CN113326590B - 基于深度学习模型的滚动轴承寿命预测方法和装置 - Google Patents

基于深度学习模型的滚动轴承寿命预测方法和装置 Download PDF

Info

Publication number
CN113326590B
CN113326590B CN202110803411.4A CN202110803411A CN113326590B CN 113326590 B CN113326590 B CN 113326590B CN 202110803411 A CN202110803411 A CN 202110803411A CN 113326590 B CN113326590 B CN 113326590B
Authority
CN
China
Prior art keywords
fault
model
layer
time sequence
data 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
Application number
CN202110803411.4A
Other languages
English (en)
Other versions
CN113326590A (zh
Inventor
刘锦南
高晖
高东方
和丹辉
郭金良
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.)
Beijing Bohua Anchuang Technology Co ltd
Beijing Bohua Xinzhi Technology Co ltd
Original Assignee
Beijing Bohua Xinzhi Technology Co ltd
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 Beijing Bohua Xinzhi Technology Co ltd filed Critical Beijing Bohua Xinzhi Technology Co ltd
Priority to CN202110803411.4A priority Critical patent/CN113326590B/zh
Publication of CN113326590A publication Critical patent/CN113326590A/zh
Application granted granted Critical
Publication of CN113326590B publication Critical patent/CN113326590B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了基于深度学习模型的滚动轴承寿命预测方法和装置，其中，方法包括：获取多个传感器检测的时序信号；将所述时序信号进行数据处理，得到所述时序信号对应的灰度图；对所述灰度图进行标注，得到时序序列数据集和故障识别数据集；将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练，得到所述故障识别模型对应的特征参数；构建故障趋势预测模型，并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数；将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练，并得到所述时序序列数据集对应的剩余寿命，能够对滚动轴承的剩余生命进行准确预测。

