CN113052060A - 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 - Google Patents

基于数据增强的轴承剩余寿命预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113052060A
CN113052060A CN202110300197.0A CN202110300197A CN113052060A CN 113052060 A CN113052060 A CN 113052060A CN 202110300197 A CN202110300197 A CN 202110300197A CN 113052060 A CN113052060 A CN 113052060A
Authority
CN
China
Prior art keywords
bearing
vibration signal
dimensional
residual life
data enhancement
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
Application number
CN202110300197.0A
Other languages
English (en)
Other versions
CN113052060B (zh
Inventor
邹旺
吉畅
郑凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liupanshui Normal University
Original Assignee
Liupanshui Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liupanshui Normal University filed Critical Liupanshui Normal University
Priority to CN202110300197.0A priority Critical patent/CN113052060B/zh
Publication of CN113052060A publication Critical patent/CN113052060A/zh
Application granted granted Critical
Publication of CN113052060B publication Critical patent/CN113052060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备，方法包括：获取轴承运行产生的轴承振动信号，并对轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；将高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果。这样使得所提取的高维度特征能够更充分反应轴承性能的衰退过程，而获取充分反映轴承性能退化过程的特征是提高RUL预测精度的关键。而卷积神经网络模型更适合处理高维数据，因此，采用卷积神经网络模型作为轴承剩余寿命预测模型，能够有利于提升处理效率和处理效果，有利于提升对轴承的剩余使用寿命的预测精度。

Description

基于数据增强的轴承剩余寿命预测方法、装置及电子设备
技术领域
本申请涉及神经网络技术领域，具体而言，涉及一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备。
背景技术
轴承被广泛用于旋转机械设备，它一旦失效将会导致设备停机或者发生故障，因此精准的轴承寿命预测对设备的健康运行具有重要意义。近年来，轴承剩余寿命预测技术的不断发展使轴承的智能预测和健康管理能够实现，然而，轴承的退化过程相当的复杂，促使轴承的RUL(Remaining Useful Life，剩余使用寿命)仍然是一个难题，而如何提高轴承RUL预测精度成为更多研究所关注的问题。
大多数轴承RUL预测方法分为基于模型的方法和数据驱动的方法。基于模型的方法是通过构建轴承退化过程的数学模型，基于模型的方法的预测精度取决于模型的准确性，而轴承退化过程复杂，难以建立全面、准确的数学模型，目前该方法仍然是个难以解决的复杂问题。数据驱动的方法是通过采集当前工作状态轴承的温度、负载、速度和轴承振动幅度等信号，然后通过分析采集到的数据来预测轴承RUL。数据驱动的方法核心思想是分析轴承的当前运行状态，找出运行状态与RUL之间的映射关系。运行状态数据可以全面反应由材料缺陷和其他因素引起的轴承退化过程，因此在数据驱动方法中，我们可以使用反应轴承退化的数据，而非直接量化材料缺陷和许多其他复杂因素。
随着工业互联网和物联网技术的蓬勃发展，用于实时监测设备的传感器被大量的排布在机械设备各个关键部位，关于设备的状态数据也与日俱增，使得设备健康状态管理领域进入“大数据时代”。因此，数据驱动方法解决轴承RUL复杂问题更具有潜力。
轴承振动信号数据量大，噪声强，映射关系复杂，传统的机器学习方法无法从轴承历史状态数据中挖掘全面有价值的隐含信息，轴承RUL的预测精度不够高。
发明内容
本申请实施例的目的在于提供一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备，以提高轴承剩余使用寿命的预测精度。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种基于数据增强的轴承剩余寿命预测方法，包括：获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，所述轴承剩余寿命预测模型为卷积神经网络模型。
在本申请实施例中，通过对获取的轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征，这样使得所提取的高维度特征能够更充分反应轴承性能的衰退过程，而获取充分反映轴承性能退化过程的特征是提高RUL预测精度的关键。将高维度特征输入到预先训练好的轴承剩余寿命预测模型(卷积神经网络模型)中，得到表征该轴承的退化趋势的预测结果。而卷积神经网络模型作为应用最广泛的深度学习算法，它可以使用较少的参数来实现相同的功能和精度，并且更适合处理高维数据，因此，采用卷积神经网络模型作为轴承剩余寿命预测模型，能够有利于提升处理效率和处理效果，有利于提升对轴承的剩余使用寿命的预测精度。
结合第一方面，在第一方面的第一种可能的实现方式中，所述获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，包括：对该轴承的运行过程进行采样，每次采样得到一份轴承振动信号，其中，相邻两次采样之间的采样间隔为s1秒，每次采样的采样时长为s2秒；根据欲进行增强处理的目标振动信号，确定出所述目标振动信号之后的多份待处理振动信号，其中，所述目标振动信号为一份轴承振动信号，多份待处理振动信号为所述目标振动信号之后依次采样的多份轴承振动信号；将所述目标振动信号与多份所述待处理振动信号进行合并，实现对所述轴承振动信号的数据增强处理。
