CN112418277B - 旋转机械零部件剩余寿命预测方法、系统、介质、设备 - Google Patents
旋转机械零部件剩余寿命预测方法、系统、介质、设备 Download PDFInfo
- Publication number
- CN112418277B CN112418277B CN202011213038.9A CN202011213038A CN112418277B CN 112418277 B CN112418277 B CN 112418277B CN 202011213038 A CN202011213038 A CN 202011213038A CN 112418277 B CN112418277 B CN 112418277B
- Authority
- CN
- China
- Prior art keywords
- degradation
- track
- training
- index
- sample set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000006731 degradation reaction Methods 0.000 claims abstract description 200
- 230000015556 catabolic process Effects 0.000 claims abstract description 198
- 238000012549 training Methods 0.000 claims abstract description 111
- 230000036541 health Effects 0.000 claims abstract description 52
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000009499 grossing Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 86
- 238000005096 rolling process Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013179 statistical model Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 108050008316 DNA endonuclease RBBP8 Proteins 0.000 description 3
- 102100024455 DNA repair protein SWI5 homolog Human genes 0.000 description 3
- 101000832371 Homo sapiens DNA repair protein SWI5 homolog Proteins 0.000 description 3
- 101000693367 Homo sapiens SUMO-activating enzyme subunit 1 Proteins 0.000 description 3
- 102100025809 SUMO-activating enzyme subunit 1 Human genes 0.000 description 3
- 102100035250 SUMO-activating enzyme subunit 2 Human genes 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于旋转机械智能剩余寿命预测技术领域，公开了一种旋转机械零部件剩余寿命预测方法、系统、介质、设备，以训练样本集为输入进行堆栈式自编码器模型并行训练，提取训练样本集的深度融合特征并根据相关性指标和单调性指标筛选；将筛选出来的优质特征传入自组织映射网络模型中训练，以初始退化指标的退化率进行退化阶段的划分，并进行新型健康指标的构建；新型健康指标退化轨迹平滑处理构建退化轨迹库；在预测阶段，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹计算剩余寿命。实现从状态监测数据到剩余寿命的高阶映射关系，摆脱了对失效数据和寿命分布模型的依赖，提高了设备剩余寿命预测的准确性与实用性。
Description
技术领域
本发明属于旋转机械智能剩余寿命预测技术领域，尤其涉及一种旋转机械零部件剩余寿命预测方法、系统、介质、设备。
背景技术
目前：旋转机械零部件通常是机械设备中最容易发生故障的部件，轴承和齿轮的失效会引起异常的振动，使得设备的退化进程加快，进而导致设备的剩余寿命不断减少。当剩余寿命的值超过某一失效阈值时，旋转机械零部件则会发生故障。滚动轴承是电机、风力发电机组和齿轮箱等旋转机械中最重要的部件之一，它由滚动体、外圈、内圈和保持架组成。在复杂工况下长期运行的滚动轴承会不可避免地发生性能退化，从而导致剩余寿命(Remaining Useful Life,RUL)不断减少，发生故障的可能性逐渐增加。不同的工作条件、振动、温度、载荷等，这些因素往往会导致滚动轴承性能的下降甚至发生故障和失效。滚动轴承的性能状态直接影响着设备的运行安全，因此，自动、准确地预测滚动轴承的剩余寿命非常重要。滚动轴承的剩余寿命预测主要是通过对滚动轴承运行时的一些动态参数如温度、振幅、位移等信号进行分析处理，对滚动轴承不同工况的数据进行挖掘，从而达到退化状态评估的目的。通常，评价一种滚动轴承寿命预测方法好坏的指标有预测精度、预测效率、鲁棒性、客观性等。滚动轴承寿命预测方法可分为传统的基于概率统计模型的剩余寿命预测方法和基于智能算法模型的剩余寿命预测方法。基于智能算法模型的剩余寿命预测方法直接通过已有的观测数据学习机械设备的退化模式，而不需要构建相应的物理或概率统计模型。在工程实际中，获得一个复杂机械系统的物理模型或概率统计模型往往存在一定的困难。故基于智能算法模型的剩余寿命预测能获得更加理想的预测效果，也更具可操作性。智能剩余寿命预测通常包含四个步骤：1)退化数据采集，2)特征提取和筛选，3)模型的训练，4)剩余寿命的评估。
