CN111595583B - 基于gau神经网络的轴承剩余寿命的预测方法 - Google Patents

Abstract

本发明涉及一种基于GAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GAU神经网络中进行寿命预测。本发明大大提高了对轴承剩余寿命的预测准确度。

Description

基于GAU神经网络的轴承剩余寿命的预测方法

技术领域

本发明属于滚动轴承检测技术领域，涉及一种基于GAU神经网络的轴承剩余寿命的预测方法。

背景技术

滚动轴承广泛应用于机械设备中，是应用最为广泛的机械零部件之一。在过载、冲击、磨损等复杂的工作环境下，滚动轴承会出现不同程度损坏的问题，这会导致整个机械设备出现停机、损坏，严重情况下还会给生产活动带来极大危害，引发人身安全问题。所以，滚动轴承的健康状况制约着整个机械设备的可靠性、安全性和生产效率。因此，对滚动轴承的剩余寿命预测能够对其健康状态进行有效的评估，确保机械设备可以安全高效的工作。

虽然目前有用神经网络来预测滚动轴承剩余寿命的方法，但这部分神经网络结构预测所得结果不够准确，对滚动轴承的监测所起作用不大。

发明内容

有鉴于此，本发明的目的在于提供一种基于GAU神经网络的轴承剩余寿命的预测方法，构建门控注意力单元网络(GAU)，将轴承振动信号的时域特征均方根值作为健康指标输入到GAU神经网络对轴承的剩余寿命进行预测，提高预测结果的准确度。

为达到上述目的，本发明提供如下技术方案：

一种基于GAU神经网络的轴承剩余寿命的预测方法，首先，通过安装在实验台上的加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GAU神经网络中进行寿命预测；

该方法具有包括以下步骤：

S1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为T_s，样本数为n；

S2：计算降噪处理后各振动信号的均方根值，得到n×1维特征值向量X＝[x₁,x₂,…,x_n]^T；选取前m个样本的特征值向量作为训练向量S＝[x₁,x₂,…,x_m]^T；

S3：归一化训练向量S，得到归一化后的训练向量Y＝[y₁,y₂,…,y_m]^T；

S4：重构矩阵W；

S5：构建门控注意力单元神经网络(Gated attention unit network,GAU)，输入层单元数为k，输出层单元数为1；

S6：将矩阵W前面k行作为GAU神经网络的输入，最后一行作为GAU神经网络的输出来训练网络；

S7：将倒数k个输出作为网络输入，得到下一时刻的输出；

S8：重复步骤S7，当输出反归一化之后超过设定的阈值时，这时预测的采样点数减去m乘以振动信号间隔时间与采样时间之和T_s+T即为轴承的剩余寿命。

进一步，所述步骤S3中，归一化训练向量S采用线性归一化方法。

进一步，所述步骤S4中，重构矩阵为

进一步，所述步骤S5中，构建的GAU神经网络为：

r_t＝σ(U_rx_t+W_rh_t-1+b_r)

z_t＝σ(U_zx_t+W_zh_t-1+b_z)

其中，r_t表示重置门输出，z_t表示更新门输出；x_t为网络t时刻输入信息，h_t-1为上一时刻隐藏状态信息；W_r和U_r为重置门权重矩阵，W_z和U_z为更新门门权重矩阵，W_h和U_h为候选状态权重矩阵，b_r,b_z,b_h为偏置矩阵；A_t为重置门和更新门的注意力分布。

更进一步，构建的GAU神经网络中，重置门和更新门的注意力分布A_t的计算公式为：

其中，

为权重矩阵，

为偏置矩阵；

通过sigmoid函数计算，表示重置门和更新门输出的注意力比率；

是通过Tanh函数计算出的候选注意力值，表示信息对预测的贡献度。

本发明的有益效果在于：本发明通过引入门控注意力单元网络(GAU)，将轴承振动信号的时域特征均方根值作为健康指标输入到GAU神经网络对轴承的剩余寿命进行预测，与现有神经网络预测结果相比，大大提高了预测结果的准确度。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为GAU神经网络结构图；

图2为注意力门结构图；

图3为本发明轴承剩余寿命预测方法流程图；

图4为对同一工况下不同轴承利用RMS进行寿命预测的结果仿真图(选取最后一百点)；

图5为采用GAU神经网络与现有网络对轴承剩余寿命的预测效果对比图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图5，滚动轴承振动信号的时域特征在一定程度上反映了滚动振动信号的状态、健康状况的退化趋势。在时域特征中，均方根值(RMS)被广泛应用来评估振动信号，以此来有效的反映轴承的退化趋势。因此，本发明选取轴承振动信号的时域特征均方根值来作为健康指标对轴承的剩余寿命进行预测。首先，通过安装在实验台上的加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GAU网络中进行寿命预测。

如图3所示，基于GAU神经网络的预测方法流程：

1、采集轴承生命周期中的振动信号。采样时间为T，相邻采样点之间的间隔为T_s。假设样本数为n。

2、分别计算这些振动信号降噪之后的均方根值，则可得到n×1维的特征值向量X＝[x₁,x₂,…,x_n]^T。选取前m个样本的特征值向量作为训练向量S＝[x₁,x₂,…,x_m]^T。

3、利用线性归一化方法来归一化训练向量S，得到归一化后的训练向量Y＝[y₁,y₂,…,y_m]^T。

4、重构矩阵

5、构建GAU神经网络，如图1、2所示，输入层单元数为k，输出层单元数为1。

GAU神经网络的构建过程：注意力门是通过注意机制对整个时间维度内的数据进行处理。注意力门是在每个时间维度利用sigmoid和Tanh函数对重置门和更新门输出进行处理。本预测方法提出的改进神经网络对输入矩阵进行注意力门处理，对重置门和更新门输出进行注意力门处理，能够对输入信息进行更加有效的利用。门控注意力单元网络结构推导过程如下所示：

