CN111581880A - 基于apso-dbn的滚动轴承剩余寿命预测方法 - Google Patents
基于apso-dbn的滚动轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111581880A CN111581880A CN202010369728.7A CN202010369728A CN111581880A CN 111581880 A CN111581880 A CN 111581880A CN 202010369728 A CN202010369728 A CN 202010369728A CN 111581880 A CN111581880 A CN 111581880A
- Authority
- CN
- China
- Prior art keywords
- dbn
- layer
- training
- network
- rolling bearing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005096 rolling process Methods 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 11
- 238000006731 degradation reaction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 230000015556 catabolic process Effects 0.000 description 9
- 208000007400 Relapsing-Remitting Multiple Sclerosis Diseases 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于APSO‑DBN的滚动轴承剩余寿命预测方法，首先在分析DBN基本原理的基础上，利用深度置信网络强大的特征提取能力，对滚动轴承的振动信号进行特征提取，并建立时间序列预测模型，并对模型的框架及流程进行了详细的说明。针对粒子群优化算法寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应粒子群优化算法。在每次迭代过程中,粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置，更有效地利用惯性权重对粒子群优化算法的影响。与传统方法比较，优化后的DBN方法更能准确的实现对滚动轴承剩余寿命的预测。
Description
技术领域
本发明涉及深度学习方法的滚动轴承剩余寿命预测领域，为解决有限状态数据下滚动轴承剩余寿命难以估算的问题，根据性能退化评估分析对滚动轴承故障进行退化过程建模，提出了自适应粒子群算法优化深度置信网络(APSO-DBN)的滚动轴承剩余寿命预测方法，实现了滚动轴承的剩余寿命预测。
背景技术
在物联网和工业4.0时代，预测和健康管理(PHM)系统用于从机械设备收集大量的实时数据。PHM大数据具有容量大，多样性大，速度快的特点。从此类数据中有效地挖掘特征并使用新的高级方法准确预测旋转组件的剩余寿命成为PHM中的问题。传统的数据驱动预测是基于浅层学习架构，需要建立明确的模型方程式以及有关信号处理技术和预测专业知识的大量先验知识，由于先验知识较少、性能和泛化能力差，它们也难以表示复杂的功能。这些事实表明了浅层网络的局限性，并鼓励人们探索如何通过深层网络提取特征并表示复杂功能。
为了准确地判断滚动轴承的退化状态以便决定是否需要维护设备，迫切需要利用深度学习进行剩余寿命的预测。Hinton等提出深度学习理论，由此开启了机器学习在学术界的浪潮。深度学习是一种具有强大表示能力的新型机器学习领域，具有克服传统的数据驱动预测方法中上述缺陷的潜力。深度学习的显着优势是能够通过多个非线性变换和近似复杂的非线性函数从原始数据中捕获代表性信息。深度学习的宗旨在于构建深层次的网络结构模型，学习数据中隐含的特征，获取数据丰富的内在信息。
自从提出深度学习理论以来，DBN和其他深度学习方法已成为大数据处理和分析的主流方法。DBN具有从数据中产生有用和重要特征的能力，这些特征最终可用于提高预测能力。由于DBN具有多层结构，它还具有处理大数据和挖掘隐藏信息的能力。
相较于传统的数据驱动方法，深度学习方法有以下三大优势：①能够针对不同的故障类型自适应地提取数据中的特征参数；②具有深层学习能力，能够较好地建立起信号与设备之间复杂的非线性映射关系；③能够不用单独去选择和设计专门的分类器，建立的深度学习模型能够根据前期自适应提取的特征参数对设备状况进行模式识别，给出相应的识别结果或者维修建议。
发明内容
为解决有限状态数据下滚动轴承剩余寿命难以估算的问题，采用DBN的剩余寿命预测方法，在DBN训练阶段引入粒子群优化算法，提出了APSO-DBN算法对滚动轴承故障进行退化过程建模，实现滚动轴承的剩余寿命预测。利用深度置信网络强大的特征提取能力，对滚动轴承的振动信号进行特征提取，并建立时间序列预测模型。并针对粒子群优化算法寻优速度慢、收敛精度不高且搜索结果波动性较大的缺点，提出了一种自适应粒子群优化算法，在每次迭代过程中,粒子只受全局最优解影响，且加入按一定规律分布的锁定因子，令粒子受影响的程度有规律性。同时，利用锁定因子和当前粒子位置令惯性权重自适应配置，更有效地利用惯性权重对粒子群优化算法的影响。与传统方法比较，优化后的DBN方法更能准确的实现剩余寿命的预测。
