CN113779724A - 一种充填包装机故障智能预测方法及其系统 - Google Patents

Abstract

本发明公开了一种充填包装机故障智能预测方法及其系统，包括以下步骤：收集充填包装机传动系统的历史振动信号与实时振动信号；将振动信号划分训练集，使用滑动时间窗口划分样本，对样本做归一化处理；构建DALCNN模型，随机初始化网络的参数，利用训练数据训练网络；使用训练好的模型对实时信号进行故障预测，输出传动系统下次发生故障的时间。充分利用振动信号的时间信息，精确提取特征，避免了手工选择特征，特征提取不精确的问题；解决了难以获取所有工况下的全生命周期数据，训练数据与实时信号分布不同，模型故障预测效果较差的问题，提高了故障预测在实际生产中准确性与可实现性。

Description

一种充填包装机故障智能预测方法及其系统

技术领域

本发明涉及充填包装机故障预测领域，具体为一种充填包装机故障智能预测方法及其系统。

背景技术

充填包装机是指通过充填、封口等工序将产品包装起来的机电一体化设备，使产品安全美观，并提高产品的附加价值。其传动系统作为包装机的主要核心机构，由驱动电机、联轴器、滚动轴承、滚珠丝杆等关键部件组成，负责产生与传递设备所需要的动力。其长时间受到循环交变载荷的作用，容易发生故障，若不及时发现并更换，会严重影响包装线的生产。实际包装生产中，包装机会根据包装任务对不同的粉体进行不同规格包装，粉体物料特性不同，包装规格不同，会造成工作部件的载荷不同，会根据实际需求调整包装速度等工作参数，很难收集所有工况下的数据作为训练数据，因此根据少量实际工况下的信号，建立故障预测模型，准确预测的包装机故障的发生时间，是实际生产中故障预测的关键。

目前充填包装机的故障预测方式基本可以分为基于物理模型、基于数据驱动与基于经验知识。基于物理模型的故障预测方法是建立能够描述机械设备的物理模型，通过建立的物理模型，来对设备进行故障预测，这种方式是针对的特定的设备，当对象的结构、物理参数发生变化时，预测方法便不再适用。基于经验知识的故障预测方法，利用已有的经验知识，采用预测推理的方式对设备进行故障预测，这种方式严重依赖专家知识，并且由于模糊规则选择的不确定性导致结论具有不确定性。基于数据驱动的故障诊断方法，依据大量的历史数据中隐藏的规律，使用数据训练模型，使模型的输入输出符合历史数据的规律，以此实现设备的故障预测，随着深度学习理论的发展，这种方式越来越普及。

深度学习模型应用于故障预测无需先验知识，在结构较为复杂的设备中具有优秀的故障预测能力，现有的应用于故障预测中的深度学习模型有以下前提：1)训练数据集与测试数据集分布保持一致；2)大量的含有标签的训练数据。然而在实际工业应用中，当训练模型使用的数据(源域)与采集的实际信号(目标域)属于不同的工况，或者不同的设备时，这些数据的分布往往是不同的，直接使用模型进行故障预测会导致准确率下降，且在机械设备上很难收集到所有工况下的全生命周期数据，往往会面临训练数据不足的问题，因此深度学习模型在实际生产中往往难以取得较好的预测效果。

发明内容

针对现有技术的不足，本发明提供了一种充填包装机故障智能预测方法及其系统，基于域自适应和深度学习，将相似工况的充填包装机传动系统历史振动信号称为源域信号，需要监测的传动系统的实时振动信号称为目标域信号。针对实际工业生产场景中，难以获取充填包装机传动系统的全生命周期信号，特征提取不精确的问题，采用长短时间记忆网络(LSTM)结合卷积神经网络(CNN)对振动信号进行特征提取与预测，采用域自适应的思想在模型的损失函数中加入域自适应损失，以提高模型在训练数据较少时的故障预测效果解决上述问题。

