CN111611744B - 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 - Google Patents
基于循环卷积网络及变分推理的滚动轴承寿命预测方法 Download PDFInfo
- Publication number
- CN111611744B CN111611744B CN202010247103.3A CN202010247103A CN111611744B CN 111611744 B CN111611744 B CN 111611744B CN 202010247103 A CN202010247103 A CN 202010247103A CN 111611744 B CN111611744 B CN 111611744B
- Authority
- CN
- China
- Prior art keywords
- bearing
- variation
- layer
- rolling bearing
- distribution
- 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
- 125000004122 cyclic group Chemical group 0.000 title claims abstract description 26
- 238000005096 rolling process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000011176 pooling Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001953 sensory effect Effects 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 7
- 238000006731 degradation reaction Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 4
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法，首先获得多源传感数据，整合为多维轴承样本集，充分利用轴承运行状态中的有效信息；将数据输入由循环卷积层和池化层组成的多层特征提取单元，提取轴承的健康状态特征，并模拟不同退化状态的时间依赖性；然后输入全连接层得到轴承健康状态的预测结果；最后，利用变分推理方法，通过最小化近似变分分布q(ω)和后验分布p(ω|X,O)间的相对熵KL量化轴承剩余寿命预测的不确定性，完成滚动轴承的剩余寿命预测。本发明所提出的轴承剩余寿命预测方法，基于变分推理得到滚动轴承的概率剩余寿命的预测结果，克服了传统卷积神经网络的固有局限性，有利于维护决策的有效制定。
Description
技术领域
本发明属于滚动轴承剩余寿命预测技术领域，具体涉及一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法。
背景技术
滚动轴承作为机械装备的重要零部件之一，其运行状态往往直接影响设备的整体性能。传统的定期维修策略，对不同状态的轴承进行统一更换，不仅耗费大量人力物力，而且可靠性不高，造成资源的严重浪费。预防性维修策略，采用深度学习方法，可根据轴承的不同健康状况有效评估轴承的剩余寿命，进行针对性地预知维修，可大大提高轴承的服役期，大大提升了经济效益。
目前，基于深度学习方法的剩余寿命预测模型主要采用传统的卷积神经网络(CNN)而构建，然而，这一方法存在以下显著缺点：1)网络构建时，未将设备不同时刻的退化状态在时间尺度上的相关性考虑在内，导致模型的预测准确性不高，应用方法难以推广；2)缺少对轴承剩余寿命预测不确定性的量化。传统的CNN结构仅提供点估计，无法得到预测结果的准确概率分布，使得维护决策制定的风险提高，可靠性大打折扣。
发明内容
为解决上述技术问题，本发明提出一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法，用以预测滚动轴承的剩余寿命，旨在提高滚动轴承剩余寿命预测的精度和收敛性，打破传统卷积神经网络模型的固有限制，提供剩余寿命预测的概率分布结果，促进维护决策的有效制定。
为达到上述目的，本发明采取的技术方案为：一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法，其特征在于，包括以下步骤：
步骤1，获取滚动轴承原始多源传感数据样本数据集
其中，H×1×C为时间序列传感数据的大小，H为每个传感数据序列长度，C为传感器个数；
步骤2，将滚动轴承数据先输入到循环卷积层，得到t时刻第i个循环卷积层的第j个特征为：
其中，
表示哈达玛积，
为t-1时刻由循环连接反馈传递的存储状态，
和
为二维卷积核，
为偏差项；
再输入模型的池化层，得到时刻t的状态
其中pool(·)为采样函数，p为池的大小，s为步长；
步骤3，将提取后的特征输入全连接层，得到轴承剩余寿命的预测结果为：
其中，
为i-1层的输出，
为权重矩阵，
为偏差矩阵；
步骤4，将步骤3所得的初步预测结果通过变分推理方法进行不确定性量化；定义一个近似变分分布q(ω)来分解权重和偏差矩阵，即：
其中，Wl和bl分别为第l层的权重与偏差矩阵，πl∈[0,1]为给定的概率，
和
分别为权重与偏差的变分系数，τ为模型准确度，N(0,1)为标准正态分布；
步骤5，最小化近似变分分布q(ω)和后验分布p(ω|X,O)间的相对熵KL(q(ω)||p(ω|X,O))，即最小化目标函数：
其中，ω为基于循环卷积神经网络预测模型的随机变量，
为由T个输入组成的训练数据集，
为相应的输出；
通过最小化近似变分分布和后验分布之间的Kullback-Leibler差异，得到步骤3中预测结果的概率分布。
本发明与现有技术相比，具有以下优点和效果：本发明整合了多源传感器所采集的信息，使预测结果更加准确可靠；循环卷积层采用循环连接，能够充分利用来自输入时间序列传感器数据的信息并且模拟不同退化状态的时间依赖性；同时，采用门控机制解决了迭代过程中梯度消失或梯度爆炸问题，使得模型具有更佳的收敛性；此外，基于变分推理得到滚动轴承的概率剩余寿命的预测结果，克服了传统卷积神经网络的固有局限性，有利于维护决策的有效制定。
附图说明
图1为本发明的流程图。