Description

基于深度学习模型的滚动轴承寿命预测方法和装置
技术领域
本公开一般涉及人工智能技术领域，具体涉及深度学习技术领域，尤其涉及一种基于深度学习模型的滚动轴承寿命预测方法和装置。
背景技术
随着工业技术不断发展，机械设备不断向大型化、多元化和复杂化发展，大扰动、强冲击等恶劣工况十分常见。滚动轴承广泛应用于航空航天，加工制造等诸多工业领域，是各类机械设备的重要部件，一旦发生故障，将造成严重的经济损失甚至人员伤亡，因此，对滚动轴承进行寿命预测对保障机械设备安全运行有着至关重要的意义。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种基于深度学习模型的滚动轴承寿命预测方法和装置，能够对滚动轴承的剩余生命进行准确预测。
第一方面，本申请实施例提供了一种基于深度学习模型的滚动轴承寿命预测方法，包括：
获取多个传感器检测的时序信号；
将所述时序信号进行数据处理，得到所述时序信号对应的灰度图；
对所述灰度图进行标注，得到时序序列数据集和故障识别数据集；
将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练，得到所述故障识别模型对应的特征参数；
构建故障趋势预测模型，并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数；
将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练，并得到所述时序序列数据集对应的剩余寿命。
在一些实施例中，所述故障识别模型包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六全连接层、第七全连接层和输出层。
在一些实施例中，所述故障识别模型采用自适应矩阵估计优化器进行权重训练，所述自适应矩阵估计优化器的参数初始化为：
Figure DEST_PATH_IMAGE001
其中，
Figure 471462DEST_PATH_IMAGE002
为实时更新的参数，下标t表示步长，
Figure 418296DEST_PATH_IMAGE003
表示当前步长的梯度，ρ是当前指数衰减率的估值，
Figure 729192DEST_PATH_IMAGE004
是一阶梯度矩阵，
Figure 921139DEST_PATH_IMAGE005
是二阶梯度矩阵，
Figure 1090DEST_PATH_IMAGE006
为学习率，
Figure 620291DEST_PATH_IMAGE007
为常量10-8，以保证表达式成立，
Figure 418482DEST_PATH_IMAGE008
和
Figure 148541DEST_PATH_IMAGE009
是对原始值的偏差修正。
在一些实施例中，所述故障趋势预测模型包括：池化层、第八全连接层、第九全连接层、第十全连接层、LSTM隐含层、第十一全连接层和输出层。
在一些实施例中，所述故障趋势预测模型采用如下多任务损失函数：
Figure 850043DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为完整生命周期，
Figure 905724DEST_PATH_IMAGE012
为当前时刻，
Figure 456791DEST_PATH_IMAGE013
为预测剩余寿命值，
Figure 724961DEST_PATH_IMAGE014
为所述故障趋势预测模型中第八全连接层的特征参数，
Figure 779505DEST_PATH_IMAGE015
为所述故障识别模型中第七全连接层的特征参数，
Figure 740507DEST_PATH_IMAGE016
为固定参数，
Figure 513291DEST_PATH_IMAGE017
为随着迭代次数增加而下降的衰退系数。
在一些实施例中，所述故障趋势预测模型中所述第八全连接层的结构与所述故障识别模型中所述第七全连接层的结构相同。
在一些实施例中，所述故障识别模型中所述第七全连接层的特征参数为所述故障趋势预测模型中所述第八全连接层的初始参数。
第二方面，本申请实施例提供了一种基于深度学习模型的滚动轴承寿命预测装置，包括：
获取模块，用于获取多个传感器检测的时序信号；
数据处理模块，用于将所述时序信号进行数据处理，得到所述时序信号对应的灰度图；
标注模块，用于对所述灰度图进行标注，得到时序序列数据集和故障识别数据集；
识别模块，用于将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练，得到所述故障识别模型对应的特征参数；
构建模块，用于构建故障趋势预测模型，并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数；
预测模块，用于将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练，并得到所述时序序列数据集对应的寿命趋势曲线。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例描述的方法。
本申请实施例提出的基于深度学习模型的滚动轴承寿命预测方法，能够利用改进的LSTM模型，对滚动轴承进行寿命预测，该模型具有较好的学习精度和泛化能力，能够对多源振动信号直接进行预测，有效提高寿命预测的效率和精度，对降低运维成本、防止事故发生、提高经济效益具有重要意义。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提出的一种基于深度学习模型的滚动轴承寿命预测方法的流程图；