1)注意力门公式如下：

其中，

为权重矩阵，

为偏置矩阵；

通过sigmoid函数计算，表示重置门和更新门输出的注意力比率；

是通过Tanh函数计算出的候选注意力值，表示信息对预测的贡献度；A_t为重置门和更新门的注意力分布。

2)将加注意力门嵌入GRU神经网络内部，一种GRU神经网络的变体结构得以被推导，其推导公式如下：

r_t＝σ(U_rx_t+W_rh_t-1+b_r)

z_t＝σ(U_zx_t+W_zh_t-1+b_z)

其中，x_t为GAU网络输入信息，h_t-1为上一时刻隐藏状态信息。W_r和U_r为重置门权重矩阵，W_z和U_z为更新门门权重矩阵，W_h和U_h为候选状态权重矩阵，b_r,b_z,b_h为偏置矩阵。

6、将矩阵W前面k行作为神经网络的输入，最后一行作为神经网络的输出来训练网络。

7、将倒数k个输出作为网络输入，得到下一时刻的输出。

8、重复步骤7一定次数，将这些输出反归一化之后与实际值x′＝(x_m+1,x_m+2,…x_n)^T比较，以证明本发明方法的有效性。同时，当输出反归一化之后超过设定的阈值时，这时预测的采样点数减去m乘以振动信号间隔时间与采样时间之和T_s+T即为轴承的剩余寿命。

验证实验：

本次实验采用的轴承数据来自PRONOSTIA试验台，主要由旋转部分、加载部分及测量部分组成。旋转部分主要包括电机、加速器、齿轮箱及相应的转轴四部分，轴承的转速和方向可以通过人为对电机的设定。加载部分是试验台的重要组成部分，该部分为了加速轴承的衰退过程，达到缩短其寿命周期的目的，对滚动轴承的径向载荷不断增加直至达到轴承的最大额定值。测量部分利用加速度传感器和温度传感器来测量轴承的振动信号和温度两种状态指标。加速度传感器可以测量水平和垂直方向的加速度，采样频率为25.6kHz，采样间隔时间为10s，采样时间为0.1s。温度传感器的采样频率为10Hz。

如图4所示，对转速为1800rpm和负载为4000N工况下的轴承1和轴承2利用RMS进行寿命预测，轴承1和轴承2分别包含2803和2375个RMS值。由于轴承1前1000个RMS变化平稳，故选取1001到2725总共1725个RMS值来进行寿命预测，预测结果如图4(a)所示。同理，轴承2选取439到2238总共1800个RMS值来进行寿命预测，预测结果如图4(b)所示。轴承1和轴承2的失效阈值为1.903。预测最后100点的失效阈值、训练值、预测值与实际值，预测结果如图4所示，预测结果与实际值基本一致。

对比实验：

为了充分的证明本发明的优势，从MAE(平均绝对误差)、MAPE(平均绝对百分误差)、RMSE(均方根误差)三个评价指标出发，分别与现有的神经网络模型进行对比，对比结果如图5，从图5可看出本发明所采用的GAU神经网络比现有神经网络具有更高的预测精度。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于GAU神经网络的轴承剩余寿命的预测方法，其特征在于，首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GAU神经网络中进行寿命预测；

该方法具有包括以下步骤：

S1：采集轴承生命周期中的振动信号，并进行降噪处理；设采样时间为T，相邻采样点之间的间隔为T_s，样本数为n；

S2：计算降噪处理后各振动信号的均方根值，得到n×1维特征值向量X＝[x₁,x₂,…,x_n]^T；选取前m个样本的特征值向量作为训练向量S＝[x₁,x₂,…,x_m]^T；

S3：归一化训练向量S，得到归一化后的训练向量Y＝[y₁,y₂,…,y_m]^T；

S4：重构矩阵W，表达式为：

S5：构建门控注意力单元网络，即GAU神经网络，输入层单元数为k，输出层单元数为1；

构建的GAU神经网络为：

r_t＝σ(U_rx_t+W_rh_t-1+b_r)

z_t＝σ(U_zx_t+W_zh_t-1+b_z)

其中，r_t表示重置门输出，z_t表示更新门输出；x_t为网络t时刻输入信息，h_t-1为上一时刻隐藏状态信息；W_r和U_r为重置门权重矩阵，W_z和U_z为更新门权重矩阵，W_h和U_h为候选状态权重矩阵，b_r,b_z,b_h为偏置矩阵；A_t为重置门和更新门的注意力分布；

S6：将矩阵W前面k行作为GAU神经网络的输入，最后一行作为GAU神经网络的输出来训练网络；

S7：将倒数k个输出作为网络输入，得到下一时刻的输出；

S8：重复步骤S7，当输出反归一化之后超过设定的阈值时，这时预测的采样点数减去m乘以振动信号间隔时间与采样时间之和T_s+T即为轴承的剩余寿命。

2.根据权利要求1所述的基于GAU神经网络的轴承剩余寿命的预测方法，其特征在于，所述步骤S3中，归一化训练向量S采用线性归一化方法。

3.根据权利要求1所述的基于GAU神经网络的轴承剩余寿命的预测方法，其特征在于，构建的GAU神经网络中，重置门和更新门的注意力分布A_t的计算公式为：

其中，

为权重矩阵，

为偏置矩阵；

通过sigmoid函数计算，表示重置门和更新门输出的注意力比率；

是通过Tanh函数计算出的候选注意力值，表示信息对预测的贡献度。

Images