图2为基于循环卷积神经网络的寿命预测模型结构图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
如图1所示，一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法，包括以下步骤：
步骤1，获取滚动轴承原始多源传感数据样本数据集
其中，H×1×C为时间序列传感数据的大小，H为每个传感数据序列长度，C为传感器个数；
步骤2，如图2所示，将滚动轴承数据先输入到循环卷积层，得到t时刻第i个循环卷积层的第j个特征为：
其中，
表示哈达玛积，
为t-1时刻由循环连接反馈得到的存储状态，
和
为二维卷积核，
为偏差项；
再输入模型的池化层，得到时刻t的状态
其中pool(·)为采样函数，p为池的大小，s为步长；
步骤3，将N个卷积层与N个池化层组成多层特征提取单元，逐层提取输入轴承数据的健康状态特征，并模拟不同退化状态的时间依赖性；
提取后的特征输入三层全连接层，得轴承剩余寿命的预测结果为：
其中，
为i-1层的输出，
为权重矩阵，
为偏差矩阵；
步骤4，将步骤3所得的初步预测结果通过变分推理方法进行不确定性量化；定义一个近似变分分布q(ω)来分解权重和偏差矩阵，即：
其中，Wl和bl分别为第l层的权重与偏差矩阵，πl∈[0,1]为给定的概率，
和
分别为权重与偏差的变分系数，τ为模型准确度，N(0,1)为标准正态分布；
步骤5，最小化近似变分分布q(ω)和后验分布p(ω|X,O)间的相对熵KL(q(ω)||p(ω|X,O))，即最小化目标函数：
其中，第一项通过蒙特卡罗积分计算，ω为基于循环卷积神经网络预测模型的随机变量，
为由T个输入组成的训练数据集，
为相应的输出；
通过最小化近似变分分布和后验分布之间的Kullback-Leibler(KL)差异，得到步骤3中预测结果的概率分布。
下面以加速退化实验的滚动轴承剩余寿命预测为例，验证本发明方法的可行性。
数据集来自NASA预测数据库网站上的FEMTO-ST轴承数据集，其数据为PRONOSTIA实验平台上进行滚动轴承的加速退化试验的结果。如表1所示，在三种不同的实验条件下测试了总共17个轴承。采样频率为25.6kHz。使用状态1和状态2的最后两个轴承数据集作为测试数据集，其余的用作训练数据集。在训练期间，水平和垂直振动信号都被用作模型的输入，即相应的输入规格为2560×1×2。
表1 FEMTO-ST轴承数据集
与传统卷积神经网络结构不同，本发明所提出的循环卷积神经网络结构(RCNN)，通过构造新的核心构建块，即循环卷积层，以从时间序列传感数据中学习短期及长期依赖性。为了说明循环卷积层的优势所在，将其他两个卷积神经网络应用于轴承的剩余寿命预测，包括标准CNN(表示为S-CNN)和具有循环连接的CNN(表示为R-CNN)。这两个预测网络与所提出的RCNN参数设置相同，预测性能估计结果如表2所示(CRA可在多个时间范围内评估预测方法的综合预测准确性，CPE可测量预测的剩余寿命收敛到实际值的速度)。
表2不同方法预测效果对比表
由对比结果可以观察到，通过向每个卷积层添加循环连接，R-CNN可以得到比S-CNN更高的累积相对精度，但缺点是其收敛速度相对较低。门控机制的引入使得所提出的RCNN与R-CNN相比实现更高的准确性和更快的收敛性。上述分析和比较结果表明，通过建立循环卷积层来模拟不同退化状态的时间依赖性，有效地提高了卷积网络的预测性能。此外，RCNN能够通过量化预测中的不确定性来提供概率分布，而不是点估计，克服了CNN的固有限制。因此，在滚动轴承的RUL预测中，所提出的RCNN优于其他四种预测方法。
虽然本发明已以实施例公开如上，但其并非用以限定本发明的保护范围，任何熟悉该项技术的技术人员，在不脱离本发明的构思和范围内所作的更动与润饰，均应属于本发明的保护范围。
Claims (1)
1.一种基于循环卷积网络及变分推理的滚动轴承寿命预测方法，其特征在于，包括以下步骤：
步骤1，获取滚动轴承原始多源传感数据样本数据集
其中，H×1×C为时间序列传感数据的大小，H为每个传感数据序列长度，C为传感器个数；
步骤2，将滚动轴承数据先输入到循环卷积层，得到t时刻第i个循环卷积层的第j个特征为：
其中，
表示哈达玛积，
为t-1时刻由循环连接反馈传递的存储状态，
和
为二维卷积核，
为偏差项；
再输入模型的池化层，得到时刻t的状态
其中pool(·)为采样函数，p为池的大小，s为步长；
步骤3，将提取后的特征输入全连接层，得到轴承剩余寿命的预测结果为：
其中，
为i-1层的输出，
为权重矩阵，
为偏差矩阵；
步骤4，将步骤3所得的初步预测结果通过变分推理方法进行不确定性量化；定义一个近似变分分布q(ω)来分解权重和偏差矩阵，即：
其中，Wl和bl分别为第l层的权重与偏差矩阵，πl∈[0,1]为给定的概率，
和
分别为权重与偏差的变分系数，τ为模型准确度，N(0,1)为标准正态分布；
步骤5，最小化近似变分分布q(ω)和后验分布p(ω|X,O)间的相对熵KL(q(ω)||p(ω|X,O))，即最小化目标函数：
其中，ω为基于循环卷积神经网络预测模型的随机变量，
为由T个输入组成的训练数据集，
为相应的输出；
通过最小化近似变分分布和后验分布之间的Kullback-Leibler差异，得到步骤3中预测结果的概率分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247103.3A CN111611744B (zh) | 2020-03-31 | 2020-03-31 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010247103.3A CN111611744B (zh) | 2020-03-31 | 2020-03-31 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611744A CN111611744A (zh) | 2020-09-01 |
| CN111611744B true CN111611744B (zh) | 2023-05-02 |
Family