附图说明
图1为本发明方法的滚动轴承剩余寿命预测流程框图；
图2为APSO方法的最优状态粒子分布图；
图3为本发明的仿真实验平台；
图4为轴承3#内圈性能退化分析；
图5为本发明方法的轴承剩余寿命预测结果；
图6为SVM对比实验结果；
图7为本发明方法实验验证平台；
图8为DBN的样本数据预测结果；
图9为参数调整后的DBN预测结果；
图10为本发明方法与SVM预测结果对比分析；
图11为本发明方法与SVM预测误差对比分析；
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施，且根据本说明书所揭露的内容、权利要求及附图，任何本领域技术人员可轻易地理解本发明相关的目的及优点。以下的实施例为进一步详细说明本发明的观点，但并非以任何观点限制本发明的范畴。
参照图1，图1为本发明方法的滚动轴承剩余寿命预测流程图。
DBN作为一种深度学习网络的典型代表，通过组合低层特征形成更加抽象的高层表示，以发现数据分布式特征表示，是一种可以直接从低层原始信号出发，逐层贪婪学习得到高层特定特征的学习网络。DBN以受限玻尔兹曼机RBM为基本结构单元，通过多个RBM堆叠而成。RBM网络结构具有如下性质：当给定可见层神经元的状态时，各隐层神经元的激活条件独立；反之当给定隐层神经元的状态时，可见层神经元的激活也条件独立。这种网络中的神经元是随机神经元，其输出只有两种状态(未激活和激活)，状态的取值根据概率法则决定。RBM由两层对称连接且无自反馈的随机神经网络构成，其层间全连接，层内无连接，具有强大的无监督学习能力，能够学习数据中复杂的规则。
本发明在分析DBN基本原理的基础上，给出基于APSO-DBN的滚动轴承剩余寿命预测方法，主要包括以下5个步骤:
(1)本发明选用压力式加速度传感器，传感器通过螺钉固定的方式固定在实验台轴承座的垂直方向上，压力式加速度传感器以测量惯性力来获得加速度，并将测得的加速度通过模数转化过程转换为可用的时域监测信号。通过压力式加速度传感器采集滚动轴承的振动信号，获得滚动轴承在不同健康状态下的时域监测信号。
(2)对滚动轴承的时域监测信号进行分段(每段的采样点数一致)，并将分段的时域监测信号数据划分为训练集和测试集。
(3)建立一个三层隐含层的DBN模型，根据故障样本维数确定了DBN模型的输入层节点数。使用训练集对DBN模型进行无监督逐层训练，分别单独无监督的训练每一层RBM网络，确保特征向量映射到不同特征空间，都尽可能的保留特征信息。DBN通过一个非监督贪婪逐层方法预训练获得权重，在这个过程中，时域监测信号数据输入到可见层，生成一个向量v，在通过权值W传给隐藏层，得到h，由于隐藏层之间是无连接的，所以可以并行得到隐藏层所有节点值。通过能量函数来度量DBN网络的稳定性，网络的能量函数为：
上式中为网络参数，均为实数，Wij为可见层神经元i到隐藏层神经元j的连接权值，bj为可见层第j个神经元的偏置，ci为隐藏层第i个神经元的偏置。
(4)再根据故障样本量确定DBN模型的输出层节点数，使用对比散度算法(CD-k，k表示采样次数)对DBN模型的权重W进行反向微调。DBN运用对比散度算法逐层进行训练，得到每一层的参数权值W和偏移量c用于初始化DBN，之后再用监督学习算法对参数进行微调，除了顶层RBM，其他层RBM的权重被分成向上的认知权重和向下的生成权重，每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个DBN的特征向量映射达到最优，所以反向传播网络还将错误信息自顶向下传播至每一层RBM，微调整个DBN网络。由于CD-k算法中，当k＝1时，即只进行一步吉布斯采样，就能达到很好的拟合效果。因此采用CD-1算法的形式，来拟合各参数的值。设可视层v的重构为v*，根据重构的可视层v*所得隐藏层为h*。设学习效率为ε，经过对比散度算法对RBM进行训练后，权重矩阵W、可视层的偏置向量b、隐藏层的偏置向量c，更新规则如下：
W←W+ε×[p(h＝1|v)vT-p(h*＝1|v*)v*T]
b←b+ε×(v-v*)
c←c+ε×[p(h＝1|v)-p(h*＝1|v*)]
(5)本发明针对网络层结构调试费时的问题，将PSO用于DBN的训练学习，以用来提高网络训练算法收敛速度和泛化性能，根据DBN的连接权值和隐藏节点值生成粒子群，初始化粒子的位置和速度。最后，得到DBN网络的输出响应值后，通过计算粒子群的适应度值，以确定个体最优值和种群最优值。最终将优化的APSO-DBN模型应用于滚动轴承的预测研究，对滚动轴承时域信号的测试集样本进行剩余寿命预测。
参照图2，图2为APSO方法的最优状态粒子分布图。
粒子群算法是由Kennedy和Eberhart等于1995年开发的一种演化计算技术，来源于Millonas对一个简化社会模型的模拟。其中“群”来源于粒子群符合在开发应用于人工生命的模型时所提出的群体智能的5个基本原则。而“粒子”则是一个折衷的选择，因为既需要将群体中的成员描述为没有质量、没有体积的，同时也需要描述它的速度和加速状态。由于PSO算法概念简单，实现容易，短短几年时间，PSO算法便获得了很大的发展，并在一些领域得到应用。
