噪声覆盖了整个频率带宽,每个模式不可避免地包含一些模式噪声,这很容易淹没故障相关信息,数据预处理后的振动信号包含大量的滚动轴承运行状态的故障信息,但是,如果直接采用振动信号进行RUL预测,可能导致预测结果不准确,因此,需要提取特征参数,以直观地表示轴承数据的偏离程度、陡度、冲击等故障特点。当滚动轴承出现损伤或早期故障,改变状态信息,特征信号会相应发生变化,利用变化的特征参数实现健康状态评估。
RUL预测方法包括基于机理建模、基于可靠性统计分析的方法以及基于数据驱动的方法,然而这些方法在预测滚动轴承剩余使用寿命时,精度不高。
发明内容
本发明的目的在于提出一种滚动轴承剩余使用寿命预测方法,以实现滚动轴承剩余使用寿命的有效预测,且预测精度高。本发明为了实现上述目的,采用如下技术方案:
一种滚动轴承剩余使用寿命预测方法,包括如下步骤:
步骤1. 首先利用滚动轴承振动信号数据预处理方法ISSA-MCKD-ICEEMDAN,对滚动轴承原始振动信号进行数据预处理操作,以突出周期信号,减少信号干扰;
根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号;
步骤2. 对步骤1得到的滚动轴承故障特征重构信号进行特征提取,得到特征集,并使用Spearman-MIR联合方法对特征集进行选择,构造低维敏感特征集;
步骤3. 搭建DE-BiLSTM预测模型,将步骤2得到的低维敏感特征集输入DE-BiLSTM预测模型中进行滚动轴承剩余寿命预测,得到滚动轴承RUL的预测结果。
此外,在上述滚动轴承剩余使用寿命预测方法的基础上,本发明还提出了一种与之相适应的滚动轴承剩余使用寿命预测***,其采用如下技术方案:
一种滚动轴承剩余使用寿命预测***,包括:
信号数据预处理模块,利用滚动轴承振动信号数据预处理方法ISSA-MCKD-ICEEMDAN,对滚动轴承原始振动信号进行降噪,以突出周期信号,减少信号干扰;
根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号;
特征提取模块,用于对得到的滚动轴承故障特征重构信号进行特征提取,得到多域特征参数集,并使用Spearman-MIR联合方法对特征集进行选择,构造低维敏感特征集;
以及RUL预测模块,用于搭建DE-BiLSTM预测模型,将得到的低维敏感特征集输入DE-BiLSTM预测模型中进行滚动轴承剩余寿命预测,得到滚动轴承RUL的预测结果。
在滚动轴承剩余使用寿命预测方法的基础上,本发明还提出了一种计算机设备,该计算机设备包括存储器和一个或多个处理器。
所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,用于实现上面述及的滚动轴承剩余使用寿命预测方法的步骤。
在滚动轴承剩余使用寿命预测方法的基础上,本发明还提出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,用于实现上面述及的滚动轴承剩余使用寿命预测方法的步骤。
本发明具有如下优点:
如上所述,本发明述及了一种滚动轴承剩余使用寿命预测方法、***、设备及存储介质。本发明方法首先针对复杂环境下滚动轴承振动信号易受噪声污染、无法直接准确表征轴承退化趋势的问题,提出了一种振动信号的预处理方法,该预处理方法首先采用最大相关峭度解卷积(MaximumCorrelation Kurtosis Deconvolution, MCKD)突出被干扰信号掩盖的周期冲击成分,降低干扰信号的影响;然后,针对MCKD的降噪效果受参数选择影响的问题,采用麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)自适应选择MCKD的最优参数组合,以避免人工设置参数的主观性;最后,利用改进的基于自适应噪声完全集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition withAdaptive Noise, ICEEMDAN)对振动信号进行分解,得到的本征模态函数(Intrinsic ModeFunctions, IMF)根据峭度和相关系数原则进行筛选,得到重构信号,降低了信息冗余,提高了后续提取的特征参数所表征的退化信息的精准度。其次,本发明方法针对振动信号特征提取不全面、存在信息冗余的问题,提出了一种滚动轴承特征提取和选择方法,该特征提取和选择方法首先提取时域、频域、熵和分形维数特征,全面评估滚动轴承的运行状态;然后,根据特征参数的退化曲线,筛选符合轴承退化趋势的特征指标;最后,提出一种斯皮尔曼(Spearman)相关系数和互信息回归(Mutual Information Regression, MIR)的联合降维方法,选择相关性高且冗余度低的退化特征,降低了特征参数中的冗余信息。此外,本发明还针对滚动轴承RUL预测中,双向长短期记忆网络(Bidirectional Long Short Term,BiLSTM)超参数设置影响预测精度的问题,提出了基于差分进化算法(DifferentialEvolution, DE)的BiLSTM预测模型,该预测方法首先利用DE算法确定BiLSTM的隐含层节点数、初始学习率和正则化系数,得到DE-BiLSTM预测模型,然后利用DE-BiLSTM预测模型对滚动轴承RUL进行预测,与优化前的模型相比,本发明预测精度明显提高。
附图说明
图1为本发明实施例中基于DE-BiLSTM滚动轴承剩余使用寿命预测方法的流程图。
图2为LSTM模型在Bearing 1_1数据集上的预测结果示意图。
图3为LSTM模型在Bearing 2_1数据集上的预测结果示意图。
图4为 BiLSTM模型在Bearing 1_1数据集上的预测结果示意图。
图5为 BiLSTM模型在Bearing 2_1数据集上的预测结果示意图。
图6为本发明实施例中DE-LSTM预测模型在Bearing 1_1数据集上的预测结果示意图。
图7为本发明实施例中DE-LSTM预测模型在Bearing 2_1数据集上的预测结果示意图。
图8为基于原始信号的BiLSTM模型在数据集Bearing 1_4的预测结果示意图。
图9为基于原始信号的BiLSTM模型在数据集Bearing 3_3的预测结果示意图。
图10为基于原始信号的DE-BiLSTM模型在数据集Bearing 1_4的预测结果示意图。
