CN112949097A - 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 - Google Patents
一种基于深度迁移学习的轴承剩余寿命预测模型和方法 Download PDFInfo
- Publication number
- CN112949097A CN112949097A CN202110416141.1A CN202110416141A CN112949097A CN 112949097 A CN112949097 A CN 112949097A CN 202110416141 A CN202110416141 A CN 202110416141A CN 112949097 A CN112949097 A CN 112949097A
- Authority
- CN
- China
- Prior art keywords
- residual life
- training
- adaptive
- prediction
- features
- 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.)
- Granted
Links
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
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于深度迁移学习的轴承剩余寿命预测模型,基于深度神经网络训练实现,所述预测模型包括:自适应特征提取模块和指标回归预测模块;自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征,并根据所述自适应深度特征衍生相对应的输入特征和标注标签;指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签,指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。本发明从源域的原始振动信号直接学习故障特征并进行剩余使用寿命预测,能够迁移到不同工况或同一工况间轴承数据的剩余寿命预测,有利于促进智能剩余寿命预测的实际应用。
Description
技术领域
本发明涉及轴承的安全监控领域,尤其涉及一种基于深度迁移学习的轴承剩余寿命预测模型和方法。
背景技术
由于滚动轴承是现代工业机械不可缺少的组成部分,其健康管理受到了学术界和工程界的广泛关注。由于噪声引起的特征表示不准确、寿命周期的变化以及其他预测不确定性等,轴承的剩余寿命预测是其健康管理中一个具有挑战性的问题。目前大多数深度网络算法都是基于以下两个假设:(1)样本数据足够大;(2)样本数据训练集和测试集的数据分布应该保持一致。在实际应用中,即使同一型号的两个轴承在相同的工况下,其退化过程也有可能具有不同的数据分布特征。这种训练集和预测集数据分布的偏差,导致剩余使用寿命预测性能的下降。
发明内容
为了解决上述现有技术中缺乏精确的轴承剩余寿命预测技术的缺陷,本发明提出了一种基于深度迁移学习的轴承剩余寿命预测模型和方法。
本发明的目的之一采用以下技术方案:
一种基于深度迁移学习的轴承剩余寿命预测模型,基于深度神经网络训练实现,所述预测模型包括:自适应特征提取模块和指标回归预测模块;
自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征,并根据所述自适应深度特征衍生相对应的输入特征和标注标签;
指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签,指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。
优选的,还包括数据预处理模块,数据预处理模块利用最小-最大规范化对获取的原始振动信号进行归一化处理,以生成归一化的振动数据样本。
优选的,自适应特征提取模块包括自动编码器、特征空间转换单元和数据处理单元;自动编码器用于提取未标注的振动数据样本的深度特征;特征空间转换单元用于将自动编码器提取的深度特征转换为自适应深度特征;自适应深度特征通过数据处理单元进行处理,以获得相对应的输入特征和标注标签。
优选的,所述自动编码器采用基于最大均值差异距离的稀疏自动编码器。
优选的,训练自适应特征提取模块的损失函数L为:
其中,L1为自适应特征提取单元的稀疏惩罚函数,L2为自适应特征提取单元的重构损失函数,L3为自适应特征提取单元的最大均值差异损失函数;ρ为稀疏性参数,s为自动编码器中神经元的个数,i表示振动数据样本编号,j表示自动编码器中神经元的编号,1≤j≤s,aj(xx)表示在输入的振动数据样本为xi的情况下隐藏神经元j的激活度;N为振动数据样本的数量,1≤i≤N;ri为自动编码器的解码部分输出的与振动数据样本xi对应的重构数据,表示第j个隐藏神经元在训练集中某一层的平均激活度;
优选的,用于训练指标回归预测模块的损失函数L4为:
其中,M表示标签数量,yk表示训练样本中的标注特征,y’k表示与训练样本中的输入特征x’k对应的预测特征,k表示下标。
优选的,指标回归预测模块基于双向长短时记忆网络构建。
本发明的目的之二采用以下技术方案:
一种基于深度迁移学习的轴承剩余寿命预测方法,包括以下步骤:
S1、获取未标注的振动数据样本,通过振动数据样本训练用于提取振动数据样本的深度特征的自动编码器;
S2、结合振动数据样本的深度特征对第一深度神经网络进行训练,获取训练完成的第一神经网络作为用于将振动数据样本的深度特征转换为自适应深度特征的特征空间转换单元,并组合自动编码器和特征空间转换单元构成自适应特征提取模块;
S3、通过自适应特征提取模块获取振动数据样本的自适应深度特征,并根据自适应深度特征衍生由相对应的输入特征和标注特征构成的训练样本;
S4、通过所述训练样本对第二深度神经网络进行训练,获取训练完成的第二深度神经网络作为用于对所述输入特征标注用以体现剩余寿命的预测标签的指标回归预测模块;
S5、结合训练完成的自适应特征提取模块和训练完成的指标回归预测模块组成用于预测振动数据样本的轴承剩余寿命预测模型。
优选的,还包括步骤S6:采集目标件的振动信号,将该振动信号转换为测试数据样本并输入所述轴承剩余寿命预测模型,根据轴承剩余寿命预测模型输出的预测标签判断目标件剩余寿命;
步骤S1中的振动数据样本由原始振动信号通过最小-最大规范化进行归一化处理后获得;
步骤S6中的测试数据样本由目标件的振动信号通过最小-最大规范化进行归一化处理后获得。
优选的,指标回归预测模块的训练方法包括以下步骤:
构建由用于获取输入特征对应的用于体现剩余寿命的预测标签的第二深度神经网络和用于将输入特征对应的预测标签和标注标签进行对比的第三深度神经网络组成的神经网络模型,第二深度神经网络的输入为输入特征,输出为用于体现剩余寿命的预测标签;第三深度神经网络的输入为输入特征对应的预测标签和标注标签,输出为相对应的预测标签和标注标签的对比结果;
结合训练样本对该神经网络模型进行训练,训练完成后,获取参数固定的第二深度神经网络作为指标回归预测模块。
本发明的优点在于:
(1)本发明中,首先通过源域数据获得振动数据样本,通过振动数据样本的自适应特征训练,获得输出为振动数据样本的自适应深度特征的模型即自适应特征提取模块,然后结合自适应深度特征衍生出相对应的输入特征和标注标签,通过相对应的输入特征和标注标签构成训练样本,并通过该训练样本训练用于输出可体现产生振动的零部件的剩余寿命的预测标签的模型即指标回归预测模块。
如此,本发明中,最终由自适应特征提取模块和指标回归预测模块构成的轴承剩余寿命预测模型,可在零标注样本的情况下,通过自适应特征提取模块对目标域的测试数据样本进行自适应深度特征提取,然后通过指标回归预测模块结合自适应深度特征衍生出的输入特征和标注标签构成测试数据获得用于体现测试数据样本对应的轴承或其他零部件的剩余寿命的预测标签。
(2)本发明从源域的原始振动信号直接学习故障特征并进行剩余使用寿命预测,能够迁移到不同工况或同一工况间轴承数据的剩余寿命预测,有利于促进智能剩余寿命预测的实际应用。
(3)本发明中,基于从振动数据样本中提取的自适应深度特征,通过领域自适应方法从源域学习潜在的公共特征。在此基础上,采用双向长短时记忆网络对轴承剩余寿命进行回归预测。因此,本方法能够从源域学习潜在公共特征空间,当处理目标域时,通过此网络得到公共域的特征,可以很好地从不同但相关的退化数据中提高剩余寿命的预测效果。同时,本发明不涉及对退化点的识别,从而不需要对轴承的健康状态和快速退化状态进行划分,就能够对轴承整个状态中的剩余使用寿命进行预测。
(4)本发明具有很高的灵活性,放宽了样本维度的要求,即在采样频率相同的情况下,能够在不改变模型结构的情况下兼容不同样本维度的各种轴承振动数据,解决了不同工况或同一工况的不同轴承间剩余寿命预测迁移问题。
附图说明
图1为一种基于深度迁移学习的轴承剩余寿命预测模型结构图;
图2为一种基于深度迁移学习的轴承剩余寿命预测方法流程图;
图3为实施例1中各轴承剩余寿命预测模型的精度对比图;
图4为实施例2中各轴承剩余寿命预测模型的精度对比图。
具体实施方式
本实施方式提出的一种基于深度迁移学习的轴承剩余寿命预测模型,基于深度神经网络训练实现,所述预测模型包括:数据预处理模块、自适应特征提取模块和指标回归预测模块。
数据预处理模块利用最小-最大规范化对获取的原始振动信号进行归一化处理,以生成归一化的振动数据样本。
具体的,本实施方式中,可将原始振动信号表示为v,原始振动信号集合表示为V,V={v1 v2 v3 ...... vN},N表示原始振动信号的数量。将原始振动信号集合V中的最大值为max,最小值为min,则数据预处理模块对原始振动信号进行归一化处理的公式如下:
其中,xi为原始振动信号vi经归一化处理后获得的振动数据样本,1≤i≤N。
自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征,并根据所述自适应深度特征衍生相对应的输入特征和标注标签。