粒子群算法是一门新兴算法，此算法与遗传算法有很多相似之处，其收敛于全局最优解的概率很大。
(1)相较于传统算法计算速度非常快，全局搜索能力也很强；
(2)PSO对于种群大小不十分敏感，所以初始种群设为500-1000，速度影响也不大；
(3)粒子群算法适用于连续函数极值问题，对于非线性、多峰问题均有较强的全局搜索能力。
速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下：
但是PSO在整个搜索寻优过程中，由于群体中的各粒子依据自我前进跟随全局最优和粒子本身个体最优，粒子对全局最优的不断追踪使得粒子速度越来越小，易陷入局部最优。为了避免上述情况，采用自适应粒子群优化算法，根据群体早熟收敛程度、多样性以及粒子个体的适应度函数值来自适应地调整粒子飞行的速度。自适应粒子群算法表述为：
φj＝bj*rj+dj,j＝1,2
上式中，
和
分别为粒子在第k次迭代中的全局最优位置和速度，w为权重，φ为(0,4)间均匀分布随机数，bj＝1.5，dj＝0.5，rj为(0,1)间均匀分布随机数，bj和dj共同作用使j在(0.5,2)间随机分布。
通过下式来计算粒子群的适应度值，以确定个体最优值。
惯性权重调整公式为：
式中：imax为最大迭代数，惯性权重最大值wmax为0.9，最小值wmin为0.4。
参照图3，图3为本发明的仿真实验平台。
为了验证自适应PSO-DBN算法的预测效果，选择在IMS轴承故障数据进行实验。IMS数据集由NSF I/UCR智能维护系统中心(IMS-www.imscenter.net)在Milwaukee,WI的Rexnord Corp的支持下生成。试验装置的设置一个轴上安装了四个轴承，通过摩擦带将交流电机耦合到轴上，使转速保持在每分钟2000转。通过弹簧机构，轴和轴承承受6000磅的径向载荷。轴上安装了Rexnord ZA-2115双列轴承，在轴承座上安装了PCB 353B33高灵敏度石英ICP加速度计(数据集1#每个轴承2个加速度计，数据集2#和3#每个轴承1个加速度计)，轴承超过1亿转以上的设计使用寿命后，均发生故障。
数据采集采用NI DAQ卡6062E，数据共包含三组数据集，每个数据集描述一个从测试到失败的实验，每个数据集单独组成，这些数据集是按特定间隔记录的1秒振动信号快照。每个数据集包含20,480个点，采样率设置为20kHz。
试验至失效试验结束时，数据集1#中轴承3出现内圈缺陷，轴承4出现滚珠元件缺陷；数据集2#中轴承1发生外套圈失效；数据集3#中轴承3发生外套圈失效。
参照图4，图4为轴承3#内圈性能退化分析。
针对寿命退化受轴承个体差异影响的问题，采用RRMS对退化数据进行评估分析。原始的RMS无法准确的对轴承寿命进行分段，因此需要对RMS进行标准化和滑移平均处理。首先选取正常期内一段趋势平稳的RMS，将该段RMS平均数定位标准值，随后计算原始RMS与标准值之比，得到相对均方根值，最后利用7点滑移平均处理RRMS，得到平滑的RRMS。RRMS对初始损伤敏感，且可随着退化稳定增长；RRMS不受轴承个体差异的影响且易于计算，减少了振动特征随机性的影响。
均方根求解公式为：
式中，x(i)为信号序列，i是点数。
然而轴承个体差异对RMS的影响较大，即使在相同的试验条件下，不同轴承的RMS差异也很大。原始的RMS无法准确的对轴承寿命进行分段，因此需要对RMS进行标准化和滑移平均处理。
滑移平均处理为：
式中，x是原始序列；xMA为滑移平均后的新序列，k为序列序号。
结果分析：RRMS可以有效的对退化数据进行评估，从以上分析结果可以定义RRMS值1.1和3.0为轴承衰退期起始门限和最终失效门限。当RRMS处于二者之间时，轴承处于衰退期。
参照图5、6，图5本发明方法的轴承剩余寿命预测仿真结果,图6为SVM对比仿真结果。
从图5中可以看出预测趋势与真实值基本一致，预测结果能较好地逼近真实剩余寿命值。图6中的SVM整体预测效果较好，但是误差较大，波动较大。
参照图7，图7为本发明方法实验验证平台。
为了验证基于APSO-DBN的轴承剩余寿命预测方法在实际工程信号上的有效性，选择在MFS机械故障综合模拟实验台上进行实验验证。在实验平台的轴承座上安装传感器测量轴承振动信号。实验采用3/4英寸的轴承标准故障套件(M-BFK-3/4)，采用NI采集装置分别采集了内圈、外圈和滚动体故障信号，采样频率为2.56kHz，采样数N取4000。滚动轴承的型号为KR-12K，轴承转速r＝2200r/min，内径尺寸为0.75英寸，外径尺寸为1.8504英寸，滚动体的数目为8，直径为0.3125英寸，接触角为0°。
参照图8，图8为DBN的样本数据预测结果。
为了进一步研究，对检测到的故障轴承进行剩余寿命预测研究，预测其剩余可用寿命。如图8所示，蓝色的曲线代表真实值，红色的曲线代表DBN预测值。由于采样数据中掺入了白噪声，模型输出中含有很大的随机性，预测准确十分困难。从图8中可看出，SVM的预测结果较差，受历史数据随机性影响明显。DBN能摆脱这种束缚，预测效果良好。R2的值为0.30842，由于该值较低，证明在前30组数据中，DBN神经网络的拟合程度不是很高，与之前的预测存在较大的差距，因此需要对网络进行优化。