在该实现方式中，对该轴承的运行过程进行采样，每次采样得到一份轴承振动信号，其中，相邻两次采样之间的采样间隔为s1秒，每次采样的采样时长为s2秒；然后根据欲进行增强处理的目标振动信号，确定出目标振动信号之后的多份待处理振动信号，其中，目标振动信号为一份轴承振动信号，多份待处理振动信号为目标振动信号之后依次采样的多份轴承振动信号；将目标振动信号与多份待处理振动信号进行合并，实现对轴承振动信号的数据增强处理。通过这样的方式可以将采样时间相邻的多份轴承振动信号进行合并，从而实现对轴承振动信号的数据增强，使得数据增强后的轴承振动信号能够包含关于轴承更多的更完善的振动特征，有利于提高所提取的高维度特征中的全面有价值的隐含信息的挖掘，从而提升轴承的剩余使用寿命的预测精度。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述采样间隔为10秒，所述采样时长为0.1秒，采样频率为25.6kHz，所述待处理振动信号为2份，所述将所述目标振动信号与多份所述待处理振动信号进行合并，包括：将所述目标振动信号与2份所述待处理振动信号进行合并，以及，将所述目标振动信号与2份所述待处理振动信号中的相邻振动信号合并，将2份所述待处理振动信号进行合并，实现对所述轴承振动信号的数据增强处理，其中，所述相邻振动信号与所述目标振动信号在采样次序上相邻。
在该实现方式中，采样间隔为10秒，采样时长为0.1秒，采样频率为25.6kHz，这样采样的每份轴承振动信号包含2560个振动信号(可以理解为振动信号分量，以便区分)。待处理振动信号为2份，将目标振动信号与2份待处理振动信号进行合并，以及，将目标振动信号与2份待处理振动信号中的相邻振动信号合并，将2份待处理振动信号进行合并，实现对轴承振动信号的数据增强处理，其中，相邻振动信号与目标振动信号在采样次序上相邻。这样的方式将3份依次采样的轴承振动信号两两合并，全部合并，加上3份轴承振动信号本身，即包含3个层次、6个不同的数据，从而大大提升了数据的丰富程度，且能够实现对数据的增强，有利于全面且有价值的隐含信息的挖掘，从而有利于提升轴承剩余使用寿命的预测精度。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征，包括：分别计算所述目标振动信号的时域特征和频域特征，以及，计算2份所述待处理振动信号各自的时域特征和频域特征；计算将所述目标振动信号与2份所述待处理振动信号合并后得到的第一合并振动信号的时域特征和频域特征，以及，计算将所述目标振动信号与所述相邻振动信号合并后得到的第二合并振动信号的时域特征和频域特征，计算将2份所述待处理振动信号进行合并后得到的第三合并振动信号的时域特征和频域特征，以得到所述高维度特征，其中，所述高维度特征包括所述目标振动信号、每份所述待处理振动信号、所述第一合并振动信号、所述第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征。
在该实现方式中，分别计算目标振动信号的时域特征和频域特征，待处理振动信号的时域特征和频域特征，第一合并振动信号(将目标振动信号与2份待处理振动信号合并)的时域特征和频域特征，第二合并振动信号(将目标振动信号与相邻振动信号合并)的时域特征和频域特征，第三合并振动信号的时域特征和频域特征，由此可以得到层次丰富、更加全面的高维度特征，从而有利于提升轴承剩余使用寿命的预测精度。
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，一份轴承振动信号的所述时域特征包含均方根、峰度因数和峰度，且X方向和Y方向的轴承振动信号分别有3个时域特征，一份轴承振动信号的所述频域特征采用采用FSPS频域特征，所述频域特征包含相等间距的6个区段，即，每份轴承振动信号的时域特征和频域特征为18维，对应的，所述高维度特征包括所述目标振动信号、每份所述待处理振动信号、所述第一合并振动信号、所述第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征，即，所述高维度特征的时域特征和频域特征为108维。
在该实现方式中，时域特征包含均方根、峰度因数和峰度，且X方向和Y方向的轴承振动信号分别有3个时域特征，可以很好地表征轴承退化过程。轴承的振动频率变化能够很好的表征其运行状态，而且频率变化可以显示轴承振动信号的噪声，基于对频域特征的处理，很容易消除噪声的影响，此外，频域特征能够将将复杂的微分方程关系转换为线性方程关系，这不仅减少了深度卷积神经网络挖掘更深层次信息的难度，还可以保证模型训练的可靠性。因此，频域特征采用采用FSPS频域特征，可以保证频域信息的有效性。频域特征包含相等间距的6个区段，有利于挖掘更深层次的信息。高维度特征的时域特征和频域特征为108维，包含了不同层次，且经增强处理后的数据，更有利于更深层次信息的挖掘，以此高维度特征作为模型的输入，更有利于神经网络模型处理，从而有利于提高预测精度和处理效率。
结合第一方面，或者结合第一方面的第一种至第四种中任一可能的实现方式，在第一方面的第五种可能的实现方式中，所述轴承剩余寿命预测模型有3个卷积层、3个池化层、6层全连接层，卷积运算的输入特征是12*9特征图，展平后输出360维特征作为全连接层的输入，全连接层每层的神经元个数为[200，100，50，30，8，1]，每层所述激活函数均为ReLU函数，所述将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，包括：将108维的所述高维度特征处理为12*9特征图后输入所述轴承剩余寿命预测模型；所述轴承剩余寿命预测模型中的每个卷积层，通过卷积运算进行特征提取，将上一层的输出特征图与本层的卷积核进行卷积计算，利用激活函数获得新的特征图，该新的特征图作为一下层的输入，其中，第一个卷积层的输入为所述12*9特征图，其数学表达式为：
Figure BDA0002985922690000061
其中，
Figure BDA0002985922690000062
表示第l层的第j个卷积核运算输出结果，
Figure BDA0002985922690000063
表示第l层中与第i个特征图相关的第j个卷积核；
Figure BDA0002985922690000064
表示的第j个卷积核的偏置；f(·)表示激活函数，所述激活函数的表达式为：
Figure BDA0002985922690000065
其中，fj表示经过激活函数的输出；所述轴承剩余寿命预测模型中的每个池化层，通过采样将池化核所对应区域中的最大值作为输出，其数学表达式为：
fij＝max(ymn：i≤m≤i+a，j≤n≤j+b)，
其中，a，b分别为池化区域的长度和宽度，fij表示池化输出；所述轴承剩余寿命预测模型中的每个全连接层，将经过卷积和池化后的特征矩阵经过展平变为一维特征数据，通过深度神经网络进行回归运算，输出表征该轴承的退化趋势的所述预测结果，其数学表达为：
o(x)＝f(wx+c)，