图11为基于原始信号的DE-BiLSTM模型在数据集Bearing 3_3的预测结果示意图。
图12为基于预处理信号的BiLSTM模型在数据集Bearing 1_4的预测结果示意图。
图13为基于预处理信号的BiLSTM模型在数据集Bearing 3_3的预测结果示意图。
图14为基于预处理信号的DE-BiLSTM模型在数据集Bearing 1_4的预测结果示意图。
图15为基于预处理信号的DE-BiLSTM模型在数据集Bearing 3_3的预测结果示意图。
具体实施方式
名词解释:
ISSA-MCKD-ICEEMDAN,即ISSA算法、MCKD算法以及ICEEMDAN算法的组合;
Spearman-MIR,即Spearman算法与MIR算法的组合;
DE-BiLSTM,即DE算法与BiLSTM算法的组合。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
实施例1
本实施例1述及了一种滚动轴承剩余使用寿命预测方法,该方法基于LSTM神经网络,针对振动信号预处理、退化特征提取与选择、RUL预测三个方面进行改进。
如图1所示,滚动轴承剩余使用寿命预测方法,包括如下步骤:
步骤1. 首先利用滚动轴承振动信号数据预处理方法ISSA-MCKD-ICEEMDAN,对滚动轴承原始振动信号进行数据预处理操作,以突出周期信号,减少信号干扰。
根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号。
在干扰因素较多或复杂***中,滚动轴承退化特征信息微弱且受噪声干扰影响严重,信号信噪比降低,由于与原始振动信号混合的噪声覆盖了整个频率带宽,ICEEMDAN每个模式不可避免地包含一些模式噪声,这很容易淹没故障相关信息。
因此,在ICEEMDAN分解之前,需要先对振动信号进行预处理,即MCKD算法,尽可能增大原有的周期脉冲信号,降低干扰影响,获得具有明显轴承退化趋势的特征集,因此,针对滚动轴承运行过程中易受到噪声等信号干扰等问题,本发明在此基础上提出一种基于ISSA-MCKD-ICEEMDAN数据预处理的新方法,即:
首先利用ISSA优化MCKD的参数L和T,对原始信号进行预处理以突出周期脉冲信号,并利用ICEEMDAN算法对信号进行分解和重构,弥补了ICEEMDAN算法的不足,使其能在去噪同时,减少对有效信息的过滤、提高对信息细节的辨识程度。
基于ISSA-MCKD-ICEEMDAN数据预处理的过程如下:
步骤1.1. 初始化ISSA种群,设置种群规模以及最大迭代次数。
将MCKD的参数滤波器长度L、解卷积周期T的范围定义为ISSA算法种群搜索的空间域,将MCKD的最大相关峭度值作为适应度函数,将(L,T)作为待优化的参数组合。
通过ISSA自适应选择最大相关峭度解卷积MCKD的最优参数组合。
步骤1.2. 利用已经自适应选择参数后的MCKD对含噪声的滚动轴承原始振动信号进行增强预处理,以突出故障脉冲,降低噪声干扰,从而得到降噪信号。
步骤1.3. 对降噪信号进行ICEEMDAN分解,得到若干IMF分量信号。
步骤1.4. 基于相关系数和峭度原则,从步骤1.3中的IMF分量信号中选择IMF分量进行重构,得到具有显著故障特征的滚动轴承故障特征重构信号。
MCKD对信号的周期性敏感,所以易于提取故障信号,但是它对输入参数要求严格,并且受输入参数的影响大。其中,滤波器长度L决定每次迭代所需样本的数量,过大影响迭代时间,过小影响计算精度;参数T受滚动轴承运行磨损引起的误差影响,难以人工确定。
所以针对MCKD的输入参数问题,本发明实施例利用ISSA对MCKD的参数进行寻优。利用ISSA优化MCKD参数的具体过程如下:
步骤1.1.1. 将种群数量X设置为100,搜素者数量为20%,滤波器长度L∈[1,400],周期T∈[1,400],将MCKD的信号最大相关峭度值作为适应度函数。
步骤1.1.2. 设置区域上界与下界,根据改进Circle混沌映射初始化麻雀在空间域中的位置,目标函数设置为MCKD的参数即滤波器长度L、解卷积周期T。
步骤1.1.3. 引入自适应权重ω,更新搜索者位置,跟随者围绕着搜索者发现的最优区域进行觅食,可能进行争夺,使自己变成搜索者。如果麻雀个体处于十分饥饿的状态,就需要去其他地方觅食,使用跟随者的位置更新函数进行位置更新。
步骤1.1.4. 当警惕者遇到危险时,使用警惕者位置更新函数进行更新。处于种群***的麻雀向安全区域靠拢,处在种群中心的麻雀则随机行走以靠近别的麻雀。
步骤1.1.5. 引入反向学习策略,对麻雀的位置进行反向解的处理,让算法更好地跳出局部最优,提高算法的寻优精度。
步骤1.1.6. 在迭代中找到空间域中最优位置,当达到最大迭代次数时,停止迭代并输出最优位置,即最优滤波器长度L、解卷积周期T,否则转至步骤1.1.3。
此外,为了验证本发明方法所提出的ISSE-MCKD-ICEEMDAN预处理方法的有效性,本发明实施例中使用XJTU-SY滚动轴承加速寿命试验数据集进行验证。
其中XJTU-SY滚动轴承加速寿命试验数据集中原始信号的时域波形图故障脉冲不突出,包络谱故障特征频率也不明显,这是因为信号含有干扰较多,要进行预处理。
故首先采用ISSA-MCKD对原始信号进行预处理,突出冲击成分,具体过程如下:
首先利用ISSA算法对MCKD的参数进行寻优,设置参数L的取值范围为[1,400],T的取值范围为[1,400],MCKD的最优参数组合(L,T)=(339,185);
然后利用已经自适应选择参数后的MCKD对原始信号进行预处理。
对ISSA-MCKD处理后的信号进行ICEEMDAN分解,以便进行后续的退化特征提取。ICEEMDAN分解得到13个IMF分量,随着分量的增加,有用信息逐渐递减。
为了降低信息的冗余,提高退化特征集提取的准确度,本发明应用相关系数和峭度法则,对ICEEMDAN分解后得到的IMF分量求其相关系数和峭度值。
经ICEEMDAN分解重构后的信号,时域波形图的周期性脉冲更加突出,能清晰地识别到故障特征频率及其倍频,故障特征提取效果更出色,可以获取更加准确的轴承退化信息。
此外,为了进一步说明本发明所提出的ISSE-MCKD-ICEEMDAN预处理方法的有效性,将经自定义参数MCKD处理后的信号、经ISSA参数优化选择MCKD处理后的信号、经ISSA参数优化选择MCKD与ICEEMDAN相结合处理后的信号与原始信号对比。