R2也称为决定系数，反映因变量的全部变异能通过回归关系被自变量解释的比例，该值越高说明模型越好。
R2的计算方法为：
式子用1减去y对回归方程的方差(未解释离差)与y的总方差的比值，y减去
也就是残差，是拟合方程中不能解释的部分，用1减去不能解释的部分，那么剩下的就是解释的部分，也就是说自变量解释了因变量变动的百分比的多少，那么R2肯定是越大越好，意味着该模型把y的变动解释得好。
为此，调整训练网络的参数并加大了测试的样本数据集的大小并再次对样本数据进行预测。
参照图9，图9为参数调整后的DBN预测结果。
在将网络参数进行调整后，可以看到，R2值的大小从原来的0.30842提高到了0.36909，拟合程度得到了提高。
参照图10，图10为本发明方法与SVM预测结果对比分析。
为了更明显地表现DBN的拟合效果，利用SVM与DBN进行对比，预测了30组样本数据，结果如图10所示。可以明显地看出，相比于SVM，优化后的DBN的预测效果更好，更加准确。在测试数据为30组时，优化后的DBN预测的R2的大小为0.4097，而SVM预测的大小为0.1654，差距比较大，可以明显看出DBN的预测效果比SVM的预测效果好很多。
参照图11，图11为本发明方法与SVM预测误差对比分析。
从图中可看出，优化后的DBN网络预测误差较小于SVM预测误差，也证明了改进后的DBN较SVM网络在滚动轴承寿命预测方面有着更好的预测效果，30个样本点的预测结果能较好地逼近真实剩余寿命值。实验数据表明剩余寿命预测结果平均误差较小，能反映滚动轴承退化趋势。APSO-DBN预测的整体效果良好，但是并不能完全逼近真实值，而是在真实值附近上下波动。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构与流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种基于APSO-DBN的滚动轴承剩余寿命预测方法，其特征在于：该方法包括以下5个步骤：
(1)利用传感器获得复杂设备在不同健康状态下的时域监测信号；
(2)对时域监测信号进行分段(每段的采样点数一致)，并将数据划分为训练集和测试集；
(3)建立一个多隐含层的DBN模型，根据故障样本维数确定DBN模型的输入层节点数，使用训练集对DBN模型进行无监督逐层训练；
(4)根据数据样本量确定DBN模型的输出层节点数，使用对比散度和自适应PSO算法对DBN模型的权重进行反向微调；结合粒子群算法的非线性寻优能力寻找函数极值，获得全局最优解，即获得最终最小振动值与之相应的相位；
(5)利用训练好的DBN模型对测试集样本数据进行剩余寿命预测。
2.根据权利要求1所述的一种基于APSO-DBN的滚动轴承剩余寿命预测方法，其特征在于：DBN由多个RBM堆叠而成，训练过程由预训练和微调构成；DBN运用CD算法逐层进行训练，得到每一层的参数W和c用于初始化DBN，之后再用监督学习算法对参数进行微调；DBN训练步骤如下：
(1)预训练：分别单独无监督的训练每一层RBM网络，确保特征向量映射到不同特征空间，都尽可能的保留特征信息；它通过一个非监督贪婪逐层方法预训练获得权重；数据输入到可见层，生成一个向量V，在通过权值w传给隐藏层，得到h，由于隐藏层之间是无连接的，所以可以并行得到隐藏层所有节点值；通过隐层激活单元和可视层输入之间的相关性差别就作为权值更新的依据；
(2)微调：在DBN的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器；而且每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个DBN的特征向量映射达到最优，所以反向传播网络还将错误信息自顶向下传播至每一层RBM，微调整个DBN网络；RBM网络训练模型的过程看作对一个深层BP网络权值参数的初始化，使DBN克服BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。
3.根据权利要求1所述的一种基于APSO-DBN的滚动轴承剩余寿命预测方法，其特征在于：速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下：
但是PSO在整个搜索寻优过程中，由于群体中的各粒子依据自我前进跟随全局最优和粒子本身个体最优，粒子对全局最优的不断追踪使得粒子速度越来越小，易陷入局部最优；为了避免上述情况，采用自适应粒子群优化算法，根据群体早熟收敛程度、多样性以及粒子个体的适应度函数值来自适应地调整粒子飞行的速度；自适应粒子群算法表述为：
φj＝bj*rj+dj,j＝1,2
惯性权重调整公式为：
式中：i为当前迭代数；φ为(0,4)间均匀分布随机数，bj＝1.5,dj＝0.5，rj为(0,1)间均匀分布随机数；bj和dj共同作用使j在(0.5,2)间随机分布，