为实现以上目的，本发明通过以下技术方案予以实现：

一种充填包装机故障智能预测方法，包括以下步骤：

步骤S1：振动信号的采集：采集充填包装机传动系统的历史振动信号和实时振动信号；

步骤S2：振动信号的预处理：带RUL标签的源域数据与无RUL标签的部分目标域数据作为训练数据，其他无RUL标签的目标域数据作为测试数据；将振动信号使用滑动时间窗口划分样本,然后对样本做归一化处理；

步骤S3：模型的构建和训练：构建DALCNN模型，随机初始化网络的参数，利用训练数据训练网络；

步骤S4：模型的在线使用：将实时采集的充填包装机传动系统振动信号进行预处理并作为模型的输入，模型的输出结果即是对充填包装机传动系统的健康状态预测结果。

上述方案中,所述步骤S2中的RUL标签是指将充填包装机传动系统剩余寿命占全寿命的百分比作为每个样本的RUL标签，其计算公式为：

公式一：

公式一中，y_t表示充填包装机传动系统在t个采样点时的RUL标签，T_end表示充填包装机传动系统失效时间，T_cur表示当前采样时间，T_l表示充填包装机传动系统的寿命时长。

上述方案中，所述步骤S2中的滑动时间窗口划分样本是指用时间滑动窗口将连续时间的采样样本打包作为网络的输入数据。

上述方案中，所述步骤S2中的归一化处理是指将振动信号映射到区间[-1,1]上，计算公式为：

公式二：

公式二中，xⁱ、x_max、x_min本别表示该样本中第i个数据、最大值、最小值。

上述方案中，所述步骤S3中的DALCNN模型，包括LSTM网络、CNN、域自适应层、输出层；LSTM网络由n个LSTM单元连接而成，用于提取振动信号中的时序特征；CNN由卷积层与池化层间续连接组成，用于进一步提取局部特征并降低数据维度；域自适应层用于对齐源域与目标域数据，以提取域不变特征，输出层整合深度特征，输出预测的结果。

进一步的，所述LSTM单元包括单元状态、输入门、遗忘门和输出门，所述单元状态用于保存网络的时间信息，所述输入门用于控制输入信息进入LSTM单元，遗忘门用于遗忘前一个时刻的单元状态的cell单元信息和信号特征，输出门用于向下一个时刻的单元和下一层同时刻的单元输出状态信息；

进一步的，所述输入门、遗忘门、单元状态、输出门的输出计算公式如下:

公式三：i_t＝σ(ω_xix_t+ω_hih_t-1+b_i)

公式四：f_t＝σ(ω_xf+ω_hfh_t-1+b_f)

公式五：

公式六：

公式七：o_t＝σ(ω_xox_t+ω_hoh_t-1+b_o)

公式八：h_t＝o_ttanh(c_t)

公式三、公式四、公式五、公式六、公式七、公式八中：i_t、f_t、c_t、h_t分别为输入门、遗忘门、单元状态、输出门的输出，

为计算c_t过程中的中间值，o_t为计算h_t过程中的中间值；x_t表示t时刻的振动信号，为一维向量；h_t-1表示t－1时刻的LSTM单元输出，c_t-1表示前一个时刻的单元状态；σ为sigmoid激活函数，tanh为输出激活函数；ω_xi、ω_hi分别为输入门对x_t和h_t-1的权重矩阵，ω_xf、ω_hf分别为遗忘门对x_t和h_t-1的权重矩阵，ω_xc、ω_hc分别为cell单元对x_t和h_t-1的权重矩阵，ω_xo、ω_ho分别为输出门对x_t和h_t-1的权重矩阵，b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态、输出门的偏置系数，·表示矩阵的点积；

σ和tanh激活函数通过以下公式计算：

公式九：

公式十：

公式九与公式十中：e为自然常数，z为函数的输入。

进一步的，所述CNN包括两层卷积层与池化层，所述卷积层用于和输入数据做卷积运算以提取局部特征，所示池化层用于将数据转换成相应的值，用于减少数据和参数的数量，筛选出数据中重要的信息。