传统方法往往难以全面地表征各种外界因素对旋转机械零部件的耦合作用，并且在建模时需要依赖工程实践经验，模型的泛化能力往往较差。经典的概率统计模型对机械设备的失效过程缺乏系统化的考量，导致预测结果难以达到理想的精度。基于概率统计模型的剩余寿命预测方法一般依赖于初始退化模型的选择，而这种选择主要依据专家经验，具有一定的主观性，再者，概率统计方法得到的寿命预测结果大多是对于统计整体而言的，并不关注单个样本的具体失效模式。此外，由于不能对状态监测数据进行有效地利用，导致基于概率统计模型的剩余寿命预测方法难以实现剩余寿命的实时预测。滚动轴承基于智能算法模型的剩余寿命预测方法是基于数据驱动，运用传感器和计算机技术发展起来的一类方法，如支持向量机、主成分分析、人工神经网络、堆栈式自编码器、卷积神经网络和循环神经网络等。其中，支持向量机、主成分分析和人工神经网络等智能诊断方法虽然能摆脱对专家经验的依赖，实现了滚动轴承性能状态特征的自适应学习，提高了故障诊断结果的客观性，但是，这种剩余寿命预测方法是一种基于浅层特征学习的智能预测方法，很难从原始数据中提取出深层特征。因此，这种方法的特征学习能力弱，寿命预测精度低。
为了提高模型的特征学习能力，学者们提出了以堆栈式自编码器、卷积神经网络、循环神经网络等为代表的基于深层特征学习的智能寿命预测方法。其中，由于网络结构的复杂性，卷积神经网络和循环神经网络的训练过程非常复杂，堆栈式自动编码器由于其结构简单和无监督的特征提取能力，广泛地应用于模式识别、健康监测等领域的特征提取过程中。例如，挪威Senanayaka等人于2018年在International Conference on ElectricalMachines and Systems ICEMS的537-542页上发表的“Autoencoders and RecurrentNeural Networks based Algorithm forPrognosis ofBearing Life”的文字中，提出了一种基于自编码器和循环神经网络的轴承寿命预测算法，该方法首先对采集的退化样本数据进行预处理，并进行训练集和测试集的划分，其次构建并训练自编码器模型进行深度特征的提取，然后将深度特征传入到循环神经网络中的长短时记忆模型中进行时序序列的训练与预测，实现现场实时采集的滚动轴承时间退化序列的剩余寿命预测，为旋转机械设备的生产运行与维护提高参考。然而该方法虽然采用自编码器进行深度特征的提取，但未对提取的深层特征进行有效评价，而且仅使用一个自编码器进行特征的提取，则模型的鲁棒性较差，使后续寿命预测模型在随机干扰下预测的精度稳定性较差。
通过上述分析，现有技术存在的问题及缺陷为：现有技术方法未对提取的深层特征进行有效评价，而且仅使用一个自编码器进行特征的提取，则模型的鲁棒性较差，使后续寿命预测模型在随机干扰下预测的精度稳定性较差。
解决以上问题及缺陷的难度为：随着装备系统复杂度的增加，尤其在航空航天等领域，现有技术方法的实现需要采集大量且多维信号数据，来实现多个方位地退化感知，在有限的时间下，这对试验数据的采集增加难度，并为后续数据的预处理和特征的提取提出了挑战。在模型训练阶段，为模型超参数的选择与设定增加了难度，并放大主观因素所造成的不确定性，使模型泛化能力和鲁棒性的提升较为困难。
解决以上问题及缺陷的意义为：在中高端设备中，其关键部位旋转零部件剩余寿命的评估，是作为一种机械装备可靠运行进行定量评估的一种必要技术，有利于合理确定设备的健康管理计划，降低运行和维护成本，可提高装备系统主动维修的准确性，保证整个装备系统的高效运行具有重要意义。
发明内容
针对现有技术存在的问题，本发明提供了一种旋转机械零部件剩余寿命预测方法、系统、介质、设备。
本发明是这样实现的，一种旋转机械零部件剩余寿命预测方法，所述旋转机械零部件剩余寿命预测方法获取训练样本集和测试样本集；建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取出深度融合特征并根据相关性指标和单调性指标进行筛选；将训练样本集传入自组织映射网络模型中进行训练，并将输入数据的最小量化误差作为初始健康指标，以退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；对新型健康指标的退化轨迹进行平滑处理构建退化轨迹库；在测试阶段，将测试集数据进行相同处理提取出退化轨迹，并计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹来计算剩余寿命，从而实现旋转机械零部件的剩余寿命预测。
进一步，所述旋转机械零部件剩余寿命预测方法包括如下步骤：
(1)获取训练样本集和测试样本集：
(1a)将从数据库中选取的滚动轴承的I个振动时域信号数据作为训练样本，每个训练样本代表一系列退化数据的采集，所有训练样本构成训练样本集X1，其中xi表示第i个训练样本；
(1b)将通过数据采集系统实时采集的待诊断滚动轴承的J个振动时域信号数据作为测试样本，所有测试样本构成测试样本集X2，xj表示第j个测试样本；
(2)集成SAE深度特征的提取：
(2a)设定多个SAE模型参数，将第i个模型的输入层为训练样本X1的特征个数、隐含层设为hi1,hi2,...,hil、输出层与输入层神经元数相等，构建最终的第i个深度自编码器Ai；
(2b)将训练样本集X1作为堆栈式自编码器模型的输入，对Ai进行训练，得到训练后的隐含层为hil的深度自编码器Ai；
(2c)将训练样本X1和测试样本X2传入训练好的深度自编码器Ai中，并将隐含层中的第hil层的深度融合特征值提取出来，并将多个SAE提取出来的深度融合特征进行合并；
(2d)根据提取的深度融合特征序列F＝(f1,f2,···fN)，根据式子Cri(F)＝w1Corr(F)+w2Mon(F)可求出深度融合特征序列描述退化特征的好坏，其中Corr(F)和Mon(F)分别代表相关性指标和单调性指标；
(2e)计算集合特征的Cri值和出现频率进行筛选形成特征集合，从而构建新的训练样本集H1和测试集H2，并且实现了高维复杂数据的降维；
(3)基于自组织映射(SOM)网络的退化阶段的划分：
(3a)将训练样本集H1传入到设定好的SOM模型中进行训练，得到训练好的SOM模型；
(3b)计算输入数据H1和H2的最小量化误差MQE作为初始健康指标HI，该HI表示当前状态偏离健康状态的程度；
(3c)计算出退化率，并判断是否为单阶段退化，若不是单阶段退化，需根据设定的阈值来进行缓慢退化阶段与快速退化阶段的划分；
(4)基于退化阶段的健康指标的构建