为是否进行变异的判断标准，imax为最大迭代数，惯性权重最大值wmax为0.9，最小值wmin为0.4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010369728.7A CN111581880A (zh) | 2020-05-06 | 2020-05-06 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010369728.7A CN111581880A (zh) | 2020-05-06 | 2020-05-06 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111581880A true CN111581880A (zh) | 2020-08-25 |
Family
ID=72120438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010369728.7A Pending CN111581880A (zh) | 2020-05-06 | 2020-05-06 | 基于apso-dbn的滚动轴承剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581880A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112557037A (zh) * | 2020-11-30 | 2021-03-26 | 南京工业大学 | 一种风电主轴轴承模型加速寿命试验方法 |
| CN113011463A (zh) * | 2021-02-25 | 2021-06-22 | 上海工程技术大学 | 一种基于改进的ga-bp的中草药设备轴承寿命预测方法 |
| CN113780689A (zh) * | 2021-11-11 | 2021-12-10 | 中国科学院理化技术研究所 | 一种基于人工智能的能量路由器寿命预测方法和装置 |
| CN113807005A (zh) * | 2021-08-12 | 2021-12-17 | 北京工业大学 | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
| CN114252266A (zh) * | 2021-12-27 | 2022-03-29 | 上海应用技术大学 | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 |
| CN116050285A (zh) * | 2023-03-29 | 2023-05-02 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781592A (zh) * | 2019-10-25 | 2020-02-11 | 中国人民解放军火箭军工程大学 | 一种设备剩余寿命的预测方法及系统 |
-
2020
- 2020-05-06 CN CN202010369728.7A patent/CN111581880A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110781592A (zh) * | 2019-10-25 | 2020-02-11 | 中国人民解放军火箭军工程大学 | 一种设备剩余寿命的预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 张娜: "基于深度信念网络的滚动轴承寿命预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 January 2019 (2019-01-15), pages 32 - 53 * |
| 李正明等: "基于PSO-DBN神经网络的光伏短期发电出力预测", 《电力系统保护与控制》, pages 149 - 154 * |
| 梁智等: "基于VMD与PSO优化深度信念网络的短期负荷预测", 《电网技术》, 28 February 2018 (2018-02-28), pages 598 - 606 * |
| 陈立芳等: "基于自适应粒子群优化的非稳态自动平衡控制算法研究", 《振动与冲击》, 28 December 2018 (2018-12-28), pages 131 - 136 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112557037A (zh) * | 2020-11-30 | 2021-03-26 | 南京工业大学 | 一种风电主轴轴承模型加速寿命试验方法 |
| CN112557037B (zh) * | 2020-11-30 | 2022-03-11 | 南京工业大学 | 一种风电主轴轴承模型加速寿命试验方法 |
| CN113011463A (zh) * | 2021-02-25 | 2021-06-22 | 上海工程技术大学 | 一种基于改进的ga-bp的中草药设备轴承寿命预测方法 |
| CN113011463B (zh) * | 2021-02-25 | 2022-09-06 | 上海工程技术大学 | 一种基于改进的ga-bp的中草药设备轴承寿命预测方法 |
| CN113807005A (zh) * | 2021-08-12 | 2021-12-17 | 北京工业大学 | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