进一步的，所述卷积层与池化层的计算公式如下：

公式十一：

公式十二：

公式十一与公式十二中，y^(i,j)表示第i个卷积核的第j步的输出,

表示第i个卷积核的第j′个权，a^(i,t)表示第i步第t个神经元的激活值，W表示池化区域的宽度，p^(i,j)表示池化区域的输出。

进一步的，所述域自适应层全连接层中嵌入域自适应损失对齐源域与目标域数据，提取域不变特征。

进一步的，所述域自适应层的计算公式如下：

公式十三:

公式十三中，w^l表示域自适应层的权重系数，b^a表示域自适应层的偏置系数，z^l+1表示l+1域自适应层神经元的输出值。

进一步的，所述输出层为单神经元网络，用于整合深度特征，输出预测的结果。

公式十四：y＝w^oz^p+b^o

公式十四中，w^o表示输出层的权重系数，b^o表示输出层的偏置系数，y表示预测结果。

上述方案中，所述步骤S3模型的训练是指利用训练数据训练网络，即可得到用于对充填包装机传动系统进行故障预测的网络，训练公式如下：

公式十五：

公式十六：

公式十五与公式十六中，L表示网络的损失函数，m表示训练集的批量大小，y_i和

分别是真实RUL标签和预测RUL标签，F^S，F^T分别表示源域和目标域的振动信号在域自适应层输出的特征，α表示平衡因子，描述域自适应损失在损失函数中所占的比重，θ为整个网络结构的参数，α为学习率，θⁿ表示训练n次的网络结构参数。

上述方案中，所述步骤S4中的在线使用，是指采集需要监测充填包装机传动系统的振动信号，利用滑动时间窗口对信号进行划分样本，使用归一化处理将样本幅值映射到[-1，1]，将每个样本作为模型的输入，模型的输出结果即是充填包装机传动系统将要发生故障的时间。

一种实现所述充填包装机故障智能预测方法的系统，包括振动信号采集模块、数据划分模块、训练数据预处理模块，模型构建和训练模块和在线使用模块；

优选的，所述振动信号采集模块用于采集充填包装机传动系统的源域振动信号和目标域振动信号；

优选的，所述训练数据预处理模块用于设置源域数据的RUL标签，并划分训练集与测试集，利用滑动时间窗口将振动信号划分样本，并做归一化处理；

优选的，所述模型构建和训练模块用于构建DALCNN模型，使用训练数据训练网络，得到能够跨域处理的故障预测模型；

优选的，所述在线使用模块用于利用模型处理实时振动信号，得到充填包装机传动系统将要发生故障的时间。

相对于现有技术，本发明的有益效果在于：充填包装机故障智能预测方法及其系统将LSTM、CNN与域自适应结合，构建了用于故障预测的DALCNN模型,LSTM层用于提取振动信号的时间信息，CNN用于进一步提取局部特征并降低数据维度，从而解决了手工选择特征，特征提取不精确的问题；通过在损失函数中加入域自适应损失，提高了模型在目标域的预测效果，解决了实际工况下不能获得全生命周期数据，可用数据少，难以建立有效的故障预测模型的问题，从而提高了故障预测在实际生产中的准确性和可实现性。

附图说明

图1为本发明充填包装机故障智能预测方法流程图；

图2为本发明DALCNN网络结构图；

图3为本发明LSTM单元结构图；

图4为本发明CNN层结构图；

图5为本发明卷积层的计算过程；

图6为本发明池化层的计算过程；

图7为本发明域自适应与输出层结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

如图1所示，为本发明所述一种充填包装机故障智能预测方法的一种较佳实施流程，该方法为一种基于域自适应和深度学习的充填包装机故障智能预测方法，包括以下步骤：

步骤S1、振动信号的采集：利用加速度传感器收集充填包装机传动系统的振动信号作为源域振动信号，利用加速度传感器采集所需监测充填包装机传动系统的振动信号作为目标域振动信号；