式中：x表示全连接层的输入；o(x)表示全连接层的输出，w表示全连接的权重，c表示偏置。
通过这样的方式，可以提取出更多表征轴承衰退过程的高维度特征(108维)，将该高维度特征引入到RUL模型(轴承剩余寿命预测模型)中进行预测，进一步提高RUL的预测精度，且经过实验验证了本方法的有效性。而基于数据增强的方法将18维特征向量提升到108维，增强了表征轴承退化过程的特征信息，使得深度学习方法进行训练时学习到更多反映轴承退化的信息，从而提高预测精度。
第二方面，本申请实施例提供一种基于数据增强轴承剩余寿命预测装置，所述装置包括：振动信号获取单元，用于获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；剩余寿命预测单元，用于将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，所述轴承剩余寿命预测模型为卷积神经网络模型。
第三方面，本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的可能的实现方式中任一项所述的基于数据增强的轴承剩余寿命预测方法。
第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任一项所述的基于数据增强的轴承剩余寿命预测方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种基于数据增强的轴承剩余寿命预测方法的流程图。
图2为本申请实施例提供的一种电子设备的结构示意图。
图3为本申请实施例提供的一种轴承振动信号采样的示意图。
图4为本申请实施例提供的一种基于数据增强的特征提取的示意图。
图5为本申请实施例提供的卷积神经网络模型的示意图。
图6为本申请实施例提供的一种轴承剩余寿命预测模型的全连接层的示意图。
图7为一个轴承的全生命轴承振动信号的示意图。
图8为一个测试轴承的时域特征曲线。
图9为一个测试轴承的频域特征曲线。
图10为第一个轴承的预测结果图。
图11为第二个轴承的预测结果图。
图12为第三个轴承的预测结果图。
图13为第四个轴承的预测结果图。
图14为三个模型预测输出的MAE曲线。
图15为三个模型预测输出的RMSE曲线。
图16为本申请实施例提供的一种基于数据增强的轴承剩余寿命预测装置的结构框图。
图标：10-电子设备；11-存储器；12-通信模块；13-总线；14-处理器；20-基于数据增强轴承剩余寿命预测装置；21-振动信号获取单元；22-剩余寿命预测单元。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参阅图1，图1为本申请实施例提供的一种基于数据增强的轴承剩余寿命预测方法的流程图。在本实施例中，基于数据增强的轴承剩余寿命预测方法可以包括步骤S10和步骤S20。
示例性的，为了实现对轴承剩余寿命的准确预测，可以采用预设有训练好的轴承剩余寿命预测模型的电子设备来实现，而轴承剩余寿命预测模型的结构和训练过程将在后文进行介绍。
请参阅图2，图2为本申请实施例提供的一种电子设备10的结构框图。
在本实施例中，电子设备10可以为智能终端，例如个人电脑、笔记本电脑、智能手机、平板电脑等；电子设备10也可以为服务器，例如云服务器、网络服务器、服务器集群等，此处不作限定。
示例性的，电子设备10可以包括：通过网络与外界连接的通信模块12、用于执行程序指令的一个或多个处理器14、总线13和不同形式的存储器11，例如，磁盘、ROM、或RAM，或其任意组合。存储器11、通信模块12、处理器14之间可以通过总线13连接。
示例性的，存储器11中存储有程序。处理器14可以从存储器11调用并运行这些程序，从而便可以通过运行程序而实现基于数据增强的轴承剩余寿命预测方法。
在本实施例中，电子设备可以执行步骤S10。
步骤S10：获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征。
在本实施例中，电子设备可以获取轴承运行产生的轴承振动信号，例如接收传感器监测的轴承振动信号。而后，电子设备可以对轴承振动信号进行数据增强处理。
示例性的，电子设备可以控制与其连接的传感器，对该轴承的运行过程进行采样，每次采样得到一份轴承振动信号，其中，相邻两次采样之间的采样间隔为s1秒，每次采样的采样时长为s2秒。例如，采样间隔可以为10秒，采样时长可以为0.1秒，采样频率可以为25.6kHz。
由于传统的信号特征表征轴承衰退过程时，部分退化信息会损失，为确保轴承历史信号数据的完整性，应尽可能从原始数据中挖掘非常重要的信息。因此，本申请实施例中所使用的原始振动信号数据的采集方式为每隔10秒进行一次采样每次采集0.1秒的数据，每次采集共2560个振动信号，如图3所示。
而后，电子设备可以基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征。
示例性的，电子设备可以根据欲进行增强处理的目标振动信号，确定出目标振动信号之后的多份待处理振动信号，其中，目标振动信号为一份轴承振动信号，多份待处理振动信号为目标振动信号之后依次采样的多份轴承振动信号，再将目标振动信号与多份待处理振动信号进行合并，实现对轴承振动信号的数据增强处理。
需要说明的是，欲进行增强处理的目标振动信号的确定，可以是从第一份轴承振动信号开始，依次作为目标振动信号。例如，目标振动信号是代号为1的轴承振动信号，那么，相应的待处理振动信号分别是代号为2和3的轴承振动信号，合并处理完成之后，目标振动信号可以确定代号为2的轴承振动信号，待处理振动信号分别是代号为3和4的轴承振动信号，以此类推。
通过这样的方式可以将采样时间相邻的多份轴承振动信号进行合并，从而实现对轴承振动信号的数据增强，使得数据增强后的轴承振动信号能够包含关于轴承更多的更完善的振动特征，有利于提高所提取的高维度特征中的全面有价值的隐含信息的挖掘，从而提升轴承的剩余使用寿命的预测精度。
示例性的，电子设备可以将目标振动信号与2份待处理振动信号进行合并，以及，将目标振动信号与2份待处理振动信号中的相邻振动信号合并，将2份待处理振动信号进行合并，实现对轴承振动信号的数据增强处理，其中，相邻振动信号与目标振动信号在采样次序上相邻。
这样的方式将3份依次采样的轴承振动信号两两合并，全部合并，加上3份轴承振动信号本身，即包含3个层次、6个不同的数据，从而大大提升了数据的丰富程度，且能够实现对数据的增强，有利于全面且有价值的隐含信息的挖掘，从而有利于提升轴承剩余使用寿命的预测精度。
在本实施例中，当轴承信号的振动幅度大于某个阀值的时刻点时会被确定为轴承损坏点，因此，根据振动信号的幅度值和时域特征就可以确定轴承是否发生损坏。虽然时域特征不能够提供足够的信息来进行RUL预测，但时域特征可以很好地反映轴承衰退的趋势。振动信号数据有许多的时域特征，不同的特征对于表征轴承衰退过程的能力不同，甚至有些时域特征几乎没有表征能力，故选择合适的时域特征至关重要。
基于此，本实施例选用表征轴承退化过程的三个经典时域特征，分别为：均方根XRMS，峰度因数XCrest和峰度XKurtosis，其公式为：
Figure BDA0002985922690000111