ID=72200344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010247103.3A Active CN111611744B (zh) | 2020-03-31 | 2020-03-31 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611744B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112347571B (zh) * | 2020-09-18 | 2022-04-26 | 中国人民解放军海军工程大学 | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 |
| CN112559305B (zh) * | 2020-11-10 | 2023-01-17 | 深圳有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
| CN113221282B (zh) * | 2021-05-19 | 2022-12-06 | 西安交通大学 | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 |
| CN117647392B (zh) * | 2024-01-30 | 2024-04-09 | 成都三一能源环保技术有限公司 | 一种基于数据分析的井下钻井仪器报废监测预警系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
| CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
| CN110716512A (zh) * | 2019-09-02 | 2020-01-21 | 华电电力科学研究院有限公司 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180284756A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for adaption of data collection under anomalous conditions in an internet of things mining environment |
-
2020
- 2020-03-31 CN CN202010247103.3A patent/CN111611744B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
| CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
| CN110716512A (zh) * | 2019-09-02 | 2020-01-21 | 华电电力科学研究院有限公司 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于一维卷积神经网络的轴承剩余寿命预测;韩林洁;石春鹏;张建超;;制造业自动化(第3期);第15-18页 * |
| 基于全卷积层神经网络的轴承剩余寿命预测;张继冬等;《中国机械工程》;第30卷(第18期);第2231-2235页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611744A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611744B (zh) | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 | |
| CN110188397B (zh) | 一种架空输电线路覆冰预测模型和方法 | |
| CN111680446B (zh) | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 | |
| CN106446317B (zh) | 一种基于数学模型的密封式继电器贮存寿命预测方法 | |
| CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
| CN111783362B (zh) | 一种电动闸阀剩余使用寿命确定方法及系统 | |
| CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| CN112347571A (zh) | 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法 | |
| CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
| CN115841004A (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
| CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
| CN114547795A (zh) | 一种基于数据驱动的滚动轴承剩余寿命预测方法 | |
| CN112785479B (zh) | 一种基于少样本学习的图像隐形水印通用检测方法 | |
| Qian et al. | Application of new training method combined with feedforward artificial neural network for rolling bearing fault diagnosis | |
| CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
| CN115829029A (zh) | 一种基于通道注意力的自蒸馏实现方法 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN114372618A (zh) | 一种学生成绩的预测方法、系统、计算机设备及存储介质 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| Zhou et al. | Bearing life prediction method based on parallel multichannel recurrent convolutional neural network | |
| CN117371331A (zh) | 基于kddin的航空发动机剩余寿命预测方法 |
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 |