(4a)若退化阶段为单阶段，则第Ti时刻的健康指标为Ti占当前样本所采集时间的比例为Ri，并将Ri作为新的健康指标；
(4b)若退化阶段为两阶段，设定缓慢退化率为k1和快速退化率k2两个阶段，利用下式计算出不同阶段的新的健康指标Ri：
(5)基于退化轨迹相似度的剩余寿命预测：
(5a)根据训练集的健康指标Ri，并对其进行平滑处理得到其退化轨迹库S；
(5b)对测试集的健康指标Ri提取出其退化轨迹，然后计算该轨迹与退化轨迹库S中各轨迹的相似度S(i,j)；
(6)获取滚动轴承剩余寿命预测结果：
(6a)设定退化轨迹的三个参数：缓慢退化阶段的退化率k1、快速退化阶段的退化率k2和初始故障的开始时间T1；
(6b)设退化轨迹参数服从正态分布，令和/>分别为k1、k2和T1的均值，和/>分别为k1、k2和T1的方差；
(6c)计算寿命长度L：
(6d)滚动轴承在t时刻的剩余寿命为Lrt i：Lrt i＝Li-t。
进一步，所述步骤(2d)中所述的综合特征指标Cri，其表达式为：
其中，ε(x)为计数函数，ti为第i次监测时的时间，wi为为评价指标的权重，N为特征序列长度，ε(x)计数函数的数学表达为：
进一步，所述步骤(3b)中所述的最小量化误差MQE，其表达式为：
M＝||I-nBMU||2；
其中M为输入数据的MQE，即新输入数据与BMU的欧式距离，其中BMU通过计算输入的样本向量与SOM网络中单元的权重向量的欧式距离得到，其数学表达如下：
式中，t表示迭代时间，c表示BMU的索引，mi(t)表示在t时刻SOM中的第i个权重向量。
进一步，所述步骤(5b)中所述的轨迹的相似度S(i,j)，其表达式为：
式中，Nor为归一化参数，表示测试集中第i个装备退化轨迹的点集，/>表示训练集中第j个装备退化轨迹的点集，S(i,j)为第i个装备退化轨迹与训练集中第j个装备退化轨迹的相似度，d(·)表示退化轨迹/>与退化轨迹/>的距离。其数学表达如下：
其中表示测试集中第i个装备退化轨迹点集的长度。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：获取训练样本集和测试样本集；建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的深度融合特征并根据相关性指标和单调性指标进行筛选；将筛选出来的优质特征传入自组织映射网络模型中进行训练，以初始退化指标的退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；对新型健康指标的退化轨迹进行平滑处理构建退化轨迹库；在预测阶段，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹来计算剩余寿命。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取训练样本集和测试样本集；建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的深度融合特征并根据相关性指标和单调性指标进行筛选；将筛选出来的优质特征传入自组织映射网络模型中进行训练，以初始退化指标的退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；对新型健康指标的退化轨迹进行平滑处理构建退化轨迹库；在预测阶段，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹来计算剩余寿命。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的旋转机械零部件剩余寿命预测方法。
本发明的另一目的在于提供一种实施所述旋转机械零部件剩余寿命预测方法的旋转机械零部件剩余寿命预测系统，所述旋转机械零部件剩余寿命预测系统包括：
样本集获取模块，用于获取训练样本集和测试样本集；
特征筛选模块，用于建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的集成特征并根据相关性指标和单调性指标进行筛选；
新型健康指标构建模块，用于将训练样本集传入自组织映射网络模型中进行训练，并将输入数据的最小量化误差作为初始健康指标和退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；
退化轨迹库构建模块，用于对训练集下的新型健康指标进行平滑处理构建退化轨迹库；
剩余寿命计算模块，将测试集数据进行相同处理提取出退化轨迹，然后计算与退化轨迹库中的各轨迹相似度，根据退化轨迹参数来计算剩余寿命，从而实现旋转机械零部件的剩余寿命预测。
本发明的另一目的在于提供一种滚动轴承剩余寿命预测方法，所述滚动轴承剩余寿命预测方法用于使用所述的旋转机械零部件剩余寿命预测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明在集成SAE深度特征提取方法、基于SOM的退化阶段划分方法以及基于退化阶段的HI构建方法的基础上，提出一种基于改进两阶段HI与传统SAE的深度特征融合模型，可用于滚动轴承等旋转机械的剩余寿命预测。
本发明在特征提取和选择阶段，基于集成SAE的深度学习方法不依赖信号处理技术和专家经验，能够通过无监督学习的方式自适应提取轴承的性能退化特征，是一种行之有效的特征学习方法。基于Cri指标与特征频率的特征集成方法能够有效地屏蔽学习能力较差的SAE，在一定程度上降低了SAE超参数设置不当对剩余寿命预测结果的影响。在寿命预测阶段，利用筛选出的特征，构建退化特征的融合模型，最终利用基于退化轨迹相似度的剩余寿命预测方法，实现了轴承剩余寿命的预测，与现有技术相比，真正实现了从状态监测数据到剩余寿命的高阶映射关系，摆脱了对失效数据和寿命分布模型的依赖，提高了设备剩余寿命预测的准确性与实用性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的旋转机械零部件剩余寿命预测方法流程图。
图2是本发明实施例提供的旋转机械零部件剩余寿命预测系统的结构示意图；
图2中：1、样本集获取模块；2、特征筛选模块；3、新型健康指标构建模块；4、退化轨迹库构建模块；5、剩余寿命计算模块。
图3是本发明实施例提供的旋转机械零部件剩余寿命预测方法的实现流程图。
图4(a)是本发明实施例提供的表示训练样本B1_1筛选出的集成特征Cri值示意图。