Figure BDA0002985922690000112
Figure BDA0002985922690000113
因此，一份轴承振动信号的时域特征包含均方根、峰度因数和峰度，且X方向和Y方向的轴承振动信号分别有3个时域特征。
轴承的振动频率变化能够很好的表征其运行状态，而且频率变化可以显示轴承振动信号的噪声，基于对频域特征的处理，很容易消除噪声的影响，此外，频域特征能够将将复杂的微分方程关系转换为线性方程关系，这不仅减少了深度卷积神经网络挖掘更深层次信息的难度，还可以保证模型训练的可靠性。为保证频域信息的有效性，本实施例中采用FSPS(Frequency Spectrum Partition Summation，频谱分区求和)频域特征。
假定振动信号为X(i)，其中i＝1，2，3，…，n。振动信号X(i)的FFT(Fast FourierTransform，快速傅里叶变化)是频域序列Y(t)，其中t＝1，2，3，…，n。如果对频谱Y(t)序列进行分区求和，则可得频谱分区求和特征。FSPS频域特征指数XFSPS(K)公式如下：
Figure BDA0002985922690000121
其中K＝1，2，3，…，K，在本实施例中，K＝6，幅频特性序列s(j)被分为相等间距的6个区段。因此，X方向振动信号和Y方向振动信号分别具有6维频域特征。
因此，每份轴承振动信号的时域特征和频域特征为18维，对应的，高维度特征包括目标振动信号、每份待处理振动信号、第一合并振动信号、第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征，即，高维度特征的时域特征和频域特征为108维。
时域特征包含均方根、峰度因数和峰度，且X方向和Y方向的轴承振动信号分别有3个时域特征，可以很好地表征轴承退化过程。轴承的振动频率变化能够很好的表征其运行状态，而且频率变化可以显示轴承振动信号的噪声，基于对频域特征的处理，很容易消除噪声的影响，此外，频域特征能够将将复杂的微分方程关系转换为线性方程关系，这不仅减少了深度卷积神经网络挖掘更深层次信息的难度，还可以保证模型训练的可靠性。因此，频域特征采用采用FSPS频域特征，可以保证频域信息的有效性。频域特征包含相等间距的6个区段，有利于挖掘更深层次的信息。高维度特征的时域特征和频域特征为108维，包含了不同层次，且经增强处理后的数据，更有利于更深层次信息的挖掘，以此高维度特征作为模型的输入，更有利于神经网络模型处理，从而有利于提高预测精度和处理效率。
例如，请参阅图4，图4为本申请实施例提供的一种基于数据增强的特征提取的示意图。
图中的1，2，3，…，t表示每隔10秒采集到0.1秒内的振动信号数据(即，轴承振动信号)，每0.1秒所采集到的数据(一份轴承振动信号)用CSV文件(Comma-Separated Values，CSV，称为字符分隔值)保存并用1，2，…，t命名，采样点t表示轴承失效时刻点。
首先可以取连续三个时间间隔的振动数据进行合并(例如，以1作为目标振动信号，那么，2和3均为待处理振动信号，且2也是1的相邻振动信号)，然后相邻时间间隔的振动信号数据两两合并，如图4所示的123，12，23。同理，后续为234，23，34…方式依次递进，再分别计算出合并前后的轴承振动信号的时域特征和频域特征(既要计算合并后的振动信号的时域特征和频域特征，还要计算合并前的振动信号的时域特征和频域特征)。因此，每隔10秒采集的数据在X方向和Y方向的时域特征和频域特征是18维，则连续三个时间间隔的特征就为54维，而连续三个时间间隔合并和相邻两两合并后的振动信号分别为18维，所有计算出来的时域特征和频域特征共108维。因此，高维度特征为108维，从轴承振动信号中提取出来的时域特征和频域特征是18维特征，丢失了部分反映轴承轴退化的相关信息，而本实施例中采用的基于数据增强的方法提取出了更多表征轴承衰退过程的高维度特征(108维)，以此作为轴承剩余使用寿命预测模型的输入，有利于进一步提升轴承剩余使用寿命预测的精度。
需要说明的是，本实施例中以三份轴承振动信号(目标振动信号和2份待处理振动信号)为例，作为实现数据增强的基础(以此确定的高维度特征可以达到108维)，但不应视为对本申请的限定，在其他一些可能的实现方式中，也可以以4份、5份等轴承振动信号作为实现数据增强的基础，以此得到更高维的高维度特征。
确定出表征该轴承衰退过程的高维度特征后，电子设备可以执行步骤S20。为了便于对本方案的理解，在介绍步骤S20之前，此处先对预设的轴承剩余寿命预测模型进行介绍。
CNN(Convolutional Neural Networks，卷积神经网络)是一种典型的前馈神经网络，具有强大的特征提取能力，可以从高维特征中提取复杂信息，已经被广泛用于图像识别、语音等领域，并取得了巨大成功。考虑到CNN强大的特征提取能力(适合从高维特征中提取复杂信息)，在本实施例中，选用CNN来处理高维特征可以更好的发现轴承衰退过程特征，从而发现特征与RUL之间的映射关系，再经过全连接深度神经网络进行轴承剩余使用寿命预测。
因此，在本实施例中，选用CNN作为轴承剩余寿命预测模型的基础。
请参阅图5，图5为本申请实施例提供的卷积神经网络模型的示意图。典型的卷积神经网络由卷积层、池化层和全连接层组成。
在卷积层中，主要通过卷积运算进行特征提取，上一层的输出特征图与本层的卷积核进行卷积计算，利用激活函数可获得新的特征图，该特征图将作为一下层的输入，其过程的数学表达式如下所示：
Figure BDA0002985922690000141
其中，
Figure BDA0002985922690000142
表示第l层的第j个卷积核运算输出结果，
Figure BDA0002985922690000143
表示第l层中与第i个特征图相关的第j个卷积核；
Figure BDA0002985922690000144
表示的第j个卷积核的偏置；f(﹒)表示激活函数，激活函数可以选用深度学习中普遍使用的ReLU(线性整流函数)作为CNN的激活函数，其表达式为：
Figure BDA0002985922690000151
其中，fj表示经过激活函数的输出。
在池化层中，主要进行采样操作，实现特征图降维的目的。卷积神经网络中最大池化运用最为广泛，方法是将池化核所对应区域中的最大值作为输出。其数学表达式为：
fij＝max(ymn：i≤m≤i+a，j≤n≤j+b)， (7)
其中，a，b分别为池化区域的长度和宽度，fij表示池化输出。
全连接层是将经过卷积和池化后的特征矩阵经过展平变为一维特征数据，通过深度神经网络进行回归运算，输出预测值。其数学表达为：
o(x)＝f(wx+c)， (8)
式中：x表示全连接层的输入；o(x)表示全连接层的输出，w表示全连接的权重，c表示偏置。
为了得到更好的轴承剩余寿命预测模型，发明人做了大量的实验设计，设计不同的模型结构，并对比各种模型结构对应的模型的预测精度、稳定性、处理效率等，确定出以下模型结构作为轴承剩余寿命预测模型的基础。
请参阅图6，图6为本申请实施例提供的一种轴承剩余寿命预测模型的全连接层的示意图。