步骤S2、振动信号的预处理：源域振动信号及其对应的状态标签集用D_s和y_s表示，目标域振动信号及其对应的状态标签集用D_t和y_t表示，标签为剩余使用寿命(remaininguseful life，RUL)，表示充填包装机传动系统部件距离发生故障的时间。为充分利用振动信号的时间信息，使用滑动时间窗口将振动信号划分成多个相同时间步长的样本，对样本做归一化处理，振动信号用多步长序列集表示

m、n分别表示源域信号和目标域信号的步数，x_i ^s表示第i步源域振动信号(1≤i≤m)和x_j ^t表示第j步目标域振动信号(1≤j≤n)。Y_s表示源域振动信号的标签集，其中y_i ^s∈[0,K]表示第i步的源域振动信号的标签，Y_t是目标域振动信号的标签集，其中y_j ^t∈[1,K]表示第j步的目标域振动信号的标签。模型的训练数据来自源域与部分目标域，源域的振动信号有标签，这部分目标域信号没有标签，测试集全部来自测试集，为测试故障预测效果，这部分的目标域信号带有标签。

步骤S3、模型的构建和训练：构建故障预测模型DALCNN，并使用训练数据训练模型，归一化的振动信号作为网络的输入，对应的标签为训练目标，模型的损失函数包括回归损失与域自适应损失。LSTM层提取振动信号的时间信息，CNN层进一步提取局部特征并减小数据的计算量，域自适应层通过计算与减小源域信号与目标域信号的最大均值差异，以在高维空间中对齐源域与目标域数据，从而使模型能够提取出域不变特征，输出层整合深度特征，输出预测的结果。

步骤S4、模型的在线使用：采集充填包装机传动系统的振动信号，使用滑动时间窗口划分信号后做归一化处理，将数据输入网络，模型输出充填包装机传动系统下次故障的发生时间。

根据本实施例，优选的，所述步骤S2振动信号RUL标签为：所述RUL标签是指充填包装机传动系统距离发生故障的时间，RUL具有明确的含义且容易获得，因此作为描述充填包装机传动系统的健康状态的标签。其计算公式如下：

公式一：

公式一中，y_t表示充填包装机传动系统在t个采样点时的RUL标签，T_end表示充填包装机传动系统失效时间，T_cur表示当前采样时间，T_l表示充填包装机传动系统的寿命时长。

根据本实施例，优选的，所示步骤S2振动信号归一化为：所述信号归一化可以加快网络的训练速度，在一定程度上防止梯度爆炸，并且避免少量过大的数值对结果造成较大的影响从而提高结果的精度，处理后的信号值在区间[-1,1]上，且分布和原先相同。其计算公式如下：

公式二：

公式二中，xⁱ、x_max、x_min本别表示该样本中第i个数据、最大值、最小值。

如图2所示，为本实施例构建的网络结构，网络第一部分为LSTM层，通过门结构处理振动信号，以提取振动信号的时间信息；第二部分为CNN层，通过卷积与池化操作来进一步提取数据的局部特征并降低计算量；第三部分为域自适应层，通过在全连接层嵌入域自适应损失以对齐源域与目标域数据提取出域不变特征；第四部分为输出层，神经元数为1，输出距离下次发生故障的时间。

如图3所示，为实施例LSTM单元的结构，LSTM单元由单元状态、输出门、遗忘门、输出门组成。所述单元状态保存了的LSTM网络的长期信息，输入门和遗忘门通过控制当前时刻的振动信号和上一时刻的输出来更新cell单元的状态。输入门控制输入信息进入LSTM单元，遗忘门用于遗忘前一个时刻的单元状态的部分信息，输出门是基于目前的单元状态向其他单元输出状态信息，它们的计算公式如下:

公式三：i_t＝σ(ω_xix_t+ω_hih_t-1+b_i)

公式四：f_t＝σ(ω_xf+ω_hfh_t-1+b_f)