通过计算前5个特征故障特征频率f g 与0~1000Hz的幅值总和的比值,其中幅值比越大,表明预处理后的冲突信号越明显。计算结果如下述表1所示。
表1 三种方法降噪后的幅值比
信号 | 幅值比 |
MCKD降噪后的信号 | 0.0012 |
ISSA-MCKD降噪后的信号 | 0.0033 |
ISSA-MCKD-ICEEMDAN降噪后的信号 | 0.0087 |
由上述表1能够看出,根据上述三种信号的幅值比对比分析,将MCKD与ICEEMDAN相结合得到的结果是最优异的,从而证明本发明提出的ISSA-MCKD-ICEEMDAN数据预处理方法能够较好的将原始信号中的噪声干扰去除,在保持信号原始信号所包含信息不变的情况,突出了脉冲成分,抑制干扰效果越好,从而为后面提取退化特征提高了精确度。
该步骤1首先对SSA的初始化过程进行改进,提高寻优效率,并利用ISSA对MCKD的参数设置问题进行优化,然后在此基础上提出了ISSA-MCKD-ICEEMDAN数据预处理方法,设计了数据预处理流程,最后运用XJTU-SY试验数据集进行验证分析,通过幅值比结果比较,表明本发明所提数据预处理方法,能够更好地对振动信号进行数据预处理。
步骤2. 对步骤1得到的滚动轴承故障特征重构信号进行特征提取,得到特征集,并使用Spearman-MIR联合方法对特征集进行选择,构造低维敏感特征集。
不同工况下滚动轴承性能退化曲线的不同,这使得通过数据集训练得到的滚动轴承RUL预测模型与实际滚动轴承的寿命间存在较大差异。
因此,需要提取能反映各滚动轴承性能退化曲线一致性的特征。
本发明对数据预处理后的振动信号提取了基于时域、频域、熵和分形维数的33种退化特征参数,并对这33种退化特征参数的退化趋势图进行分析筛选,设计了一种Spearman-MIR联合方法,选择出冗余度低并且相关性高的特征参数作为滚动轴承健康指标。
所述步骤2具体为:
步骤2.1. 从步骤1得到的得到滚动轴承故障特征重构信号中尽可能多的提取时域、频域、熵和分形维数特征,从而全面评估滚动轴承的运行状态。
与传统的特征参数不同,退化特征需要较高的灵敏度来识别各个性能退化阶段,同时滚动轴承的振动信号非常复杂,仅提取单个特征,可能导致信息丢失。
本实施例中为了全面评估滚动轴承的运行状态,提取了33个特征指标,其中包括16个时域特征、13个频域特征、3个熵特征和1个分形维数特征。
时域分析是目前大多数滚动轴承在线监测***中采用的最简单、最直接的信号分析方法。根据工作条件的不同,时域特征值会发生相应变化,且工作环境对时域特征值影响较大。
其中,有量纲时域特征的缺点是性能不稳定,在实际工程中会比较复杂,而无量纲时域特征基本不受负荷和转速变化的干扰,可相对直观地描述运行状态。
因此,通常将有量纲特征与无量纲特征结合起来,共同表征轴承退化状态。
有量纲时域参数描述轴承状态,可以反映部分故障信息,包括最大值、最小值、均值、方差、方根幅值、绝对平均幅值、峰峰值、均方根值、偏度和峭度。
无量纲特征参数指标主要包括峰值因子、波形因子、脉冲因子、裕度因子、偏度因子和峭度因子,其中,峰值因子反映波形中的峰值程度;脉冲因子对冲击信号比较灵敏;波形因子=脉冲因子/峰值因子;裕度因子则可以表示构件的疲劳磨损程度;偏斜度因子用于描述变量的分布;峭度因子反映振动信号冲击特性。
频谱分析是把时域信号经傅里叶变换分解到频域后进行分析。当滚动轴承的健康状态发生改变时,频谱中的频率分量会相应地改变,所以,可以通过分析振动信号的频域特征准确地表征信号频谱信息,然后检测在不同工况下滚动轴承的运行状态。
经过傅里叶变换后的振动信号用S(k)表示。
本实施例中提取了13个频域特征,分别用F1-F13表示,其中F1反映频域振动能量大小,F2-F5反映主频带位置的变化,特征F6-F13反映频谱的分散或者集中程度。
信息熵是定量揭示信号中不确定信息,反映信号所含特征的有效因素之一,其基本思想是:发生概率低的事件,包含的信息量更高。
本实施例中选用的熵特征包括功率谱熵、奇异谱熵以及能量熵。
功率谱熵是对信号在频域上能量分布的复杂程度的定量描述。信号越接近白噪声,功率谱越分散,功率谱熵越大。
为了揭示复杂信号内部能量变化的细节,还需要奇异谱熵,其基本思想是通过对***的时域信号序列进行相空间重构和奇异值分解,获取其内在复杂性特征。
能量熵有多种求法,通常与信号分解算法相结合,比如EMD、CEEMD、VMD等。
分形维数是分形理论中的一个重要参数。
分形理论是三大非线性理论之一,它能够表达信号的非线性、自相似性和复杂性,滚动轴承振动信号在一定时域长度下可以采用分形维数来表征信号的不规则度。
每种特征分析方法都有其优缺点,可以综合考虑,提取多域特征以全面表现滚动轴承的退化趋势,利用适当的特征选择方法对提取的所有特征参数进行选择,获得最优的特征集。
为了处理高维数据,特征选择成为数据降维的关键。因此,在滚动轴承进行剩余使用寿命预测工作之前,需要对提取的33个特征进行特征选择。
首先针对前期为了全面检测轴承状态而提取的大量特征,先一次筛选出与轴承退化趋势相同且受干扰影响小的特征;然后基于Spearman-MIR方法,降低特征集的冗余度。本发明选择过滤法进行特征选择,直接选取少量敏感特征,减少RUL预测模型的运行时间。
步骤2.2. 根据特征参数的退化曲线,筛选符合轴承退化趋势的特征指标作为特征集,此步骤2.2为一次筛选,先筛选出与轴承退化趋势相同且受干扰影响小的特征。
针对步骤2.1提取的时域、频域、熵、分形维数特征,在轴承运行前期,轴承运行状态稳定,特征参数无显著变化;当轴承生命周期进入后期阶段,轴承出现退化趋势,特征参数会徒然增大或减小。在时域特征方面,对于有量纲的时域特征,方差、方根幅值、绝对平均幅值、均方根值、偏斜度和峭度随着时间递增发生突变、数值变大,对轴承状态变化反应灵敏。而最小值和峰峰值的毛刺太多,易受干扰,不能对预测分析提供准确的指标。
对于无量纲时域特征,峰值因子、脉冲因子和裕度因子在整个生命周期持续剧烈波动,而波形因子、偏斜度因子和峭度因子虽然退化起始时刻发生突变,但是较大范围内剧烈波动,不符合退化趋势,所以针对时域特征,选出7个指标为:方差、方根幅值、绝对平均幅值、最大值、均方根值、偏斜度和峭度。在频域特征指标中本发明选择特征1、特征6、特征9、特征10和特征13作为特征值,这5个指标同轴承退化曲线变化趋势类似,因此保留。对于熵和分形维数因为毛刺太多且没有明显的上升或者下降趋势,所以不采用。