本实施方式中,自适应特征提取模块包括自动编码器、特征空间转换单元和数据处理单元。自动编码器用于提取未标注的振动数据样本的深度特征。特征空间转换单元用于将自动编码器提取的深度特征转换为自适应深度特征。自适应深度特征通过数据处理单元进行处理,以获得相对应的输入特征和标注标签。
本实施方式中,自动编码器包括编码部分和解码部分。编码部分用于提取振动数据样本的深度特征,编码部分的输出为样本特征空间,样本特征空间中还根据编码部分输出的深度特征生成符合正态分布的随机特征,以促使该自动编码器学习与目标域无关的特征;解码部分用于对编码部分输出的深度特征进行解码并输出重构数据。具体实施时,自动编码器可采用基于最大均值差异距离的三层稀疏自动编码器,其利用最大平均差异项来最小化所述编码部分输出的深度特征和随机特征之间的概率分布距离,从而学习与域无关的特征。
本实施方式中,编码部分记作Z=f(X),解码部分记作R=g(Z),其中,f()表示编码部分规则,X表示振动数据样本集合,X={x1 x2 x3 ...... xN},Z表示各振动数据样本对应的深度特征的集合;g()表示解码部分规则,R表示各振动数据样本对应的重构数据的集合。
本实施方式中,编码部分采用三层编码部分结构,并在第一层加入稀疏惩罚项来完成从输入空间X到样本特征空间Z的映射f()。在样本特征空间Z中,采用最大均值差异距离来最小化深度特征zi和随机生成数据域特征即随机特征z'i之间的概率分布距离,促使自动编码器学习域无关的特征。同时采用三层解码部分结构来完成从样本特征空间Z到重构数据空间R的映射g()。
具体的,本实施方式中,自动编码器的编解码过程可用以下公式(2)表示.
X={x1 x2 x3 ...... xN}
Z={z1 z2 z3 ...... zN}
Z'={z1' z2' z3' ...... zN'}
R={r1 r2 r3 ...... rN}
f:X→Z
g:Z→R (2)
本实施方式中,特征空间转换单元可采用基于最大平均差异距离的领域自适应方法,以便从源域和随机生成数据域空间中学习具有公共域特点的潜在公共特征空间。通过公共特征空间可消除振动数据样本的个性域特点。如此,在解决目标域问题时,使用领域自适应网络获得公共域的特征,可以更好的解决各种轴承振动数据间剩余寿命预测迁移问题。
本实施方式中,特征空间转换单元输出的自适应深度特征空间Z”即各振动数据样本对应的自适应深度特征的集合可记作:
Z”={z1” z2” z3” ...... zN”} (3)
其中,zi”表示振动数据样本xi经自动编码器编码后的深度特征zi再经过特征空间转换单元转换后的自适应深度特征。
训练自适应特征提取模块的损失函数L为:
其中,L1为自适应特征提取单元的稀疏惩罚函数,L2为自适应特征提取单元的重构损失函数,L3为自适应特征提取单元的最大均值差异损失函数;ρ为稀疏性参数,s为自动编码器中神经元的个数,i表示振动数据样本编号,j表示自动编码器中神经元的编号,1≤j≤s,aj(xi)表示在输入的振动数据样本为xi的情况下隐藏神经元j的激活度;N为振动数据样本的数量,1≤i≤N;ri为自动编码器的解码部分输出的与振动数据样本xi对应的重构数据,表示第j个隐藏神经元在训练集中某一层的平均激活度;;zi为编码部分针对振动数据样本xi输出的深度特征,z’i为随机特征,φ(·)表示映射函数,H表示用于度量距离的空间,表示通过函数φ(·)将zi和z’i映射到空间H中进行距离度量。具体实施时,H可选择再生希尔伯特空间。
可见,本实施方式中,自适应特征提取模块训练过程中所采用的损失函数,综合考虑了输出为深度特征Z的编码部分、输出为重构空间R的解码部分和输出为随机域Z’的连接层,通过不断优化L,可以使自适应特征提取模块更好地提取深度特征。
指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签,指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。
本实施方式中,通过数据处理单元对稀疏编码部分输出的自适应深度特征进行处理,以获得相对应的输入特征和标注标签。
本实施方式中,指标回归预测模块的输入空间X'和类别空间Y表示如下:
其中,输入空间X'即为输入特征集合,类别空间Y即为标注标签的集合,输入空间X'和类别空间Y均由自适应深度特征空间Z”衍生获得,D为表示步长,且D为人工设置的常数。
本实施方式中,对指标回归预测模块进行训练时,首先获得输入空间X'对应的预测类别空间Y',然后通过优化预测类别空间Y'和类别空间Y之间的最小距离,对指标回归预测模块进行参数更新。
本实施方式中,预测类别空间Y'可通过以下公式(6)表示。
本实施方式中的轴承剩余寿命预测模型由两部分参数相互独立神经网络组成,即自适应特征提取模块和指标回归预测模块,指标回归预测模块基于双向长短时记忆网络构建。
本实施方式中,使用均方差为指标回归预测模块构建损失函数L4,具体如下为:
其中,M表示样本数量,yk表示训练样本中的标注特征,y’k表示训练样本中的输入特征x’k对应的预测特征,k表示下标,1≤k≤M。值得注意的是,本实施方式中,输出的预测标签为可用于预测寿命的特征,故而,预测标签与样本是一一对应的,故而样本数量和标签数量相等,均为M。