图2为本申请实施例提出的一种基于深度学习模型的滚动轴承寿命预测方法的原理图；
图3为本申请实施例提出的灰度图的示例；
图4为本申请实施例提出的故障识别模型训练损失图；
图5为本申请实施例提出的剩余寿命曲线图；
图6为本申请实施例提出的一种基于深度学习模型的滚动轴承寿命预测装置的方框示意图；
图7示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，由于滚动轴承发生故障往往是一个长期且缓慢变化的过程，而滚动轴承的生命周期数据则是进行故障预测的基础，因此，根据设备目前的运行状态，结合故障特征信息的挖掘和分析，能够预测此设备的剩余寿命。
深度学习技术由于其可直接基于传感器原始数据建立预测模型，摆脱了人工特征提取的复杂过程，因此再故障预测领域倍受关注。其中，卷积神经网络因其在处理时间序列信号上能力突出，在最近的一些研究中取得了一定进展，但仍存在着准确性不好、泛化能力受限等问题。多任务学习是近年来新型的一种深度学习模式，可以通过利用多个相关学习任务之间的有用信息来提升目标任务的精度和泛化程度。
基于此，本申请提出一种基于深度学习模型的滚动轴承寿命预测方法和装置。
图1为本申请实施例提出的一种基于深度学习模型的滚动轴承寿命预测方法的流程图。
其中，需要说明的是，本实施例的基于深度学习模型的滚动轴承寿命预测方法的执行主体为基于深度学习模型的滚动轴承寿命预测装置，基于深度学习模型的滚动轴承寿命预测装置可以由软件和/或硬件的方式实现，该实施例中的基于深度学习模型的滚动轴承寿命预测装置可以配置在电子设备中，也可以配置在用于对电子设备进行控制的服务器中，该服务器与电子设备进行通信进而对其进行控制。
其中，本实施例中的电子设备可以包括但不限于个人计算、平台电脑、智能手机等设备，该实施例对电子设备不作具体限定。
如图1-图5所示，基于深度学习模型的滚动轴承寿命预测方法，包括以下步骤：
步骤101，获取多个传感器检测的时序信号。
需要说明的是，多个传感器设置在滚动轴承的不同位置，每个传感器按照采样周期顺序输出该采样时长内采集到的对应位置的振动赋值序列，形成多源时序信号。
步骤102，将时序信号进行数据处理，得到时序信号对应的灰度图。
其中，将同一时间样本不同源的时序信号分别以列向量的形式储存，并将多个源的时序信号向量合并为一个矩阵，表达式为：
Figure 818109DEST_PATH_IMAGE018
其中，
Figure 992738DEST_PATH_IMAGE019
为来自不同传感器的振动信号，为合并后的信号矩阵。
进一步地，对信号矩阵进行归一化处理，具体地为：
Figure DEST_PATH_IMAGE020
其中，
Figure 390221DEST_PATH_IMAGE021
为归一化后的信号，
Figure DEST_PATH_IMAGE022
、
Figure 447039DEST_PATH_IMAGE023
分别为原信号的最大值和最小值。
将归一化处理后的信号以灰度图的形式进行存储，格式可为.png格式。
步骤103，对灰度图进行标注，得到时序序列数据集和故障识别数据集。
其中，对灰度图按照时间顺序用[0，1]范围内的数字依次为其标注时间标签，生成时间序列数据集。
然后，选取时间序列数据集中的前n个时间样本和后n个时间样本，其中，n的个数可根据时间序列数据集本身特征而定，原则上要在较平稳的信号范围内选取足够多的样本。然后将两部分样本分别视为“正常”样本和“故障”样本，并为其按照是否故障标注标签，生成故障识别数据集。
步骤104，将故障识别数据集输入至故障识别模型对故障识别模型进行训练，得到故障识别模型对应的特征参数。
应当理解的是，在将故障识别数据集输入至故障识别模型之前，需要构造故障识别模型，其中，故障识别模型包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六全连接层、第七全连接层和输出层。
具体地，每个卷积层包括卷积核、PRelu函数和标准化处理环节，因此，将故障识别数据集中的灰度图输入至故障识别模型的卷积层时，先采用边缘补0的方式保持图像尺寸不变，卷积核对输入的灰度图进行特征提取后，经过PRelu函数和标准化处理后得到该卷积层的输出。
在连续4个卷积层后，将第四卷积层的输出输入至连续相连的两个全连接层中，需要说明的是，全连接层的核心作用是将一个特征空间线性变换到另一个特征空间，具体到该方法中即寻找能够表征故障信息的特征空间，换句话说是将提取出的故障特征进行加权。全连接层结构不同主要是神经元个数不同，而神经元个数是和前面的输入以及最后的输出相关的，多层的全连接层相当于提供了更复杂的多项式结构，帮助网络拟合，找到最合适的特征空间。
其中，故障识别模型还采用交叉熵损失函数表征判断值与实际值的差值分布，具体采用如下公式：
Figure DEST_PATH_IMAGE024
其中，
Figure 89635DEST_PATH_IMAGE025
表示故障识别数据集中样本的总数，
Figure DEST_PATH_IMAGE026
为该样本真实的标签，
Figure 649929DEST_PATH_IMAGE027
为第四卷积层的输出。
进一步地，在将故障识别数据集输入至故障识别模型后，采用自适应矩阵估计优化器进行权重训练，即，在对故障识别模型进行训练时利用自适应矩阵估计优化器对故障识别模型中的权重进行更新。具体地，自适应矩阵估计优化器的参数初始化为：
Figure DEST_PATH_IMAGE028
其中，
Figure 749472DEST_PATH_IMAGE002
为实时更新的参数，下标t表示步长，