特征1、特征6、特征9、特征10和特征13的计算公式分别如下:
;
;
;
;
其中,;
。
其中,K表示信号长度,f k 表示频谱。经过一次筛选,在时域选出7个指标,频域选出5个指标,一共12个特征指标,构成了12维特征向量。
步骤2.3. 然后进行二次筛选,即利用斯皮尔曼Spearman相关系数和互信息回归MIR的联合降维方法进一步选择相关性高且冗余度低的退化特征,构造低维敏感特征集。
斯皮尔曼(Spearman)相关系数也称为Spearman秩相关系数,是基于秩的非参数度量,反映的是两个变量的变化趋势方向和强度之间的关联。
对于Spearman相关系数P s ,如果P s 为正,则两个变量成正相关;如果P s 为负,则两个变量成负相关;如果P s 等于0,则表示两个变量的变化无关;当P s 为1或者-1时,就表明两个变量具有严格单调的函数关系。Spearman相关系数的相关性强弱排序表如下:
表2 相关性强度
Spearman相关系数P S | 相关性强度 |
-1~-0.5, 0.5~1 | 强相关性 |
-0.5~-0.3, 0.3~0.5 | 中相关性 |
-0.3~-0.1, 0.1~0.3 | 弱相关性 |
-0.1~0.1 | 无相关性 |
P s 是两个排序变量或一个排序变量与一个测量变量之间的任意单调关联的强度和方向的非参数或无分布的秩统计度量。在进行计算P s 之前,首先比较两个变量X i 、Y i 的大小,然后根据数据大小排列位次,得到秩次X ’ i 、Y ’ i ,计算差值d i ,n为变量中包含数据的个数,最后带入公式(2)就可求解结果。
(1)
(2)
互信息(Mutual information, MI)是用来分析每个特征与标签之间的线性或非线性关系,它既可以做回归,也可以做分类,因此包含两个类型——互信息分类(MutualInformation Classification, MIC)和互信息回归(MutualInformation Regression,MIR)。
MI用于分析每个特征指标和标签之间的关联度,得到的结果MI值在[0,1]之间,数值越大,表明两个变量的相关性越大,说明特征指标与寿命预测的关联度越大。
形式上,具有联合分布p(x,y)的随机变量X和Y之间的互信息由关系式(3)定义:
(3)
如果随机变量的分布密度为p(x,y),则互信息可表示为:
(4)
针对一次筛选所提取的12个特征(方差、方根幅值、绝对平均幅值、最大值、均方根值、偏斜度、峭度、频域特征1、频域特征6、频域特征9、频域特征10和频域特征13),进行Spearman相关系数计算。由计算结果得到,方差与绝对平均幅值、频域特征1、频域特征6都成强相关性,峭度和均方根值成强相关,增大了特征集的冗余程度。
采用Spearman相关系数分析各个指标之间的相关性,只能降低特征向量数据集的冗余度,没有考虑每个特征对于轴承剩余使用寿命影响程度,因此采用MIR进一步进行特征选择。设方差、方根幅值、绝对平均幅值、最大值、均方根值、偏斜度、峭度、频域特征1、频域特征6、频域特征9、频域特征10和频域特征13分别表示为特征序号1~12。
MIR计算的每个特征的影响程度的具体数值见表3。
表3 互信息
特征指标 | MIR数值 |
方差 | 0.862016 |
方根幅值 | 0.333808 |
绝对平均幅值 | 0.553854 |
最大值 | 0.421730 |
均方根值 | 0.757629 |
偏斜度 | 0.498260 |
峭度 | 0.761403 |
频域特征1 | 0.632087 |
频域特征6 | 0.237652 |
频域特征9 | 0.617941 |
频域特征10 | 0.059549 |
频域特征13 | 0.732193 |
由表3能够看出,方根幅值、绝对平均幅值、最大值、偏斜度、频域特征6和频域特征10的MIR值较小,分别为0.333808、0.553854、0.421730、0.498260、0.237652和0.059549,这6个特征指标对于轴承寿命贡献率最低。综合Spearman相关系数和MIR,最终保留方差、峭度、频域特征9和频域特征13这4个特征指标作为寿命预测模型的输入特征集。
由步骤2.3不难看出,二次筛选是基于Spearman-MIR联合方法,能够选择出相关性较大的灵敏特征作为退化指标,用来预测滚动轴承的剩余使用寿命。
该步骤2对预处理后的振动信号进行特征提取和选择,分别提取了时域、频域、熵和分形维数这4种类型的33个特征,针对数量过于庞大的特征集,基于相关性、单调性指标对特征进行分析,提出了一种Spearman-MIR的联合降维方法,筛选出相关性高并且冗余度低的特征参数,最终得到包含4个特征的特征集。
步骤3. 搭建DE-BiLSTM预测模型,将步骤2得到的低维敏感特征集输入DE-BiLSTM预测模型中进行滚动轴承剩余寿命预测,得到滚动轴承RUL的预测结果。
DE算法是一种简单、高效且易于实现的连续空间内全局优化算法,因此本实施例采用DE算法对BiLSTM的超参数进行优化。
BiLSTM具有强大的记忆能力和数据处理能力,对于处理非线性序列问题具有较大的优势。因此利用LSTM对输入的特征集进行回归建模,得到最终的预测结果。
由此得出,选择DE算法与BiLSTM进行组合可有效解决滚动轴承的RUL预测问题。
BiLSTM神经网络不仅可以挖掘输出变量和相关输入变量之间的空间和时间相关性,而且在复杂状况预测的领域也得到了极大的发展。
该方法能够对滚动轴承提取的健康指标具有较好的预测精度,然而,模型参数的确定比较困难,BiLSTM内部参数太多,模型训练时间长,容易过度拟合。
BiLSTM神经网络模型参数中,学***滑,防止过拟合。学习率、隐含层节点数和L2正则化的取值会影响网络训练的性能。
因此,使用DE算法来训练BiLSTM的超参数,最后,使用优化的超参数来构建DE-BiLSTM预测模型,能够减少人工调参所需的工作量,并提高预测精度。
该步骤3具体为:
步骤3.1. 利用基于差分进化方法DE训练双向长短期记忆网络BiLSTM的超参数,并使用优化的超参数来构建DE-BiLSTM预测模型。
步骤3.2. 将低维敏感特征集输入DE-BiLSTM预测模型,对滚动轴承RUL进行预测。