本实施方式中,训练轴承剩余寿命预测模型的过程中,损失函数由L1、L2、L3、L4四部分组成。本实施方式中,采用反向传播算法对模型参数进行更新;反向传播算法采用Adam算法。
该Adam算法通过计算梯度的一阶矩估计和二阶矩估计,而为不同的参数提供独立的自适应学习率。
对于自适应特征提取模块:
对于指标回归预测模块:
本实施方式中还提供了一种基于深度迁移学习的轴承剩余寿命预测方法,其包括以下步骤。
S1、获取未标注的振动数据样本,通过振动数据样本训练用于提取振动数据样本的深度特征的自动编码器。
S2、结合振动数据样本的深度特征对第一深度神经网络进行训练,获取训练完成的第一神经网络作为用于将振动数据样本的深度特征转换为自适应深度特征的特征空间转换单元,并组合自动编码器和特征空间转换单元构成自适应特征提取模块。
S3、通过自适应特征提取模块获取振动数据样本的自适应深度特征,并根据自适应深度特征衍生由相对应的输入特征和标注特征构成的训练样本。如此,本实施方式,实现了通过未标注的振动数据样本获得带标注的训练样本,解决了数据标注困难的问题。
S4、通过所述训练样本对第二深度神经网络进行训练,获取训练完成的第二深度神经网络作为用于对所述输入特征标注用以体现剩余寿命的预测标签的指标回归预测模块。
本实施方式中,指标回归预测模块的训练方法具体为:首先构建由第二深度神经网络和第三深度神经网络构成的神经网络模型,第二深度神经网络用于获取输入特征对应的用于体现剩余寿命的预测标签,第三深度神经网络用于将输入特征对应的预测标签和标注标签进行对比以判断两者是否对应;然后结合训练样本对该神经网络模型进行训练;从训练完成的神经网络模型中提取用于获取输入特征对应的用于体现剩余寿命的预测标签的部分即训练完成的第二深度神经网络作为指标回归预测模块。
如此,本实施方式中,将第二深度神经网络的训练转换为神经网络模型的训练,实现了模型训练过程中的零标注样本需求,并保证了获得的回归预测模块对剩余寿命进行预测的准确率。
S5、结合训练完成的自适应特征提取模块和训练完成的指标回归预测模块组成用于预测振动数据样本的轴承剩余寿命预测模型。
S6、采集目标件的振动信号,将该振动信号转换为测试数据样本并输入所述轴承剩余寿命预测模型,根据轴承剩余寿命预测模型输出的预测标签判断目标件剩余寿命。
具体的,本实施方式中,将振动信号转换为测试数据样本的方式应该与将原始振动信号转换为振动数据样本的方式一致。
本实施方式的步骤S1中的振动数据样本由原始振动信号通过最小-最大规范化进行归一化处理后获得;则步骤S6中的测试数据样本也由目标件的振动信号通过最小-最大规范化进行归一化处理后获得。
以下结合具体的实施例,对本发明做进一步阐述。
本实施例中,使用轴承1-2、轴承2-2和轴承3-1作为训练集,3种轴承分别称为任务A、B和C。即,任务A以轴承2在工况1下的振动信号作为目标域,任务B以轴承2在工况2下的振动信号作为目标域,任务C以轴承1在工况3下的振动信号作为目标域。
本实施例中,用于通过上述的轴承剩余寿命预测模型结合目标域的振动信号来获得用于预测剩余寿命的预测标签。首先,通过数据预处理模块对振动信号进行归一化处理,获得测试数据样本;然后通过自适应深度特征提取模块获得自适应深度特征,再结合数据处理单元获得输入特征和标注标签,并进一步通过指标回归预测模块获得对应的预测标签。
本实施例中,采用MAPE(Mean Absolute Percentage Error,平均绝对百分比误差)对轴承剩余寿命预测模型的精确度进行评价,MAPE值越小,轴承剩余寿命预测模型的精度越高。
图3所示,自适应特征提取模块中的自动编码器分别采用了SAE_MMD(基于最大均值差异距离的三层稀疏自动编码器)、AE(三层的自动编码器)和SAE(三层的稀疏自动编码器)三种形式,任务A、任务B、任务C通过该三种形式的轴承剩余寿命预测模型进行预测,对预测结果进行验证,获得的MAPE值分别如下表1所示,图3为表1的统计图。
表1:基于不同的特征提取模型的轴承剩余寿命预测模型的试验结果
结合图3可知,在任务A、B、C中,轴承剩余寿命预测模型采用SAE_MMD时的MAPE值小于采用AE时的MAPE值和采用SAE时的MAPE值,说明轴承剩余寿命预测模型采用SAE_MMD时的预测效果优于采用AE和SAE时的预测效果。对于训练轴承和测试轴承属于不同工况的情况,轴承剩余寿命预测模型采用SAE_MMD时所提取的深度特征是自适应后的深度特征即自适应深度特征,而轴承剩余寿命预测模型采用AE、SAE时所提取的特征是不经过适应的特征,所以前者的预测效果优于后者。
图4所示,自适应特征提取模块中的自动编码器分别采用了SAE_EUCL(基于欧氏距离的三层稀疏自动编码器)、SAE_COS(基于余弦距离的三层稀疏自动编码器)、SAE_PEA(基于皮尔逊系数的三层稀疏自动编码器)和SAE_MMD(基于最大均值差异距离的三层稀疏自动编码器)四种形式,任务A、任务B、任务C通过该四种形式的轴承剩余寿命预测模型进行预测,对预测结果进行验证,获得的MAPE值分别如下表2所示,图4为表2的统计图。
表2:基于不同的度量距离的轴承剩余寿命预测模型的试验结果