在本实施例中，轴承剩余寿命预测模型具有3个卷积层、3个池化层、6层全连接层，卷积运算的输入特征是12*9特征图，展平后输出360维特征作为全连接层的输入，全连接层每层的神经元个数为[200，100，50，30，8，1]，每层激活函数均为ReLU函数。
在本实施例中，可以利用高维度特征对轴承剩余寿命预测模型进行训练，在模型训练之前，可以将所提的108维的高维度特征整形成12*9特征映射图，输入到模型并进行训练。
模型训练完成后，得到训练好的轴承剩余寿命预测模型，可以预设在电子设备内，从而便于电子设备执行步骤S20。
步骤S20：将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，所述轴承剩余寿命预测模型为卷积神经网络模型。
在本实施例中，电子设备可以将高维度特征输入到预先训练好的轴承剩余寿命预测模型中，当然，此处需要电子设备先将108维的高维度特征处理为12*9特征图后输入轴承剩余寿命预测模型中。
而后，轴承剩余寿命预测模型中的每个卷积层，可以通过卷积运算进行特征提取，将上一层的输出特征图与本层的卷积核进行卷积计算，利用激活函数获得新的特征图，该新的特征图作为一下层的输入，其中，第一个卷积层的输入为12*9特征图。每个卷积层的进行卷积计算的过程的数学表达式可以为：
Figure BDA0002985922690000161
其中，
Figure BDA0002985922690000162
表示第l层的第j个卷积核运算输出结果，
Figure BDA0002985922690000163
表示第l层中与第i个特征图相关的第j个卷积核；
Figure BDA0002985922690000164
表示的第j个卷积核的偏置。
f(·)表示激活函数，激活函数的表达式为：
Figure BDA0002985922690000165
其中，fj表示经过激活函数的输出。
轴承剩余寿命预测模型中的每个池化层，可以通过采样将池化核所对应区域中的最大值作为输出，其数学表达式为：
fij＝max(ymn：i≤m≤i+a，j≤n≤j+b)， (11)
其中，a，b分别为池化区域的长度和宽度，fij表示池化输出。
轴承剩余寿命预测模型中的每个全连接层，将经过卷积和池化后的特征矩阵经过展平变为一维特征数据，通过深度神经网络进行回归运算，输出表征该轴承的退化趋势的预测结果，其数学表达为：
o(x)＝f(wx+c)，
式中：x表示全连接层的输入；o(x)表示全连接层的输出，w表示全连接的权重，c表示偏置。
通过这样的方式，可以提取出更多表征轴承衰退过程的高维度特征(108维)，将该高维度特征引入到RUL模型(轴承剩余寿命预测模型)中进行预测，进一步提高RUL的预测精度，且经过实验验证了本方法的有效性。而基于数据增强的方法将18维特征向量提升到108维，增强了表征轴承退化过程的特征信息，使得深度学习方法进行训练时学习到更多反映轴承退化的信息，从而提高预测精度。
以下，将以一个实例对本申请实施例提供的基于数据增强的轴承剩余寿命预测方法的预测效果进行验证。
本实验中使用的数据来自法国FEMTO-ST研究所提供的IEEE PHM2012预测器挑战实验数据。PRONOSTIA实验平台旨在测试和验证轴承故障诊断和预测的方法，该实验平台仅在几个小时内就提供了真实的轴承退化实验数据，主要是水平方向(X方向)的振动信号和垂直方向(Y方向)的振动信号。与其它轴承实验台相比，PRONOSTIA提供了初始状态没有任何缺陷的轴承全生命周期寿命数据，在该实验共设定了三个工作条件，并将轴承分为三组进行实验，共计17个轴承的全生命周期振动信号数据，实验条件和轴承组见表1和表2。
表1.工作条件
Figure BDA0002985922690000171
Figure BDA0002985922690000181
表2.轴承数据集
Figure BDA0002985922690000182
从上述轴承原始振动信号开始(图7显示一个轴承全生命轴承振动信号)，提取振动信号的时域特征和频域特征。水平方向(X方向)和垂直方向(Y方向)的时域和频域特征数量总共18维，其中包括均方根、峰度系素、峰度因素和FFT计算的FSPS特征。
本实施例中将振动信号数据进行处理后(主要是进行数据增强的特征提取处理)，可以将18维特征向量提升到108维，增强了表征轴承退化过程的特征信息，使得深度学习方法进行训练时学习到更多反映轴承退化的信息，从而提高预测精度。而图8显示了一个测试轴承的时域特征曲线，图9显示了该测试轴承的频域特征曲线。
在轴承剩余使用寿命预测过程中，本实施例中采用十折交叉验证将特征数据集分为测试集和验证集。
在获得108维时域和频域特征集后，将特征引入到卷积神经网络预测模型进行训练，卷积神经网络具有3层卷积层，预测模型是一个6层深度神经网络，网络参数为[200，100，50，30，8，1]，每层网络神经的激活函数为ReLU。整个网络的训练损失函数是绝对误差(MAE)和均方根误差(RMSE)。在模型训练好之后，可用于预测轴承测试集的RUL。本实验使用4个轴承数据做RUL预测。4个轴承预测结果如图10～13所示，从图10～13中可以看出，预测结果反映轴承退化的趋势，4个轴承的平均绝对误差为0.023。
为了验证本申请实施例中所提出的方法提高了轴承预测预测精度，本实施例中将CNN模型预测精度与DNN模型、SVM模型进行了比较，SVM模型应用于“Multi-bearingremaining useful life collaborative prediction:A deep learning approach”中提出的FSPS。采用绝对误差(MAE)和均方根(RMSE)作为评价指标来评估不同模型的预测精度。
图14和图15分别显示了三个模型预测输出的MAE曲线和RMSE曲线，图中横坐标表示轴承编号，纵轴表示轴承编号对应的评估值，共4个轴承。108_Feature_CNN(红线，即带“·”的折线)表示本文使用基于数据增强的时域和频域特征(108维)的预测结果，18_Feature_DNN(蓝线，即带“x”的折线)表示FSPS预测的结果，108_Feature_SVM(黑线，即带“▲”的折线)表示108维特征预测的结果，CNN模型得预测结果与其他两个模型相比具有最小的误差。三种方法对4个轴承RUL预测的平均MAE值和平均RMSE值见表3。
表3误差结果值
Figure BDA0002985922690000191
对以上实验结果进行特征和模型的比较分析：
1)特征比较：108维特征预测误差(红线)比18维特征预测误差(红线)更小，实验证明本文所提特征方法的优越性。
2)模型比较：CNN模型和SVM模型输入相同的特征(108维)，与SVM模型的预测误差相比CNN模型误差值更小，实验证明CNN模型的有效性，CNN模型对处理高维特征具有绝对优势。
由此可见，本申请实施例提供的基于数据增强的轴承剩余寿命预测方法具有更高的预测精度。
请参阅图16，本申请实施例提供一种基于数据增强轴承剩余寿命预测装置20，包括：
振动信号获取单元21，用于获取轴承运行产生的轴承振动信号，并对轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征。