Figure 231269DEST_PATH_IMAGE003
表示当前步长的梯度，ρ是当前指数衰减率的估值，
Figure 644933DEST_PATH_IMAGE004
是一阶梯度矩阵，
Figure 528576DEST_PATH_IMAGE005
是二阶梯度矩阵，
Figure 500817DEST_PATH_IMAGE006
为学习率，
Figure 469910DEST_PATH_IMAGE007
为常量10-8，以保证表达式成立，
Figure 687265DEST_PATH_IMAGE008
和
Figure 690993DEST_PATH_IMAGE009
是对原始值的偏差修正，以避免当初始值为0向量时，导致整体梯度权重过小而影响训练精度。
步骤105，构建故障趋势预测模型，并将故障识别模型对应的特征参数作为故障趋势预测模型的初始参数。
需要说明的是，在对故障识别模型进行训练完成后，可利用存储设备存储训练模型对应的特征参数，然后，在构建故障趋势模型时，调用存储的特征参数，以使特征参数作为故障趋势预测模型的初始参数。
其中，故障趋势预测模型包括池化层、第八全连接层、第九全连接层、第十全连接层、LSTM隐含层、第十一全连接层和输出层。
进一步地，故障趋势预测模型中第八全连接层的结构与故障识别模型中第七全连接层的结构相同，故障识别模型中第七全连接层的特征参数为故障趋势预测模型中第八全连接层的初始参数。
也就是说，在构建故障预测模型时，将池化层后的第一个全连接层构建为与故障识别模型最后一个全连接层的结构相同，并将故障识别模型最后一个全连接层的特征参数作为故障预测模型中第一个全连接层的特征参数，以使故障预测模型能够充分利用故障识别模型的训练结果，有效减少故障预测模型的训练时间，降低训练数据量，同时通过有监督的故障识别模型的训练结果作为故障预测模型的初始参数，更能够故障预测模型的预测准确度。
步骤106，将时序序列数据集输入至故障趋势预测模型中对故障趋势预测模型进行训练，并得到时序序列数据集对应的剩余寿命。
其中，故障趋势预测模型采用如下多任务损失函数：
Figure 335601DEST_PATH_IMAGE029
其中，
Figure 791990DEST_PATH_IMAGE011
为完整生命周期，
Figure 547457DEST_PATH_IMAGE012
为当前时刻，
Figure 641577DEST_PATH_IMAGE013
为预测剩余寿命值，
Figure DEST_PATH_IMAGE030
为所述故障趋势预测模型中第八全连接层的特征参数，
Figure 988245DEST_PATH_IMAGE015
为所述故障识别模型中第七全连接层的特征参数，
Figure 197509DEST_PATH_IMAGE016
为固定参数，
Figure 756666DEST_PATH_IMAGE017
为随着迭代次数增加而下降的衰退系数。
应当说明的是，滚动轴承的寿命曲线是已知的一个随着时间衰减至0的线性曲线，如图5所示，在对故障预测模型进行训练过程中，可利用已知的时间衰减曲线作为时序序列数据的标签，对训练过程进行监督，并且，训练结果的输出即为当前滚动轴承的剩余寿命。
作为一个可选实施例，当滚动轴承型号的工况相差不大时，则可直接将待预测寿命的滚动轴承的时序序列数据输入至相应的滚动轴承的故障预测模型进行剩余寿命的预测。
综上所述，本申请实施例提出的基于深度学习模型的滚动轴承寿命预测方法，能够利用改进的LSTM模型，对滚动轴承进行寿命预测，该模型具有较好的学习精度和泛化能力，能够对多源振动信号直接进行预测，有效提高寿命预测的效率和精度，对降低运维成本、防止事故发生、提高经济效益具有重要意义。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。
进一步参考图6，图6为本申请实施例提出的一种基于深度学习模型的滚动轴承寿命预测装置的方框示意图。
如图6所示，基于深度学习模型的滚动轴承寿命预测装置10包括：
获取模块11，用于获取多个传感器检测的时序信号；
数据处理模块12，用于将时序信号进行数据处理，得到时序信号对应的灰度图；
标注模块13，用于对灰度图进行标注，得到时序序列数据集和故障识别数据集；
识别模块14，用于将故障识别数据集输入至故障识别模型对故障识别模型进行训练，得到故障识别模型对应的特征参数；
构建模块15，用于构建故障趋势预测模型，并将故障识别模型对应的特征参数作为故障趋势预测模型的初始参数；
预测模块16，用于将时序序列数据集输入至故障趋势预测模型中对故障趋势预测模型进行训练，并得到时序序列数据集对应的寿命趋势曲线。
在一些实施例中，故障识别模型包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六全连接层、第七全连接层和输出层。
在一些实施例中，故障识别模型采用自适应矩阵估计优化器进行权重训练，自适应矩阵估计优化器的参数初始化为：
Figure 469407DEST_PATH_IMAGE031
其中，
Figure 190239DEST_PATH_IMAGE002
为实时更新的参数，下标t表示步长，
Figure 621220DEST_PATH_IMAGE003
表示当前步长的梯度，ρ是当前指数衰减率的估值，
Figure 217024DEST_PATH_IMAGE004
是一阶梯度矩阵，
Figure 49851DEST_PATH_IMAGE005
是二阶梯度矩阵，
Figure 941584DEST_PATH_IMAGE006
为学习率，
Figure 859861DEST_PATH_IMAGE007
为常量10-8，以保证表达式成立，