结合图4可知,在任务A和B中,轴承剩余寿命预测模型采用SAE_MMD时的MAPE值小于采用SAE_EUCL、SAE_COS、SAE_PEA时的MAPE值;在任务C中,轴承剩余寿命预测模型采用SAE_MMD时的MAPE值小于采用SAE_COS、SAE_PEA时的MAPE值,大于采用SAE_EUCL时的MAPE值。
虽然图4所示实施例中,在任务C中,轴承剩余寿命预测模型采用SAE_MMD时时的MAPE值大于采用SAE_EUCL时的MAPE值。
但是,对轴承剩余寿命预测模型采用SAE_MMD、AE、SAE、SAE_EUCL、SAE_COS、SAE_PEA时的MAPE进行综合对比,可知,SAE_MMD对应的轴承剩余寿命预测模型在任一任务中,其对应的MAPE值均小于6%;而其余的轴承剩余寿命预测模型在不同任务中的MAPE值至少有一个大于10%。可见,轴承剩余寿命预测模型采用SAE_MMD时效果最好。
同时,该轴承剩余寿命预测模型不论采用何种自动编码器,均可实现用于评估剩余寿命的预测标签的提取,即可用于零样本的目标件的剩余寿命的预测。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于深度迁移学习的轴承剩余寿命预测模型,其特征在于,基于深度神经网络训练实现,所述预测模型包括:自适应特征提取模块和指标回归预测模块;
自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征,并根据所述自适应深度特征衍生相对应的输入特征和标注标签;
指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签,指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。
2.如权利要求1所述的基于深度迁移学习的轴承剩余寿命预测模型,其特征在于,还包括数据预处理模块,数据预处理模块利用最小-最大规范化对获取的原始振动信号进行归一化处理,以生成归一化的振动数据样本。
3.如权利要求1所述的基于深度迁移学习的轴承剩余寿命预测模型,其特征在于,自适应特征提取模块包括自动编码器、特征空间转换单元和数据处理单元;自动编码器用于提取未标注的振动数据样本的深度特征;特征空间转换单元用于将自动编码器提取的深度特征转换为自适应深度特征;自适应深度特征通过数据处理单元进行处理,以获得相对应的输入特征和标注标签。
4.如权利要求3所述的基于深度迁移学习的轴承剩余寿命预测模型,其特征在于,所述自动编码器采用基于最大均值差异距离的稀疏自动编码器。
5.如权利要求4所述的基于深度迁移学习的轴承剩余寿命预测模型,其特征在于,训练自适应特征提取模块的损失函数L为:
其中,L1为自适应特征提取单元的稀疏惩罚函数,L2为自适应特征提取单元的重构损失函数,L3为自适应特征提取单元的最大均值差异损失函数;ρ为稀疏性参数,s为自动编码器中神经元的个数,i表示振动数据样本编号,j表示自动编码器中神经元的编号,1≤j≤s,aj(xi)表示在输入的振动数据样本为xi的情况下隐藏神经元j的激活度;N为振动数据样本的数量,1≤i≤N;ri为自动编码器的解码部分输出的与振动数据样本xi对应的重构数据,表示第j个隐藏神经元在训练集中某一层的平均激活度;
7.如权利要求6所述的基于深度迁移学习的轴承剩余寿命预测模型,其特征在于,指标回归预测模块基于双向长短时记忆网络构建。
8.一种基于深度迁移学习的轴承剩余寿命预测方法,其特征在于,包括以下步骤:
S1、获取未标注的振动数据样本,通过振动数据样本训练用于提取振动数据样本的深度特征的自动编码器;
S2、结合振动数据样本的深度特征对第一深度神经网络进行训练,获取训练完成的第一神经网络作为用于将振动数据样本的深度特征转换为自适应深度特征的特征空间转换单元,并组合自动编码器和特征空间转换单元构成自适应特征提取模块;
S3、通过自适应特征提取模块获取振动数据样本的自适应深度特征,并根据自适应深度特征衍生由相对应的输入特征和标注特征构成的训练样本;
S4、通过所述训练样本对第二深度神经网络进行训练,获取训练完成的第二深度神经网络作为用于对所述输入特征标注用以体现剩余寿命的预测标签的指标回归预测模块;
S5、结合训练完成的自适应特征提取模块和训练完成的指标回归预测模块组成用于预测振动数据样本的轴承剩余寿命预测模型。
9.如权利要求8所述的基于深度迁移学习的轴承剩余寿命预测方法,其特征在于,还包括步骤S6:采集目标件的振动信号,将该振动信号转换为测试数据样本并输入所述轴承剩余寿命预测模型,根据轴承剩余寿命预测模型输出的预测标签判断目标件剩余寿命;
步骤S1中的振动数据样本由原始振动信号通过最小-最大规范化进行归一化处理后获得;
步骤S6中的测试数据样本由目标件的振动信号通过最小-最大规范化进行归一化处理后获得。
10.如权利要求8所述的基于深度迁移学习的轴承剩余寿命预测方法,其特征在于,指标回归预测模块的训练方法包括以下步骤:
构建由用于获取输入特征对应的用于体现剩余寿命的预测标签的第二深度神经网络和用于将输入特征对应的预测标签和标注标签进行对比的第三深度神经网络组成的神经网络模型,第二深度神经网络的输入为输入特征,输出为用于体现剩余寿命的预测标签;第三深度神经网络的输入为输入特征对应的预测标签和标注标签,输出为相对应的预测标签和标注标签的对比结果;
结合训练样本对该神经网络模型进行训练,训练完成后,获取参数固定的第二深度神经网络作为指标回归预测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416141.1A CN112949097B (zh) | 2021-04-19 | 2021-04-19 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416141.1A CN112949097B (zh) | 2021-04-19 | 2021-04-19 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949097A true CN112949097A (zh) | 2021-06-11 |
CN112949097B CN112949097B (zh) | 2022-09-16 |
Family
ID=76232911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416141.1A Active CN112949097B (zh) | 2021-04-19 | 2021-04-19 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949097B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326590A (zh) * | 2021-07-16 | 2021-08-31 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN116257972A (zh) * | 2022-11-29 | 2023-06-13 | 元始智能科技(南通)有限公司 | 基于领域自适应和联邦学习的设备状态评估方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657250A (zh) * | 2017-10-30 | 2018-02-02 | 四川理工学院 | 轴承故障检测及定位方法及检测定位模型实现系统和方法 |
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 |
CN110457982A (zh) * | 2018-12-28 | 2019-11-15 | 中国科学院合肥物质科学研究院 | 一种基于特征迁移学习的作物病害图像识别方法 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 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 |
WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度(苏州)科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN112036547A (zh) * | 2020-08-28 | 2020-12-04 | 江苏徐工信息技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN112418277A (zh) * | 2020-11-03 | 2021-02-26 | 西安电子科技大学 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
-
2021
- 2021-04-19 CN CN202110416141.1A patent/CN112949097B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107657250A (zh) * | 2017-10-30 | 2018-02-02 | 四川理工学院 | 轴承故障检测及定位方法及检测定位模型实现系统和方法 |
WO2020062433A1 (zh) * | 2018-09-29 | 2020-04-02 | 初速度(苏州)科技有限公司 | 一种神经网络模型训练及通用接地线的检测方法 |
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 |
CN110457982A (zh) * | 2018-12-28 | 2019-11-15 | 中国科学院合肥物质科学研究院 | 一种基于特征迁移学习的作物病害图像识别方法 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 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 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN112036547A (zh) * | 2020-08-28 | 2020-12-04 | 江苏徐工信息技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