该步骤3.1具体为:
步骤3.1.1. 读取特征向量集,划分训练集、验证集和测试集,并进行归一化处理;
步骤3.1.2. 建立BiLSTM模型,将学习率、隐含层节点数和L2正则化确定为寻优参数;
步骤3.1.3. 对当前代数、最大迭代次数、种群规模、缩放因子、交叉概率参数进行初始化;
步骤3.1.4. 按照DE的变异操作、交叉操作、选择操作产生下一代个体;
步骤3.1.5. 重复执行步骤3.1.4,得到下一代的种群;评价下一代种群的适应度值,最小适应度值即为全局极小值,对应的个体即为全局最优个体;
步骤3.1.6. 判断是否达到迭代结束条件,即是否达到最大迭代次数;若达到停止迭代的条件则输出最优个体,否则转步骤3.1.4;
步骤3.1.7. 将优化后的学习率、隐含层节点数和L2正则化传入BiLSTM神经网络结构中,构建DE-BiLSTM 预测模型。
步骤3.1.5具体为:
步骤3.1.5.1. 确定DE参数,包括最大迭代次数、种群大小、交叉概率参数、缩放因子和值域范围;种群初始化,使种群覆盖DE算法的值域范围;
步骤3.1.5.2. 将种群个体的值赋予BiLSTM的参数和权值,输入训练,变量进行双向传播,将得到的预测值和实际值之间的误差作为个体的适应度,得到所有个体的适应值;
步骤3.1. 5.3. 更新种群中的每个个体的值,更新后的向量作为突变向量;
步骤3.1.5.4. 生成突变体向量后,对源向量及其对应的突变体向量进行交叉操作,生成交叉向量;
步骤3.1.5.5. 根据适应值确定保留存在于下一次迭代的向量;如果适应值交叉向量高于目标向量,则保留交叉向量;如果适应值交叉向量小于目标向量,则保留目标向量;
步骤3.1.5.6. 判断是否符合跳出循环的条件,条件规定为预测所需的精度要求和限定的最大迭代次数;若满足条件,保留最优解,继续进行下一步;
若不满足条件,执行到步骤3.1.5.2,进行下一次迭代;
步骤3.1.5.7. 将DE的最优解作为BiLSTM的超参数学习率、隐含层节点数和L2正则化。
该步骤4首先根据RMS值将滚动轴承的全生命周期划分为稳定运行期和耗损期,确定进入耗损期的退化起始时刻,确定退化期节点和可预测区间的指标,将提高RUL预测模型的精度。然后,针对BiLSTM的超参数调解困难这一问题,提出利用DE算法进行优化。在此基础上,提出了一种DE-BiLSTM的滚动轴承RUL预测模型。
此外,本发明还在公开的XJTU-SY轴承数据集上演示了所提出的DE-BiLSTM预测模型,与优化前LSTM和BiLSTM模型进行对比,证明了该模型在准确性和拟合方面的优势。
本实施例中采用的数据是基于XJTU-SY滚动轴承加速寿命试验数据集,并进行了数据预处理和特征提取后得到的退化特征集,来进行轴承剩余使用寿命预测实验。
该数据集有3个工况,每个工况5个数据集,将Bearing 1_1和Bearing 2_1作为测试集,Bearing 2_5和Bearing 3_3作为验证集,其余作为训练集。预测结果如图2至图7所示。
LSTM模型中,预测值和实际值误差较大,在退化末期基本吻合;BiLSTM预测模型中,Bearing 2_1误差比Bearing 1_1大,预测曲线远离实际寿命退化曲线,在后期仍有较大偏差;DE-LSTM预测模型依旧是Bearing2_1误差偏大,但在预测中后期逐渐拟合,接近实际寿命。对4种预测模型进行评价指标计算,得到结果如下表:
表4 预测模型的评价指标
根据表4看出,Bearing 1_1的4个模型的评价指标整体要优于Bearing2_1,DE-BiLSTM的误差RMSE和MAE要小于其它3种模型,并且拟合效果也要更优异。
此外,为了证明本发明所采取的数据预处理流程和DE-BiLSTM预测模型的有效性,将进行对比实验,分别为基于原始信号的BiLSTM模型、基于原始信号的DE-BiLSTM模型、基于去噪预处理信号的BiLSTM模型和基于去噪预处理信号的DE-BiLSTM模型。
对比结果如图8至图15所示。由图8至图15能够看出:
预处理前后预测模型都需要一定的数据样本才能达到较好地拟合效果,前期数据较少,误差较大,随着输入特征集增多,波动减小,偏离减小,不同之处在于直接采用原始信号的模型预测退化曲线和实际退化曲线的偏差较大。
针对以上四种情况计算评价指标,得到结果如下表:
表5 预测模型的评价指标
根据表5能够看出:直接对原始信号进行RUL预测,BiLSTM预测模型的RMSE和MAE值大于10,误差较大,拟合效果也欠佳;当使用DE算法对BiLSTM的超参数进行优化选择时,误差虽然减小到10以下,但是误差仍较大,说明实际采集到的振动信号中的噪声等信号干扰对滚动轴承RUL预测具有较大的影响。另外, 对原始信号进行预处理再进行RUL预测,误差减小到10以下,R2也达到0.96以上,拟合效果较好;当采用DE-BiLSTM模型时,较未使用DE算法优化时的误差减小,拟合效果也更好。
通过以上分析,证明了本发明所提方法对于滚动轴承有较好的适用性和有效性。
实施例2
本实施例2述及了一种滚动轴承剩余使用寿命预测***,该***与上述实施例1述及的滚动轴承剩余使用寿命预测方法基于相同发明构思。
具体的,本实施例中滚动轴承剩余使用寿命预测***,包括:
信号数据预处理模块,利用滚动轴承振动信号数据预处理方法ISSA-MCKD-ICEEMDAN,对滚动轴承原始振动信号进行降噪,以突出周期信号,减少信号干扰;
根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号;
特征提取模块,用于对得到的滚动轴承故障特征重构信号进行特征提取,得到多域特征参数集,并使用Spearman-MIR联合方法对特征集进行选择,构造低维敏感特征集;
以及RUL预测模块,用于搭建DE-BiLSTM预测模型,将得到的低维敏感特征集输入DE-BiLSTM预测模型中进行滚动轴承剩余寿命预测,得到滚动轴承RUL的预测结果。
需要说明的是,滚动轴承剩余使用寿命预测***中,各个功能模块的功能和作用的实现过程具体详见上述实施例1中方法中对应步骤的实现过程,在此不再赘述。
实施例3
本实施例3述及了一种计算机设备,该计算机设备用于实现上述实施例1中述及的滚动轴承剩余使用寿命预测方法的步骤。