图4(b)是本发明实施例提供的表示训练样本B1_2筛选出的集成特征Cri值示意图。
图5(a)是本发明实施例提供的为训练集轴承B1_1的新型HI和和传统HI变化图。
图5(b)是本发明实施例提供的为训练集样本B1_2的新型HI和和传统HI变化图；
图6(a)是本发明实施例提供的为单阶段退化的HI示意图。
图6(b)是本发明实施例提供的为两阶段退化的HI示意图；
图7是本发明实施例提供的基于退化轨迹相似度的RUL预测方法流程图。
图8(a)是本发明实施例提供的为测试集样本B1_3采用改进的HI方法的剩余寿命变化曲线图。
图8(b)是本发明实施例提供的为测试集样本B1_3采用传统的HI方法的剩余寿命变化曲线图。
图9(a)是本发明实施例提供的为测试集样本B1_4采用改进的HI方法的剩余寿命变化曲线图。
图9(b)是本发明实施例提供的为测试集样本B1_4采用传统的HI方法的剩余寿命变化曲线图。
图10(a)是本发明实施例提供的为测试集样本B1_5采用改进的HI方法的剩余寿命变化曲线图。
图10(b)是本发明实施例提供的为测试集样本B1_5采用传统的HI方法的剩余寿命变化曲线图。
图11(a)是本发明实施例提供的为测试集样本B1_6采用改进的HI方法的剩余寿命变化曲线图。
图11(b)是本发明实施例提供的为测试集样本B1_6采用传统的HI方法的剩余寿命变化曲线图。
图12(a)是本发明实施例提供的为测试集样本B1_7采用改进的HI方法的剩余寿命变化曲线图。
图12(b)是本发明实施例提供的为测试集样本B1_7采用传统的HI方法的剩余寿命变化曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种旋转机械零部件剩余寿命预测方法、系统、介质、设备，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的旋转机械零部件剩余寿命预测方法包括以下步骤：
S101：滚动轴承退化数据的采集和数据预处理，并进行训练样本集和测试样本集的划分；
S102：对训练样本集进行时域和频域特征的提取，传入已设定的n组不同SAE模型中进行深度特征的提取，构建初始特征集合；
S103：根据初始特征集合，分别计算出特征集合中每个特征的Cri值，从中筛选出排名前10的特征，并用这些特征构建最终的集成特征集合；
S104：将集成特征集合传入自组织映射网络模型中进行训练，并进行新型健康指标的构建和平滑处理构建退化轨迹库；
S105：在预测阶段，将测试样本集通过上述同样的方式提取出深度集成特征集合，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹计算剩余寿命。
本发明提供的旋转机械零部件剩余寿命预测方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的旋转机械零部件剩余寿命预测方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的旋转机械零部件剩余寿命预测系统包括：
样本集获取模块1，用于获取训练样本集和测试样本集；
特征筛选模块2，用于建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的集成特征并根据相关性指标和单调性指标进行筛选；
新型健康指标构建模块3，用于将训练样本集传入自组织映射网络模型中进行训练，并将输入数据的最小量化误差作为初始健康指标和退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；
退化轨迹库构建模块4，用于对训练集下的新型健康指标进行平滑处理构建退化轨迹库；
剩余寿命计算模块5，将测试集数据进行相同处理提取出退化轨迹，然后计算与退化轨迹库中的各轨迹相似度，根据退化轨迹参数来计算剩余寿命，从而实现旋转机械零部件的剩余寿命预测。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示，本发明提供的旋转机械零部件剩余寿命预测方法包括以下步骤：
步骤1)获取训练样本集和测试样本集
通过数据采集系统采集滚动轴承试验载荷1(转速1800rpm，载荷4000N)7个轴承的失效数据，具体值如表1所示。
表1 轴承失效时间
| 轴承编号 | B1_1 | B1_2 | B1_3 | B1_4 | B1_5 | B1_6 | B1_7 |
| 失效时间(s) | 28030 | 8710 | 23750 | 14280 | 24630 | 24480 | 22590 |
本实施例使用的振动时域信号均来自轴承加速寿命试验台PRONOSTIA采集的轴承振动时域信号。该平台由三部分组成：驱动模块，负载模块和数采模块。该试验装置的主要功能是提供不同故障类型的信号，实验装置的主要部件包括一台驱动电机、一个扭矩传感器和一台测功机，驱动电机功率1.2Kw，最大转速为6000r/min。PRONOSTIA平台可以对轴承施加三种不同的试验载荷：试验载荷1(转速1800rpm，载荷4000N)、试验载荷2(转速1650rpm，载荷4200N)和试验载荷3(转速1500rpm，工况5000N)。轴承的横向和轴向传感器型号为：DYTRAN 3035B，该传感器负责采集加速度数据。在对振动信号进行采样时，具体参数如下：采样频率为25.6kHz，采样时间长度为0.1s，采样间隔为10s。
步骤2)集成SAE深度特征的提取：
步骤2a)集成学习思想要求基学习器必须具有一定的差异性才能更加全面地描述轴承的退化过程。因此，构建8个不同超参数的SAE模型，该8个堆栈式自编码器模型的最后一个隐藏层的节点数均为50，具体模型参数如表2所示。
表2 SAE超参数组合
| SAE编号 | K | 网络结构 |
| SAE1 | 1 | 1280-600-350-150-50 |
| SAE2 | 2 | 1280-700-400-120-50 |
| SAE3 | 3 | 1280-800-450-180-50 |
| SAE4 | 4 | 1280-650-280-50 |
| SAE5 | 5 | 1280-550-300-50 |
| SAE6 | 6 | 1280-800-300-50 |
| SAE7 | 7 | 1280-600-350-50 |
| SAE8 | 8 | 1280-300-50 |