剩余寿命预测单元22，用于将高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，轴承剩余寿命预测模型为卷积神经网络模型。
在本实施例中，所述振动信号获取单元21，还用于对该轴承的运行过程进行采样，每次采样得到一份轴承振动信号，其中，相邻两次采样之间的采样间隔为s1秒，每次采样的采样时长为s2秒；根据欲进行增强处理的目标振动信号，确定出所述目标振动信号之后的多份待处理振动信号，其中，所述目标振动信号为一份轴承振动信号，多份待处理振动信号为所述目标振动信号之后依次采样的多份轴承振动信号；将所述目标振动信号与多份所述待处理振动信号进行合并，实现对所述轴承振动信号的数据增强处理。
在本实施例中，所述采样间隔为10秒，所述采样时长为0.1秒，采样频率为25.6kHz，所述待处理振动信号为2份，所述振动信号获取单元21，还用于将所述目标振动信号与2份所述待处理振动信号进行合并，以及，将所述目标振动信号与2份所述待处理振动信号中的相邻振动信号合并，将2份所述待处理振动信号进行合并，实现对所述轴承振动信号的数据增强处理，其中，所述相邻振动信号与所述目标振动信号在采样次序上相邻。
在本实施例中，所述振动信号获取单元21，还用于分别计算所述目标振动信号的时域特征和频域特征，以及，计算2份所述待处理振动信号各自的时域特征和频域特征；计算将所述目标振动信号与2份所述待处理振动信号合并后得到的第一合并振动信号的时域特征和频域特征，以及，计算将所述目标振动信号与所述相邻振动信号合并后得到的第二合并振动信号的时域特征和频域特征，计算将2份所述待处理振动信号进行合并后得到的第三合并振动信号的时域特征和频域特征，以得到所述高维度特征，其中，所述高维度特征包括所述目标振动信号、每份所述待处理振动信号、所述第一合并振动信号、所述第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征。
在本实施例中，一份轴承振动信号的所述时域特征包含均方根、峰度因数和峰度，且X方向和Y方向的轴承振动信号分别有3个时域特征，一份轴承振动信号的所述频域特征采用采用FSPS频域特征，所述频域特征包含相等间距的6个区段，即，每份轴承振动信号的时域特征和频域特征为18维，对应的，所述高维度特征包括所述目标振动信号、每份所述待处理振动信号、所述第一合并振动信号、所述第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征，即，所述高维度特征的时域特征和频域特征为108维。
在本实施例中，所述轴承剩余寿命预测模型有3个卷积层、3个池化层、6层全连接层，卷积运算的输入特征是12*9特征图，展平后输出360维特征作为全连接层的输入，全连接层每层的神经元个数为[200，100，50，30，8，1]，每层所述激活函数均为ReLU函数，所述剩余寿命预测单元22，还用于将108维的所述高维度特征处理为12*9特征图后输入所述轴承剩余寿命预测模型；所述轴承剩余寿命预测模型中的每个卷积层，通过卷积运算进行特征提取，将上一层的输出特征图与本层的卷积核进行卷积计算，利用激活函数获得新的特征图，该新的特征图作为一下层的输入，其中，第一个卷积层的输入为所述12*9特征图，其数学表达式为：
Figure BDA0002985922690000221
其中，
Figure BDA0002985922690000222
表示第1层的第j个卷积核运算输出结果，
Figure BDA0002985922690000223
表示第1层中与第i个特征图相关的第j个卷积核；
Figure BDA0002985922690000224
表示的第j个卷积核的偏置；f(·)表示激活函数，所述激活函数的表达式为：
Figure BDA0002985922690000225
其中，fi表示经过激活函数的输出；所述轴承剩余寿命预测模型中的每个池化层，通过采样将池化核所对应区域中的最大值作为输出，其数学表达式为：
fij＝max(ymn：i≤m≤i+a，j≤n≤j+b)，
其中，a，b分别为池化区域的长度和宽度，fij表示池化输出；所述轴承剩余寿命预测模型中的每个全连接层，将经过卷积和池化后的特征矩阵经过展平变为一维特征数据，通过深度神经网络进行回归运算，输出表征该轴承的退化趋势的所述预测结果，其数学表达为：
o(x)＝f(wx+c)，
式中：x表示全连接层的输入；o(x)表示全连接层的输出，w表示全连接的权重，c表示偏置。
本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中的基于数据增强的轴承剩余寿命预测方法。
综上所述，本申请实施例提供一种基于数据增强的轴承剩余寿命预测方法、装置及电子设备，通过对获取的轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征，这样使得所提取的高维度特征能够更充分反应轴承性能的衰退过程，而获取充分反映轴承性能退化过程的特征是提高RUL预测精度的关键。将高维度特征输入到预先训练好的轴承剩余寿命预测模型(卷积神经网络模型)中，得到表征该轴承的退化趋势的预测结果。而卷积神经网络模型作为应用最广泛的深度学习算法，它可以使用较少的参数来实现相同的功能和精度，并且更适合处理高维数据，因此，采用卷积神经网络模型作为轴承剩余寿命预测模型，能够有利于提升处理效率和处理效果，有利于提升对轴承的剩余使用寿命的预测精度。鉴于卷积神经网络处理高维复杂特征数据的优异特点，构建卷积神经网络模型进行轴承的退化学习和剩余使用寿命预测。经过实验结果对比，实验结果表明本实施例所提出的方法对轴承剩余使用寿命预测具有更高的预测精度。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于数据增强的轴承剩余寿命预测方法，其特征在于，所述方法包括：
获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；
将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，所述轴承剩余寿命预测模型为卷积神经网络模型。
2.根据权利要求1所述的基于数据增强的轴承剩余寿命预测方法，其特征在于，所述获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，包括：
对该轴承的运行过程进行采样，每次采样得到一份轴承振动信号，其中，相邻两次采样之间的采样间隔为s1秒，每次采样的采样时长为s2秒；
根据欲进行增强处理的目标振动信号，确定出所述目标振动信号之后的多份待处理振动信号，其中，所述目标振动信号为一份轴承振动信号，多份待处理振动信号为所述目标振动信号之后依次采样的多份轴承振动信号；
将所述目标振动信号与多份所述待处理振动信号进行合并，实现对所述轴承振动信号的数据增强处理。
3.根据权利要求2所述的基于数据增强的轴承剩余寿命预测方法，其特征在于，所述采样间隔为10秒，所述采样时长为0.1秒，采样频率为25.6kHz，所述待处理振动信号为2份，所述将所述目标振动信号与多份所述待处理振动信号进行合并，包括：