该计算机设备包括存储器和一个或多个处理器。在存储器中存储有可执行代码,当处理器执行可执行代码时,用于实现上述滚动轴承剩余使用寿命预测方法的步骤。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置,此处不再赘述。
实施例4
本实施例4述及了一种计算机可读存储介质,该计算机可读存储介质用于实现上述实施例1中述及的滚动轴承剩余使用寿命预测方法的步骤。
本实施例4中的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,用于实现上述滚动轴承剩余使用寿命预测方法的步骤。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元,例如硬盘或内存,也可以是任意具备数据处理能力的设备的外部存储设备,例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (8)
1.一种滚动轴承剩余使用寿命预测方法,其特征在于,包括如下步骤:
步骤1.首先利用滚动轴承振动信号数据预处理方法ISSA-MCKD-ICEEMDAN,对滚动轴承原始振动信号进行数据降噪操作,以突出周期信号,减少信号干扰;
根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号;
步骤2.对步骤1得到的滚动轴承故障特征重构信号进行特征提取,得到特征集,并使用Spearman-MIR联合方法对特征集进行选择,构造低维敏感特征集;
步骤3.搭建DE-BiLSTM预测模型,将步骤2得到的低维敏感特征集输入到DE-BiLSTM预测模型中进行滚动轴承剩余寿命预测,得到滚动轴承RUL的预测结果;
所述步骤1具体为:
步骤1.1.初始化ISSA种群,设置种群规模以及最大迭代次数;
将MCKD的参数滤波器长度L、解卷积周期T的范围定义为ISSA算法种群搜索的空间域,将MCKD的信号最大相关峭度值作为适应度函数,将(L,T)作为待优化的参数组合;
通过ISSA算法自适应选择最大相关峭度解卷积MCKD的最优参数组合;
步骤1.2.利用已经自适应选择参数后的MCKD对含噪声的滚动轴承原始振动信号进行增强预处理,以突出故障脉冲,降低噪声干扰,从而得到降噪信号;
步骤1.3.对降噪信号进行ICEEMDAN分解,得到若干IMF分量信号;
步骤1.4.基于相关系数和峭度原则,从步骤1.3中的IMF分量信号中选择IMF分量进行重构,得到具有显著故障特征的滚动轴承故障特征重构信号;
所述步骤1.1具体为:
步骤1.1.1.将种群数量X设置为100,搜素者数量为20%,滤波器长度L∈[1,400],周期T∈[1,400],将MCKD的信号最大相关峭度值作为适应度函数;
步骤1.1.2.设置麻雀种群区域上界与下界,根据改进Circle混沌映射初始化麻雀在空间域中的位置,目标函数设置为MCKD的滤波器长度L、解卷积周期T;
步骤1.1.3.引入自适应权重更新搜索者位置,跟随者围绕着搜索者发现的最优区域进行觅食,进行争夺,使自己变成搜索者;如果麻雀个体处于十分饥饿的状态,就去其他地方觅食,使用跟随者的位置更新函数进行位置更新;
步骤1.1.4.当警惕者遇到危险时,使用警惕者位置更新函数进行更新;处于种群***的麻雀向安全区域靠拢,处在种群中心的麻雀则随机行走以靠近别的麻雀;
步骤1.1.5.引入反向学习策略,对麻雀的位置进行反向解的处理;
步骤1.1.6.在迭代中找到空间域中最优位置,当达到最大迭代次数时,停止迭代并输出最优位置,即最优滤波器长度L、解卷积周期T,否则转至步骤1.1.3。
2.根据权利要求1所述的滚动轴承剩余使用寿命预测方法,其特征在于,
所述步骤2具体为:
步骤2.1.从步骤1得到的得到滚动轴承故障特征重构信号中提取时域、频域、熵和分形维数特征,从而全面评估滚动轴承的运行状态;
步骤2.2.根据特征参数的退化曲线,筛选符合轴承退化趋势的特征指标作为特征集;
步骤2.3.利用斯皮尔曼Spearman相关系数和互信息回归MIR的联合降维方法,从特征集中选择相关性高且冗余度低的退化特征,构造低维敏感特征集。
3.根据权利要求1所述的滚动轴承剩余使用寿命预测方法,其特征在于,
所述步骤3具体为:
步骤3.1.利用基于差分进化方法DE训练双向长短期记忆网络BiLSTM的超参数,并使用优化的超参数来构建DE-BiLSTM预测模型;
步骤3.2.将低维敏感特征集输入DE-BiLSTM预测模型,对滚动轴承RUL进行预测。
4.根据权利要求3所述的滚动轴承剩余使用寿命预测方法,其特征在于,
所述步骤3.1具体为:
步骤3.1.1.读取特征向量集,划分训练集、验证集和测试集,并进行归一化处理;
步骤3.1.2.建立BiLSTM模型,将学习率、隐含层节点数和L2正则化确定为寻优参数;
步骤3.1.3.对当前代数、最大迭代次数、种群规模、缩放因子、交叉概率参数进行初始化;
步骤3.1.4.按照DE的变异操作、交叉操作、选择操作产生下一代个体;
步骤3.1.5.重复执行步骤3.1.4,得到下一代的种群;评价下一代种群的适应度值,最小适应度值即为全局极小值,对应的个体即为全局最优个体;
步骤3.1.6.判断是否达到迭代结束条件,即是否达到最大迭代次数;若达到停止迭代的条件则输出最优个体,否则转步骤3.1.4;
步骤3.1.7.将优化后的学习率、隐含层节点数和L2正则化传入BiLSTM神经网络结构中,构建DE-BiLSTM预测模型。
5.根据权利要求4所述的滚动轴承剩余使用寿命预测方法,其特征在于,
所述步骤3.1.5具体为:
步骤3.1.5.1.确定DE参数,包括最大迭代次数、种群大小、交叉概率参数、缩放因子和值域范围;初始化种群,使种群覆盖DE算法的值域范围;
步骤3.1.5.2.将种群个体的值赋予BiLSTM的参数和权值,输入训练,变量进行双向传播,将得到的预测值和实际值之间的误差作为个体的适应度,得到所有个体的适应值;
步骤3.1.5.3.更新种群中的每个个体的值,更新后的向量作为突变向量;
步骤3.1.5.4.生成突变体向量后,对源向量及其对应的突变体向量进行交叉操作,生成交叉向量;
步骤3.1.5.5.根据适应值确定保留存在于下一次迭代的向量;如果适应值交叉向量高于目标向量,则保留交叉向量;如果适应值交叉向量小于目标向量,则保留目标向量;
步骤3.1.5.6.判断是否符合跳出循环的条件,条件规定为预测所需的精度要求和限定的最大迭代次数;若满足条件,保留最优解,继续进行下一步;