步骤2b)，将训练集B1_1和B1_2的频域信号输入特征学习模型，对8个SAE进行训练。训练参数设置如下：激活函数为Sigmoid函数，学习率α为0.18，最大迭代次数为300，批量梯度下降法中批量样本个数N为100，训练完成后，对8个SAE提取出的深度性能退化特征进行合并，得到包含400个特征的混合特征集合。
步骤2c)将训练样本X1和测试样本X2传入训练好的深度自编码器Ai中，并将隐含层中的最后一层深度融合特征值提取出来，并将多个SAE提取出来的深度融合特征进行合并，集成方法提取出的10个特征在各SAE中的分布情况如表3所示。由表可知在SAE2、SAE6和SAE8中，提出的特征个数均为0，最终的集成特征主要分布在SAE1、SAE3、SAE4、SAE5和SAE7中。结果表明，本发明所提出的方法不仅能充分发挥集成SAE“博采众长”的优点，还能自动地屏蔽特征提取能力较弱的SAE，减少了SAE模型超参数设置不当对于最终结果的影响。
表3 集成特征在各个SAE中的分布情况
| SAE编号 | 网络结构 | 特征个数 |
| SAE1 | 1280-600-350-150-50 | 1 |
| SAE2 | 1280-700-400-120-50 | 0 |
| SAE3 | 1280-800-450-180-50 | 1 |
| SAE4 | 1280-650-280-50 | 3 |
| SAE5 | 1280-550-300-50 | 3 |
| SAE6 | 1280-800-300-50 | 0 |
| SAE7 | 1280-600-350-50 | 2 |
| SAE8 | 1280-300-50 | 0 |
步骤2d)根据提取的深度融合特征序列F＝(f1,f2,···fN)，根据式子Cri(F)＝w1Corr(F)+w2Mon(F)可求出深度融合特征序列描述退化特征的好坏，其中Corr(F)和Mon(F)分别代表相关性指标和单调性指标。
步骤2e)计算集合特征的Cri值和出现频率进行筛选形成特征集合，从而构建新的训练样本集H1和测试集H2，并且实现了高维复杂数据的降维，对混合特征集合的特征按照Cri值和出现频率进行筛选，构建集成特征集合。特征筛选规则如下：首先将Cri值大于0.42的特征筛选出来，然后再按照这些特征在两个训练集中的出现频率筛选出频率最高的10个特征，频率相同时优先选取高Cri值的特征。
本发明最终从400个特征中筛选出大于阈值0.42的10个特征；图4(a)表示训练样本B1_1筛选出的集成特征Cri值，图4(b)表示训练样本B1_2筛选出的集成特征Cri值。
步骤3)基于自组织映射(SOM)网络的退化阶段的划分：
步骤3a)设定SOM网络的主要参数，学习率为α为0.23，网络拓扑结构为16×16，最大迭代次数设置为1500，在集成特征集合的基础上，对SOM网络进行训练。
步骤3b)计算输入数据H1和H2的最小量化误差MQE作为初始健康指标HI，该HI表示当前状态偏离健康状态的程度；训练集样本中的健康指标变化图，图5(a)为训练集轴承B1_1的新型HI和和传统HI变化图，图5(b)为训练集样本B1_2的新型HI和和传统HI变化图。
步骤3c)计算出退化率，并判断是否为单阶段退化，若不是单阶段退化，需根据设定的阈值来进行缓慢退化阶段与快速退化阶段的划分。
步骤4)基于退化阶段的健康指标的构建
步骤4a)若退化阶段为单阶段，则第Ti时刻的健康指标为Ti占当前样本所采集时间的比例为Ri，并将Ri作为新的健康指标，不同退化阶段所对应的退化HI示意图，图6(a)为单阶段退化的HI示意图。
步骤4b)若退化阶段为两阶段，设定缓慢退化率为k1和快速退化率k2两个阶段，利用下式计算出不同阶段的新的健康指标Ri，图6(b)为两阶段退化的HI示意图；
步骤5)基于退化轨迹相似度的剩余寿命预测，如图7所示，基于退化轨迹相似度的RUL预测方法流程：
步骤5a)该方法主要由两个阶段组成：离线阶段和预测阶段。在离线阶段，首先根据训练集HI得到其退化轨迹，随后对该轨迹进行平滑处理从而构建训练集的退化轨迹库；
步骤5b)在预测阶段，首先通过测试集的HI得到其退化轨迹，然后计算该轨迹与退化轨迹库中各轨迹的相似度，并找到匹配程度最高的退化轨迹，最终根据匹配结果实现剩余寿命的预测。
步骤6)获取滚动轴承剩余寿命预测结果：
步骤6a)设定退化轨迹的三个参数：缓慢退化阶段的退化率k1＝0.01、快速退化阶段的退化率k2＝0.05和初始故障的开始时间T1，退化轨迹的形状也随之确定。
步骤6b)设退化轨迹参数服从正态分布，令和/>分别为k1、k2和T1的均值，和/>分别为k1、k2和T1的方差。
步骤6c)计算寿命长度L：
步骤6d)滚动轴承在t时刻的剩余寿命为Lrt i：Lrt i＝Li-t
测试集B1_3剩余寿命(RUL)变化曲线，图8(a)为测试集样本B1_3采用改进的HI方法的剩余寿命变化曲线图，图8(b)为测试集样本B1_3采用传统的HI方法的剩余寿命变化曲线图。
测试集B1_4剩余寿命(RUL)变化曲线，图9(a)为测试集样本B1_4采用改进的HI方法的剩余寿命变化曲线图，图9(b)为测试集样本B1_4采用传统的HI方法的剩余寿命变化曲线图。
测试集B1_5剩余寿命(RUL)变化曲线，图10(a)为测试集样本B1_5采用改进的HI方法的剩余寿命变化曲线图，图10(b)为测试集样本B1_5采用传统的HI方法的剩余寿命变化曲线图。
测试集B1_6剩余寿命(RUL)变化曲线，图11(a)为测试集样本B1_6采用改进的HI方法的剩余寿命变化曲线图，图11(b)为测试集样本B1_6采用传统的HI方法的剩余寿命变化曲线图。
测试集B1_7剩余寿命(RUL)变化曲线，图12(a)为测试集样本B1_7采用改进的HI方法的剩余寿命变化曲线图，图12(b)为测试集样本B1_7采用传统的HI方法的剩余寿命变化曲线图。
下面结合实验对本发明的技术效果作详细的描述。
1.实验条件和内容：
在中央处理器为Intel(R)Core(TM)i5-75003.40GHZ、内存16G、WINDOWS 7操作系统上，运用MATLAB R2016a软件对滚动轴承智能故障诊断结果进行仿真。
2.实验结果分析：
本发明在测试集中的某一时间点对剩余寿命进行预测，与实际剩余寿命作差求出相对误差值其中j＝1,2,3,4,5,预测平均相对误差Err对模型的预测精度进行评测，Err的表达式为：/>
式中，f(xi)为对第i个测试样本在某一预测点下的预测回归值，RULj(xi)表示第j个测试样本的实际剩余寿命值。