Figure 26400DEST_PATH_IMAGE008
和
Figure 448154DEST_PATH_IMAGE009
是对原始值的偏差修正。
在一些实施例中，故障趋势预测模型包括：池化层、第八全连接层、第九全连接层、第十全连接层、LSTM隐含层、第十一全连接层和输出层。
在一些实施例中，故障趋势预测模型采用如下多任务损失函数：
Figure DEST_PATH_IMAGE032
其中，
Figure 808991DEST_PATH_IMAGE011
为完整生命周期，
Figure 948985DEST_PATH_IMAGE012
为当前时刻，
Figure 653636DEST_PATH_IMAGE013
为预测剩余寿命值，
Figure 195476DEST_PATH_IMAGE030
为所述故障趋势预测模型中第八全连接层的特征参数，
Figure 960169DEST_PATH_IMAGE015
为所述故障识别模型中第七全连接层的特征参数，
Figure 587460DEST_PATH_IMAGE016
为固定参数，
Figure 830222DEST_PATH_IMAGE017
为随着迭代次数增加而下降的衰退系数。
在一些实施例中，故障趋势预测模型中第八全连接层的结构与故障识别模型中第七全连接层的结构相同。
在一些实施例中，故障识别模型中第七全连接层的特征参数为故障趋势预测模型中第八全连接层的初始参数。
综上所述，本申请实施例提出的基于深度学习模型的滚动轴承寿命预测装置，能够利用改进的LSTM模型，对滚动轴承进行寿命预测，该模型具有较好的学习精度和泛化能力，能够对多源振动信号直接进行预测，有效提高寿命预测的效率和精度，对降低运维成本、防止事故发生、提高经济效益具有重要意义。
应当理解，装置10中记载的诸单元或模块与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置10及其中包含的单元，在此不再赘述。装置10可以预先实现在电子设备的浏览器或其他安全应用中，也可以通过下载等方式而加载到电子设备的浏览器或其安全应用中。装置10中的相应单元可以与电子设备中的单元相互配合以实现本申请实施例的方案。
在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
需要说明的是，本申请实施例的基于深度学习模型的滚动轴承寿命预测装置中未披露的细节，请参照本申请上述实施例中所披露的细节，这里不再赘述。
下面参考图7，图7示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图，
如图7所示，计算机系统包括中央处理单元（CPU）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储部分708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM703中，还存储有系统的操作指令所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。
以下部件连接至I/O接口705；包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本申请的实施例，上文参考流程图图2描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元（CPU）701执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以为的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作指令。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如，两个连接表示的方框实际上可以基本并行地执行，他们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作指令的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、数据处理模、标注模块、识别模块、构建模块和预测模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块，还可以被描述为“获取多个传感器检测的时序信号”。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或多个程序，当上述程序被一个或者一个以上的处理器用来执行描述于本申请的基于深度学习模型的滚动轴承寿命预测方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种基于深度学习模型的滚动轴承寿命预测方法，其特征在于，包括：
获取多个传感器检测的时序信号；
将所述时序信号进行数据处理，得到所述时序信号对应的灰度图；
对所述灰度图进行标注，得到时序序列数据集和故障识别数据集；
将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练，得到所述故障识别模型对应的特征参数；
构建故障趋势预测模型，并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数；
将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练，并得到所述时序序列数据集对应的剩余寿命；
其中，所述故障识别模型包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六全连接层、第七全连接层和输出层；