将所述目标振动信号与2份所述待处理振动信号进行合并，以及，将所述目标振动信号与2份所述待处理振动信号中的相邻振动信号合并，将2份所述待处理振动信号进行合并，实现对所述轴承振动信号的数据增强处理，其中，所述相邻振动信号与所述目标振动信号在采样次序上相邻。
4.根据权利要求3所述的基于数据增强的轴承剩余寿命预测方法，其特征在于，所述基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征，包括：
分别计算所述目标振动信号的时域特征和频域特征，以及，计算2份所述待处理振动信号各自的时域特征和频域特征；
计算将所述目标振动信号与2份所述待处理振动信号合并后得到的第一合并振动信号的时域特征和频域特征，以及，计算将所述目标振动信号与所述相邻振动信号合并后得到的第二合并振动信号的时域特征和频域特征，计算将2份所述待处理振动信号进行合并后得到的第三合并振动信号的时域特征和频域特征，以得到所述高维度特征，其中，所述高维度特征包括所述目标振动信号、每份所述待处理振动信号、所述第一合并振动信号、所述第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征。
5.根据权利要求4所述的基于数据增强的轴承剩余寿命预测方法，其特征在于，一份轴承振动信号的所述时域特征包含均方根、峰度因数和峰度，且X方向和Y方向的轴承振动信号分别有3个时域特征，一份轴承振动信号的所述频域特征采用采用FSPS频域特征，所述频域特征包含相等间距的6个区段，即，每份轴承振动信号的时域特征和频域特征为18维，
对应的，所述高维度特征包括所述目标振动信号、每份所述待处理振动信号、所述第一合并振动信号、所述第二合并振动信号和第三合并振动信号的所有的时域特征和频域特征，即，所述高维度特征的时域特征和频域特征为108维。
6.根据权利要求1至5中任一项所述的基于数据增强的轴承剩余寿命预测方法，其特征在于，所述轴承剩余寿命预测模型有3个卷积层、3个池化层、6层全连接层，卷积运算的输入特征是12*9特征图，展平后输出360维特征作为全连接层的输入，全连接层每层的神经元个数为[200，100，50，30，8，1]，每层所述激活函数均为ReLU函数，所述将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，包括：
将108维的所述高维度特征处理为12*9特征图后输入所述轴承剩余寿命预测模型；
所述轴承剩余寿命预测模型中的每个卷积层，通过卷积运算进行特征提取，将上一层的输出特征图与本层的卷积核进行卷积计算，利用激活函数获得新的特征图，该新的特征图作为一下层的输入，其中，第一个卷积层的输入为所述12*9特征图，其数学表达式为：
Figure FDA0002985922680000031
其中，
Figure FDA0002985922680000032
表示第l层的第j个卷积核运算输出结果，
Figure FDA0002985922680000033
表示第l层中与第i个特征图相关的第j个卷积核；
Figure FDA0002985922680000034
表示的第j个卷积核的偏置；f(﹒)表示激活函数，所述激活函数的表达式为：
Figure FDA0002985922680000035
其中，fj表示经过激活函数的输出；
所述轴承剩余寿命预测模型中的每个池化层，通过采样将池化核所对应区域中的最大值作为输出，其数学表达式为：
fij＝max(ymn:i≤m≤i+a,j≤n≤j+b)，
其中，a，b分别为池化区域的长度和宽度，fij表示池化输出；
所述轴承剩余寿命预测模型中的每个全连接层，将经过卷积和池化后的特征矩阵经过展平变为一维特征数据，通过深度神经网络进行回归运算，输出表征该轴承的退化趋势的所述预测结果，其数学表达为：
o(x)＝f(wx+c)，
式中：x表示全连接层的输入；o(x)表示全连接层的输出，w表示全连接的权重，c表示偏置。
7.一种基于数据增强轴承剩余寿命预测装置，其特征在于，所述装置包括：
振动信号获取单元，用于获取轴承运行产生的轴承振动信号，并对所述轴承振动信号进行数据增强处理，并基于数据增强处理后的振动信号，确定出表征该轴承衰退过程的高维度特征；
剩余寿命预测单元，用于将所述高维度特征输入到预先训练好的轴承剩余寿命预测模型中，得到表征该轴承的退化趋势的预测结果，其中，所述轴承剩余寿命预测模型为卷积神经网络模型。
8.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任一项所述的基于数据增强的轴承剩余寿命预测方法。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现权利要求1至6中任一项所述的基于数据增强的轴承剩余寿命预测方法。
CN202110300197.0A 2021-03-22 2021-03-22 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 Active CN113052060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300197.0A CN113052060B (zh) 2021-03-22 2021-03-22 基于数据增强的轴承剩余寿命预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300197.0A CN113052060B (zh) 2021-03-22 2021-03-22 基于数据增强的轴承剩余寿命预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113052060A true CN113052060A (zh) 2021-06-29
CN113052060B CN113052060B (zh) 2024-02-09

Family

ID=76513957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300197.0A Active CN113052060B (zh) 2021-03-22 2021-03-22 基于数据增强的轴承剩余寿命预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113052060B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114298210A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多视角融合风电齿轮箱轴承剩余寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
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