| CN113780689A (zh) * | 2021-11-11 | 2021-12-10 | 中国科学院理化技术研究所 | 一种基于人工智能的能量路由器寿命预测方法和装置 |
| CN114252266A (zh) * | 2021-12-27 | 2022-03-29 | 上海应用技术大学 | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 |
| CN116050285A (zh) * | 2023-03-29 | 2023-05-02 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
| CN116050285B (zh) * | 2023-03-29 | 2023-06-06 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111581880A (zh) | 基于apso-dbn的滚动轴承剩余寿命预测方法 | |
| Silva et al. | A novel unsupervised approach based on a genetic algorithm for structural damage detection in bridges | |
| CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| Deutsch et al. | Using deep learning based approaches for bearing remaining useful life prediction | |
| He et al. | Deep variational autoencoder classifier for intelligent fault diagnosis adaptive to unseen fault categories | |
| CN109726524A (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
| Yen et al. | An effective neuro-fuzzy paradigm for machinery condition health monitoring | |
| CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
| CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
| Xie et al. | Neural-network based structural health monitoring with wireless sensor networks | |
| CN112684012A (zh) | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| Chen et al. | Real-time bearing remaining useful life estimation based on the frozen convolutional and activated memory neural network | |
| Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
| CN116595319A (zh) | 应用于轨道交通电机健康状态评估的预测方法及系统 | |
| Yuan et al. | A multichannel MN-GCN for wheelset-bearing system fault diagnosis | |
| Li et al. | An orthogonal wavelet transform-based K-nearest neighbor algorithm to detect faults in bearings | |
| CN114566047A (zh) | 一种基于短时路况预测算法的预警方法及系统 | |
| Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
| Jia et al. | Multitask convolutional neural network for rolling element bearing fault identification | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| Seo et al. | Development of an artificial intelligence system to design of structures using reinforcement learning: Proof of concept |
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 |