所述故障识别模型采用自适应矩阵估计优化器进行权重训练，所述自适应矩阵估计优化器的参数初始化为：
Figure 354884DEST_PATH_IMAGE001
其中，
Figure 896724DEST_PATH_IMAGE002
为实时更新的参数，下标t表示步长，
Figure 271205DEST_PATH_IMAGE003
表示当前步长的梯度，ρ是当前指数衰减率的估值，
Figure 632916DEST_PATH_IMAGE004
是一阶梯度矩阵，
Figure 751045DEST_PATH_IMAGE005
是二阶梯度矩阵，
Figure 147391DEST_PATH_IMAGE006
为学习率，
Figure 692773DEST_PATH_IMAGE007
为常量10-8，以保证表达式成立，
Figure 482393DEST_PATH_IMAGE008
和
Figure 263267DEST_PATH_IMAGE009
是对原始值的偏差修正。
2.根据权利要求1所述的方法，其特征在于，所述故障趋势预测模型包括：池化层、第八全连接层、第九全连接层、第十全连接层、LSTM隐含层、第十一全连接层和输出层。
3.根据权利要求2所述的方法，其特征在于，所述故障趋势预测模型采用如下多任务损失函数：
Figure 655065DEST_PATH_IMAGE011
其中，
Figure 495982DEST_PATH_IMAGE013
为完整生命周期，
Figure 973231DEST_PATH_IMAGE015
为当前时刻，
Figure 557796DEST_PATH_IMAGE017
为预测剩余寿命值，
Figure 538522DEST_PATH_IMAGE019
为所述故障趋势预测模型中第八全连接层的特征参数，
Figure 550340DEST_PATH_IMAGE021
为所述故障识别模型中第七全连接层的特征参数，
Figure 249306DEST_PATH_IMAGE023
为固定参数，
Figure 309666DEST_PATH_IMAGE025
为随着迭代次数增加而下降的衰退系数。
4.根据权利要求2所述的方法，其特征在于，所述故障趋势预测模型中所述第八全连接层的结构与所述故障识别模型中所述第七全连接层的结构相同。
5.根据权利要求4所述的方法，其特征在于，所述故障识别模型中所述第七全连接层的特征参数为所述故障趋势预测模型中所述第八全连接层的初始参数。
6.一种基于深度学习模型的滚动轴承寿命预测装置，其特征在于，包括：
获取模块，用于获取多个传感器检测的时序信号；
数据处理模块，用于将所述时序信号进行数据处理，得到所述时序信号对应的灰度图；
标注模块，用于对所述灰度图进行标注，得到时序序列数据集和故障识别数据集；
识别模块，用于将所述故障识别数据集输入至故障识别模型对所述故障识别模型进行训练，得到所述故障识别模型对应的特征参数；
构建模块，用于构建故障趋势预测模型，并将所述故障识别模型对应的特征参数作为所述故障趋势预测模型的初始参数；
预测模块，用于将所述时序序列数据集输入至所述故障趋势预测模型中对所述故障趋势预测模型进行训练，并得到所述时序序列数据集对应的寿命趋势曲线；
其中，所述故障识别模型包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五全连接层、第六全连接层、第七全连接层和输出层；
所述故障识别模型采用自适应矩阵估计优化器进行权重训练，所述自适应矩阵估计优化器的参数初始化为：
Figure 535111DEST_PATH_IMAGE026
其中，
Figure 593197DEST_PATH_IMAGE027
为实时更新的参数，下标t表示步长，
Figure 169671DEST_PATH_IMAGE028
表示当前步长的梯度，ρ是当前指数衰减率的估值，
Figure 971405DEST_PATH_IMAGE029
是一阶梯度矩阵，
Figure 51357DEST_PATH_IMAGE030
是二阶梯度矩阵，
Figure 277414DEST_PATH_IMAGE031
为学习率，
Figure 75606DEST_PATH_IMAGE032
为常量10-8，以保证表达式成立，
Figure 884293DEST_PATH_IMAGE033
和
Figure 818751DEST_PATH_IMAGE034
是对原始值的偏差修正。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-5中任一所述的基于深度学习模型的滚动轴承寿命预测方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的基于深度学习模型的滚动轴承寿命预测方法。
CN202110803411.4A 2021-07-16 2021-07-16 基于深度学习模型的滚动轴承寿命预测方法和装置 Active CN113326590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110803411.4A CN113326590B (zh) 2021-07-16 2021-07-16 基于深度学习模型的滚动轴承寿命预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110803411.4A CN113326590B (zh) 2021-07-16 2021-07-16 基于深度学习模型的滚动轴承寿命预测方法和装置