采用两组对比实验验证本发明的性能，具体的对比实验为：
第一组，基于传统HI方法模型的深度学习方法进行预测，其预测误差结果见表4。
表4 传统HI方法RUL预测误差(％)
根据表2可以看出，传统方法的寿命预测平均误差为39.15％。
第二组，改进HI方法模型的深度学习方法进行预测，其预测误差结果见表5。
表5 改进HI方法RUL预测误差(％)
改进方法与传统方法对比结果见表6。
表6 传统HI方法与改进HI方法RUL预测误差(％)
| 测试集轴承编号 | 传统HI方法 | 改进HI方法 |
| B1_3 | 18.12 | 24.01 |
| B1_4 | 33.63 | 18.69 |
| B1_5 | 62.91 | 41.43 |
| B1_6 | 47.44 | 29.25 |
| B1_7 | 33.67 | 39.13 |
| 平均误差 | 39.15 | 30.50 |
从对比结果可以看出新型HI的平均剩余寿命预测误差相比与传统HI有了显著的降低，并且最大预测误差远小于传统HI，理想的预测结果进一步证明了该HI相较于传统HI能够更加真实地表征轴承的退化过程。
综上所述，本发明能够筛选出与诊断目标相关性强、更具代表性的特征，基于集成SAE的深度学习方法不依赖信号处理技术和专家经验，能够通过无监督学习的方式自适应提取轴承的性能退化特征，是一种行之有效的特征学习方法。基于Cri指标与特征频率的特征集成方法能够有效地屏蔽学习能力较差的SAE，在一定程度上降低了SAE超参数设置不当对剩余寿命预测结果的影响。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种旋转机械零部件剩余寿命预测方法，其特征在于，所述旋转机械零部件剩余寿命预测方法获取训练样本集和测试样本集；建立多个自编码器特征融合模型，以训练样本集为输入进行堆栈式自编码器模型并行训练，提取出深度融合特征并根据相关性指标和单调性指标进行筛选；将训练样本集传入自组织映射网络模型中进行训练，并将输入数据的最小量化误差作为初始健康指标，以退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；对新型健康指标的退化轨迹进行平滑处理构建退化轨迹库；在测试阶段，将测试集数据进行相同处理提取出退化轨迹，并计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹计算剩余寿命，实现旋转机械零部件的剩余寿命预测；
所述旋转机械零部件剩余寿命预测方法包括如下步骤：
(1)获取训练样本集和测试样本集：
(1a)将从数据库中选取的滚动轴承的I个振动时域信号数据作为训练样本，每个训练样本代表一系列退化数据的采集，所有训练样本构成训练样本集X1，其中xi表示第i个训练样本；
(1b)将通过数据采集系统实时采集的待诊断滚动轴承的I个振动时域信号数据作为测试样本，所有测试样本构成测试样本集X2，xj表示第j个测试样本；
(2)集成SAE深度特征的提取：
(2a)设定多个SAE模型参数，将第i个模型的输入层为训练样本X1的特征个数、隐含层设为hi1,hi2,...,hil、输出层与输入层神经元数相等，构建最终的第i个深度自编码器Ai；
(2b)将训练样本集X1作为堆栈式自编码器模型的输入，对Ai进行训练，得到训练后的隐含层为hil的深度自编码器Ai；
(2c)将训练样本X1和测试样本X2传入训练好的深度自编码器Ai中，并将隐含层中的第hil层的深度融合特征值提取出来，并将多个SAE提取出来的深度融合特征进行合并；
(2d)根据提取的深度融合特征序列F＝(f1,f2,···fN)，根据式子Cri(F)＝w1Corr(F)+w2Mon(F)可求出深度融合特征序列描述退化特征的好坏，其中Corr(F)和Mon(F)分别代表相关性指标和单调性指标；
(2e)计算集合特征的Cri值和出现频率进行筛选形成特征集合，从而构建新的训练样本集H1和测试集H2，并且实现了高维复杂数据的降维；
(3)基于自组织映射(SOM)网络的退化阶段的划分：
(3a)将训练样本集H1传入到设定好的SOM模型中进行训练，得到训练好的SOM模型；
(3b)计算输入数据H1和H2的最小量化误差MQE作为初始健康指标HI，该HI表示当前状态偏离健康状态的程度；
(3c)计算出退化率，并判断是否为单阶段退化，若不是单阶段退化，需根据设定的阈值来进行缓慢退化阶段与快速退化阶段的划分；
(4)基于退化阶段的健康指标的构建
(4a)若退化阶段为单阶段，则第Ti时刻的健康指标为Ti占当前样本所采集时间的比例为Ri，并将Ri作为新的健康指标；
(4b)若退化阶段为两阶段，设定缓慢退化率为k1和快速退化率k2两个阶段，利用下式计算出不同阶段的新的健康指标Ri：
(5)基于退化轨迹相似度的剩余寿命预测：
(5a)根据训练集的健康指标Ri，并对其进行平滑处理得到其退化轨迹库S；
(5b)对测试集的健康指标Ri提取出其退化轨迹，然后计算该轨迹与退化轨迹库S中各轨迹的相似度S(i,j)；
(6)获取滚动轴承剩余寿命预测结果：
(6a)设定退化轨迹的三个参数：缓慢退化阶段的退化率k1、快速退化阶段的退化率k2和初始故障的开始时间T1；
(6b)设退化轨迹参数服从正态分布，令和/>分别为k1、k2和T1的均值，/>和/>分别为k1、k2和T1的方差；
(6c)计算寿命长度L：
(6d)滚动轴承在t时刻的剩余寿命为Lrt i：Lrt i＝Li-t。
2.如权利要求1所述的旋转机械零部件剩余寿命预测方法，其特征在于，所述步骤(2d)中所述的综合特征指标Cri，其表达式为：
其中，ε(x)为计数函数，ti为第i次监测时的时间，wi为为评价指标的权重，N为特征序列长度，ε(x)计数函数的数学表达为：
3.如权利要求1所述的旋转机械零部件剩余寿命预测方法，其特征在于，所述步骤(3b)中所述的最小量化误差MQE，其表达式为：
M＝||I-nBMU||2；
其中M为输入数据的MQE，即新输入数据与BMU的欧式距离，其中BMU通过计算输入的样本向量与SOM网络中单元的权重向量的欧式距离得到，其数学表达如下：
式中，t表示迭代时间，c表示BMU的索引，mi(t)表示在t时刻SOM中的第i个权重向量。
4.如权利要求1所述的旋转机械零部件剩余寿命预测方法，其特征在于，所述步骤(5b)中所述的轨迹的相似度S(i,j)，其表达式为：