CN112418277A (zh) * | 2020-11-03 | 2021-02-26 | 西安电子科技大学 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Non-Patent Citations (3)
Title |
---|
GUO L, LI N P, JIA F, ET AL.: "A recurrent neural network based health indicator for remaining useful life prediction of bearings", 《NEUROCOMPUTING》 * |
季旭峰,邓亚飞,杜世昌,吕君: "基于深度迁移学习的轴承故障分析", 《机械设计与研究》 * |
汪立雄,王志刚,徐增丙,林辉: "基于深度迁移学习的滚动轴承剩余使用寿命预测", 《功能部件》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326590A (zh) * | 2021-07-16 | 2021-08-31 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN113326590B (zh) * | 2021-07-16 | 2021-10-29 | 北京博华信智科技股份有限公司 | 基于深度学习模型的滚动轴承寿命预测方法和装置 |
CN116257972A (zh) * | 2022-11-29 | 2023-06-13 | 元始智能科技(南通)有限公司 | 基于领域自适应和联邦学习的设备状态评估方法及系统 |
CN116257972B (zh) * | 2022-11-29 | 2024-02-20 | 元始智能科技(南通)有限公司 | 基于领域自适应和联邦学习的设备状态评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112949097B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN112949097B (zh) | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
Rady et al. | Time series forecasting using tree based methods | |
CN113328755B (zh) | 一种面向边缘计算的压缩数据传输方法 | |
CN110766060B (zh) | 基于深度学习的时间序列相似度的计算方法、系统及介质 | |
CN112115922A (zh) | 一种增强深度特征学习的旋转机械故障诊断方法 | |
CN111695611B (zh) | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
CN111125186B (zh) | 一种基于调查问卷的数据处理方法及系统 | |
CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
CN116738333A (zh) | 一种飞行器小样本朴素贝叶斯的电信号多分类及预测方法 | |
Zhou et al. | Functional networks and applications: A survey | |
CN114861778A (zh) | 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法 | |
CN114676782A (zh) | 一种基于高频时序数据的车辆故障预警方法及系统 | |
CN117763494A (zh) | 基于多模态和多尺度融合网络的轴承诊断方法及系统 | |
CN112149355A (zh) | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 | |
CN116739168A (zh) | 一种基于灰色理论与编解码器的径流量预测方法 | |
Xiao et al. | Health assessment for piston pump using LSTM neural network | |
CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
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 |
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 |