Publications (2)

Publication Number Publication Date
CN113326590A CN113326590A (zh) 2021-08-31
CN113326590B true CN113326590B (zh) 2021-10-29

Family

ID=77426386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110803411.4A Active CN113326590B (zh) 2021-07-16 2021-07-16 基于深度学习模型的滚动轴承寿命预测方法和装置

Country Status (1)

Country Link
CN (1) CN113326590B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115967609B (zh) * 2021-10-11 2024-05-24 中国移动通信集团山东有限公司 内容分发网络故障检测方法和设备
CN114088399A (zh) * 2021-10-20 2022-02-25 昆明理工大学 一种基于深度可分离卷积的轴承故障在线诊断方法及系统
CN113780689B (zh) * 2021-11-11 2022-03-04 中国科学院理化技术研究所 一种基于人工智能的能量路由器寿命预测方法和装置
CN117014784B (zh) * 2023-09-27 2024-01-30 深圳市冉希古科技有限公司 一种头戴式耳机的头带故障自检方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN111579243A (zh) * 2020-06-17 2020-08-25 大连理工大学 一种基于深度迁移学习的滚动轴承智能诊断系统
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
CN112101220A (zh) * 2020-09-15 2020-12-18 哈尔滨理工大学 一种无监督模型参数迁移的滚动轴承寿命预测方法
CN112949097A (zh) * 2021-04-19 2021-06-11 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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110941928B (zh) * 2019-11-26 2022-05-24 哈尔滨理工大学 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN109543905A (zh) * 2018-11-23 2019-03-29 西安电子科技大学 基于改进的二维cnn模型的滚动轴承剩余寿命预测方法
CN111579243A (zh) * 2020-06-17 2020-08-25 大连理工大学 一种基于深度迁移学习的滚动轴承智能诊断系统
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
CN112101220A (zh) * 2020-09-15 2020-12-18 哈尔滨理工大学 一种无监督模型参数迁移的滚动轴承寿命预测方法
CN112949097A (zh) * 2021-04-19 2021-06-11 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A deformable CNN-DLSTM based transfer learning method for fault diagnosis of rolling bearing under multiple working conditions;Zheng Wang等;《International Journal of Production Research》;20200825;第3.1节 *
Transfer remaining useful life estimation of bearing using depth-wise separable convolution recurrent network;Gangjin Huang等;《Measurement》;20210205;全文 *

Also Published As

Publication number Publication date
CN113326590A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113326590B (zh) 基于深度学习模型的滚动轴承寿命预测方法和装置
CN110188765B (zh) 图像语义分割模型生成方法、装置、设备及存储介质
Chen et al. Health indicator construction by quadratic function-based deep convolutional auto-encoder and its application into bearing RUL prediction
Chen et al. Time series data for equipment reliability analysis with deep learning
CN110909862A (zh) 基于卷积神经网络的注意力权重计算方法和装置
CN112136142A (zh) 计算机系统预测机器学习模型
CN113553864A (zh) 翻译模型的训练方法、装置、电子设备及存储介质
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
US11681913B2 (en) Method and system with neural network model updating
CN112560948B (zh) 数据偏差下的眼底图分类方法及成像方法
CN111428757B (zh) 模型训练方法、异常数据检测方法、装置和电子设备
CN113159284A (zh) 一种模型训练方法及装置
CN117270082A (zh) 基于多传感器数据融合的降水量预测系统及其方法
CN116681945A (zh) 一种基于强化学习的小样本类增量识别方法
CN117540136A (zh) 时序信号预测方法、装置、设备及存储介质
CN112906398A (zh) 句子语义匹配方法、系统、存储介质和电子设备
CN116258087A (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
CN114925938A (zh) 一种基于自适应svm模型的电能表运行状态预测方法、装置
CN114971375A (zh) 基于人工智能的考核数据处理方法、装置、设备及介质
CN115170908A (zh) 数据标注模型训练方法、装置及电子设备
CN115147353A (zh) 缺陷检测模型的训练方法、装置、设备、介质及程序产品
CN112668770A (zh) 一种基于信息与波形总体相似度的电力负荷预测方法
Alam et al. Remaining useful life estimation using event data
Zheng et al. A Remaining Useful Life Prediction Method of Rolling Bearings Based on Deep Reinforcement Learning

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
TR01 Transfer of patent right

Effective date of registration: 20231225

Address after: 100029 3 / F, xinhuaxin building, 5 yinghuayuan East Street, Chaoyang District, Beijing

Patentee after: BEIJING BOHUA XINZHI TECHNOLOGY CO.,LTD.

Patentee after: BEIJING BOHUA ANCHUANG TECHNOLOGY Co.,Ltd.

Address before: 100029 3 / F, xinhuaxin building, 5 yinghuayuan East Street, Chaoyang District, Beijing

Patentee before: BEIJING BOHUA XINZHI TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right