式中，Nor为归一化参数，表示测试集中第i个装备退化轨迹的点集，/>表示训练集中第j个装备退化轨迹的点集，S(i,j)为第i个装备退化轨迹与训练集中第j个装备退化轨迹的相似度，d(·)表示退化轨迹/>与退化轨迹/>的距离，其数学表达如下：
其中表示测试集中第i个装备退化轨迹点集的长度。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：获取训练样本集和测试样本集；建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的深度融合特征并根据相关性指标和单调性指标进行筛选；将筛选出来的优质特征传入自组织映射网络模型中进行训练，以初始退化指标的退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；对新型健康指标的退化轨迹进行平滑处理构建退化轨迹库；在预测阶段，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹来计算剩余寿命。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取训练样本集和测试样本集；建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的深度融合特征并根据相关性指标和单调性指标进行筛选；将筛选出来的优质特征传入自组织映射网络模型中进行训练，以初始退化指标的退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；对新型健康指标的退化轨迹进行平滑处理构建退化轨迹库；在预测阶段，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹来计算剩余寿命。
7.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1-4任意一项所述的旋转机械零部件剩余寿命预测方法。
8.一种实施权利要求1-4任意一项所述旋转机械零部件剩余寿命预测方法的旋转机械零部件剩余寿命预测系统，其特征在于，所述旋转机械零部件剩余寿命预测系统包括：
样本集获取模块，用于获取训练样本集和测试样本集；
特征筛选模块，用于建立多个自编码器特征融合模型，以训练样本集为输入对堆栈式自编码器模型进行并行训练，提取训练样本集的集成特征并根据相关性指标和单调性指标进行筛选；
新型健康指标构建模块，用于将训练样本集传入自组织映射网络模型中进行训练，并将输入数据的最小量化误差作为初始健康指标和退化率进行退化阶段的划分，并根据不同的退化阶段进行新型健康指标的构建；
退化轨迹库构建模块，用于对训练集下的新型健康指标进行平滑处理构建退化轨迹库；
剩余寿命计算模块，将测试集数据进行相同处理提取出退化轨迹，然后计算与退化轨迹库中的各轨迹相似度，通过计算与退化轨迹库中的各轨迹相似度，根据匹配程度最高的退化轨迹来计算剩余寿命，从而实现旋转机械零部件的剩余寿命预测。
9.一种滚动轴承剩余寿命预测方法，其特征在于，所述滚动轴承剩余寿命预测方法用于使用权利要求1-4任意一项所述的旋转机械零部件剩余寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011213038.9A CN112418277B (zh) | 2020-11-03 | 2020-11-03 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011213038.9A CN112418277B (zh) | 2020-11-03 | 2020-11-03 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418277A CN112418277A (zh) | 2021-02-26 |
| CN112418277B true CN112418277B (zh) | 2024-04-09 |
Family
ID=74827902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011213038.9A Active CN112418277B (zh) | 2020-11-03 | 2020-11-03 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418277B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784501A (zh) * | 2021-03-23 | 2021-05-11 | 中国核电工程有限公司 | 一种设备的剩余寿命预测模型建模系统及方法、预测系统 |
| CN112926273B (zh) * | 2021-04-13 | 2023-04-18 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
| CN112949097B (zh) * | 2021-04-19 | 2022-09-16 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
| CN112884093B (zh) * | 2021-04-29 | 2021-08-31 | 四川大学 | 基于dscrn模型的旋转机械故障诊断方法、设备和存储介质 |
| CN113434970B (zh) * | 2021-06-01 | 2023-01-17 | 北京交通大学 | 一种机械设备的健康指标曲线提取和寿命预测方法 |
| CN113487084A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 |
| CN113570138B (zh) * | 2021-07-28 | 2022-04-26 | 朗坤智慧科技股份有限公司 | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 |
| CN113609685B (zh) * | 2021-08-09 | 2023-04-07 | 电子科技大学 | 基于优化rvm和混合退化模型的轴承剩余寿命预测方法 |