若不满足条件,执行到步骤3.1.5.2,进行下一次迭代;
步骤3.1.5.7.将DE的最优解作为BiLSTM的超参数学习率、隐含层节点数和L2正则化。
6.一种用于实现如权利要求1至5任一项所述的滚动轴承剩余使用寿命预测方法的滚动轴承剩余使用寿命预测***,其特征在于,
所述滚动轴承剩余使用寿命预测***包括:
信号数据预处理模块,利用滚动轴承振动信号数据预处理方法ISSA-MCKD-ICEEMDA N,对滚动轴承原始振动信号进行降噪,以突出周期信号,减少信号干扰;
根据峭度和相关系数原则进行IMF分量选取和重构,得到滚动轴承故障特征重构信号;
特征提取模块,用于对得到的滚动轴承故障特征重构信号进行特征提取,得到多域特征参数集,并使用Spearman-MIR联合方法对特征集进行选择,构造低维敏感特征集;
以及RUL预测模块,用于搭建DE-BiLSTM预测模型,将得到的低维敏感特征集输入DE-BiLSTM预测模型中进行滚动轴承剩余寿命预测,得到滚动轴承RUL的预测结果。
7.一种计算机设备,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,其特征在于,所述处理器执行所述可执行代码时,
实现如权利要求1至5任一项所述的滚动轴承剩余使用寿命预测方法。
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至5任一项所述的滚动轴承剩余使用寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744032.1A CN116502049B (zh) | 2023-06-25 | 2023-06-25 | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744032.1A CN116502049B (zh) | 2023-06-25 | 2023-06-25 | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502049A CN116502049A (zh) | 2023-07-28 |
CN116502049B true CN116502049B (zh) | 2023-09-08 |
Family
ID=87318666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744032.1A Active CN116502049B (zh) | 2023-06-25 | 2023-06-25 | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502049B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738372B (zh) * | 2023-08-15 | 2023-10-27 | 昆仑数智科技有限责任公司 | 一种炼化用离心泵滚动轴承故障诊断方法、装置及设备 |
CN117629636B (zh) * | 2023-12-05 | 2024-05-24 | 哈尔滨工程大学 | 一种燃机滚动轴承的健康评估、故障诊断方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN114218980A (zh) * | 2021-11-24 | 2022-03-22 | 中国航空工业集团公司上海航空测控技术研究所 | 滚动轴承剩余寿命预测方法 |
CN115292820A (zh) * | 2022-08-18 | 2022-11-04 | 广西大学 | 一种城轨列车轴承剩余使用寿命的预测方法 |
CN115422687A (zh) * | 2022-10-17 | 2022-12-02 | 大连交通大学 | 一种滚动轴承的寿命预测方法 |
CN115470630A (zh) * | 2022-09-13 | 2022-12-13 | 浙江理工大学 | 一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法 |
CN115901248A (zh) * | 2022-10-18 | 2023-04-04 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
-
2023
- 2023-06-25 CN CN202310744032.1A patent/CN116502049B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN114218980A (zh) * | 2021-11-24 | 2022-03-22 | 中国航空工业集团公司上海航空测控技术研究所 | 滚动轴承剩余寿命预测方法 |
CN115292820A (zh) * | 2022-08-18 | 2022-11-04 | 广西大学 | 一种城轨列车轴承剩余使用寿命的预测方法 |
CN115470630A (zh) * | 2022-09-13 | 2022-12-13 | 浙江理工大学 | 一种基于vmd-ssa-lstm的滚动轴承剩余使用寿命预测方法 |
CN115422687A (zh) * | 2022-10-17 | 2022-12-02 | 大连交通大学 | 一种滚动轴承的寿命预测方法 |
CN115901248A (zh) * | 2022-10-18 | 2023-04-04 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
Non-Patent Citations (1)
Title |
---|
基于EMD降噪和LSTM网络的地铁风机轴承寿命预测;张传凯;《风机技术》;第60卷;第1.1节,第1.2节第1段,第3.2节,图1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116502049A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116502049B (zh) | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 | |