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111680446A (zh) * 2020-01-11 2020-09-18 哈尔滨理工大学 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
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN109726524A (zh) * 2019-03-01 2019-05-07 哈尔滨理工大学 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN111680446A (zh) * 2020-01-11 2020-09-18 哈尔滨理工大学 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
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111832216A (zh) * 2020-04-14 2020-10-27 新疆大学 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NECTOUX P 等: "PＲONOSTIA: An experimental platform for bearings accelerated degradation tests", IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT, pages 1 - 8 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114298210A (zh) * 2021-12-24 2022-04-08 江苏国科智能电气有限公司 一种多视角融合风电齿轮箱轴承剩余寿命预测方法

Also Published As

Publication number Publication date
CN113052060B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Rajabi et al. Fault diagnosis in industrial rotating equipment based on permutation entropy, signal processing and multi-output neuro-fuzzy classifier
Rai et al. Bearing performance degradation assessment based on a combination of empirical mode decomposition and k-medoids clustering
Zheng et al. A rolling bearing fault diagnosis method based on multi-scale fuzzy entropy and variable predictive model-based class discrimination
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
Lin et al. Hyper-spherical distance discrimination: A novel data description method for aero-engine rolling bearing fault detection
CN110516305B (zh) 基于注意机制元学习模型的小样本下故障智能诊断方法
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
Jiang et al. A new convolutional dual-channel Transformer network with time window concatenation for remaining useful life prediction of rolling bearings
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
Zhong et al. A nonparametric health index and its statistical threshold for machine condition monitoring
Xu et al. Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
Zhu et al. Prediction of bearing remaining useful life based on DACN-ConvLSTM model
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
JP2019105871A (ja) 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置
CN113052060B (zh) 基于数据增强的轴承剩余寿命预测方法、装置及电子设备
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
Liu et al. Multi-Scale Fusion Attention Convolutional Neural Network for Fault Diagnosis of Aero-Engine Rolling Bearing
Pang et al. Discrete Cosine Transformation and Temporal Adjacent Convolutional Neural Network‐Based Remaining Useful Life Estimation of Bearings
CN117010442A (zh) 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统
Medina et al. Gearbox fault classification using dictionary sparse based representations of vibration signals
US20190294988A1 (en) Plant abnormality prediction system and method
Xuejiao et al. A method for rolling bearing life state recognition by combining health indicator and anti-noise deep residual shrinkage network
CN115750341A (zh) 一种罗茨式压缩机故障诊断方法及系统

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