| CN113917271B (zh) * | 2021-11-23 | 2023-10-27 | 江苏科技大学 | 一种风电滑环退化状态在线追踪预测方法 |
| CN114491845B (zh) * | 2022-01-19 | 2024-06-14 | 华中科技大学 | 融合历史轨迹的船用动力轴承剩余寿命预测方法及系统 |
| CN114298443B (zh) * | 2022-03-03 | 2022-06-14 | 北京航空航天大学杭州创新研究院 | 基于健康状态指数的工业设备预测性维护方法、装置和电子设备 |
| CN114925476B (zh) * | 2022-06-08 | 2024-09-17 | 安徽农业大学 | 一种滚动轴承退化轨迹增广四元数预测方法及存储介质 |
| CN116911204B (zh) * | 2023-09-13 | 2023-12-15 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
| CN111178553A (zh) * | 2019-12-16 | 2020-05-19 | 北京航天智造科技发展有限公司 | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
-
2020
- 2020-11-03 CN CN202011213038.9A patent/CN112418277B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
| CN111178553A (zh) * | 2019-12-16 | 2020-05-19 | 北京航天智造科技发展有限公司 | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘紫阳 ; 陶佩 ; 郑韩飞 ; 李丛萱 ; .一种新的基于工况区分和轨迹相似性的RUL预测方法.电子测量技术.2020,(第13期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418277A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| Nasiri et al. | Fracture mechanics and mechanical fault detection by artificial intelligence methods: A review | |
| DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
| CN111797567A (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
| Das et al. | Process monitoring and fault detection strategies: a review | |
| Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
| CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN114184367B (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
| Lu et al. | Joint training of a predictor network and a generative adversarial network for time series forecasting: A case study of bearing prognostics | |
| Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
| Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
| Tang et al. | Fault diagnosis of rolling bearing based on probability box theory and GA-SVM | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
| Jin et al. | Fault diagnosis of rotating machines based on EEMD-MPE and GA-BP | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
| Zhang et al. | Fault diagnosis with bidirectional guided convolutional neural networks under noisy labels | |
| Wu et al. | Extracting random forest features with improved adaptive particle swarm optimization for industrial robot fault diagnosis | |
| Hu et al. | Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances | |
| Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
| CN117664575A (zh) | 基于双图注意力和gru的滚动轴承剩余使用寿命预测方法 | |
| CN113505639A (zh) | 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法 | |
| CN117171907A (zh) | 一种滚动轴承剩余寿命预测方法及系统 | |
| Kai et al. | Notice of Retraction: A Novel Forecasting Model of Fuzzy Time Series Based on K-means Clustering |
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 |