Kundu et al. | A review on diagnostic and prognostic approaches for gears | |
US20140108314A1 (en) | Integrated approach to model time series dynamics in complex physical systems | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
Seman et al. | Ensemble learning methods using the Hodrick–Prescott filter for fault forecasting in insulators of the electrical power grids | |
KR102149495B1 (ko) | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 | |
Zhang et al. | A Conjunction Method of Wavelet Transform‐Particle Swarm Optimization‐Support Vector Machine for Streamflow Forecasting | |
Shi et al. | A novel unsupervised real‐time damage detection method for structural health monitoring using machine learning | |
Lv et al. | Predictive maintenance decision-making for variable faults with non-equivalent costs of fault severities | |
Scherger et al. | The OWA distance operator and its application in business failure | |
CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
Huang et al. | Application of a combination model based on wavelet transform and KPLS-ARMA for urban annual water demand forecasting | |
Damaševičius et al. | Decomposition aided attention-based recurrent neural networks for multistep ahead time-series forecasting of renewable power generation | |
Yang et al. | Elm meets rae-elm: A hybrid intelligent model for multiple fault diagnosis and remaining useful life predication of rotating machinery | |
Gyamerah | Two‐Stage Hybrid Machine Learning Model for High‐Frequency Intraday Bitcoin Price Prediction Based on Technical Indicators, Variational Mode Decomposition, and Support Vector Regression | |
Zouaidia et al. | Weather forecasting based on hybrid decomposition methods and adaptive deep learning strategy | |
Hamdaoui et al. | Improved signal processing for bearing fault diagnosis in noisy environments using signal denoising, time–frequency transform, and deep learning | |
Mohammed et al. | Hybrid wavelet artificial neural network model for municipal water demand forecasting | |
Li et al. | Genetic programming with wavelet-based indicators for financial forecasting | |
Yan et al. | Using hidden Markov model to identify oscillation temporal pattern for control loops | |
Diallo | A data analytics approach to gas turbine prognostics and health management | |
Ganga et al. | Adaptive prediction model for effective electrical machine maintenance | |
CN116933119A (zh) | 一种基于卷积神经网络的信号数据去除趋势方法 | |
Fathi et al. | A hybrid model combining discrete wavelet transform and nonlinear autoregressive neural network for stock price prediction: An application in the Egyptian exchange |
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 |