公式五：

公式六：

公式七：o_t＝σ(ω_xox_t+ω_hoh_t-1+b_o)

公式八：h_t＝o_ttanh(c_t)

公式三、公式四、公式五、公式六、公式七、公式八中：i_t、f_t、c_t、h_t分别为输入门、遗忘门、单元状态、输出门的输出，

为计算c_t过程中的中间值，o_t为计算h_t过程中的中间值；x_t表示t时刻的振动信号，为一维向量；h_t-1表示t－1时刻的LSTM单元输出，c_t-1表示前一个时刻的单元状态；σ为sigmoid激活函数，tanh为输出激活函数；ω_xi、ω_hi为输入门对x_t和h_t-1的权重矩阵，ω_xf、ω_hf为遗忘门对x_t和h_t-1的权重矩阵，ω_xc、ω_hc为cell单元对x_t和h_t-1的权重矩阵，ω_xo、ω_ho为输出门对x_t和h_t-1的权重矩阵，b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态、输出门的偏置系数，·表示矩阵的点积。

根据本实施例，优选的，所述激活函数σ、tanh的表达式为：

公式九：

公式十：

公式九、公式十中，e为自然常数，z为函数的输入。

如图4所示，为实施例CNN层的结构，CNN由卷积层、池化层组成，卷积层内部含有多个卷积核，卷积核与输入特征的维度相同，卷积核负责与输入数据做卷积运算从而提取局部特征；池化层位于卷积层之后，通过池化函数将一定区域的输入数据转换成相应的值，用于减少数据和参数的数量，筛选出数据中重要的信息，从而减小网络的计算量。通常卷积层与池化层交替连接。

如图5所示，为实施例卷积层的计算过程，卷积核以固定的步长扫过输入数据，实现了局部区域连接与权值共享，有效的减小了权值数量与模型复杂度，从而使网络易于优化，并且减小了过拟合的风险，其计算公式如下：

公式十一：

公式十一中，c^(i,j)表示第i个卷积核的第j步的输出,

表示第i个卷积核的第j′个权值，x^(j+j′)表示输入中第j+j′个参与卷积运算的数据，W表示卷积核的宽度。

如图6所示，为实施例池化层的计算过程，池化函数将一定区域的输入数据转换成相应的值，用于减少数据和参数的数量，筛选出数据中重要的信息，从而减小网络的计算量，其计算公式如下：

公式十二：

公式十二中，a^(i,t)表示第i步第t个神经元的激活值，W表示池化区域的宽度，p^(i,j)表示池化区域的输出。

如图7所示，为实施例域自适应层与输出层的计算过程，域自适应层首先将特征展开成一维的特征向量，将网络提取的信息综合在一起，将特征映射到样本标定空间送入输出层，输出层输出预测结果，其计算公式如下：

公式十三：

公式十四：y＝w^oz^p+b^o

公式十三、公式十四中，w^l与w^o分别表示域自适应层与输出层的权重系数，b^a与b^o分别表示域自适应层与输出层的偏置系数，z^l+1表示l+1域自适应层神经元的输出值，y表示预测结果。

根据本实施例，优选的，模型的损失函数包括回归损失函数与域自适应函数，回归损失函数用于衡量与减小预测的故障发生时间与实际故障发生时间的差距；域自适应损失函数是源域与目标域的MMD距离，用于衡量和减少源域与目标域经网络提取出的特征的分布差异，其计算公式如下：

公式十五：L＝L_g+αL_a

公式十六：

公式十七：L_a＝MMD_K(F^S,F^T)

公式十五、公式十六、公式十七中，L、L_g与L_a分别表示模型的总损失函数、回归损失函数与域自适应损失函数，α表示平衡因子，描述域自适应损失在损失函数中所占的比重，m表示训练集的批量大小，y_i和

分别是真实RUL标签和预测RUL标签，F^S，F^T分别表示源域和目标域的振动信号在域自适应层输出的特征。

根据本实施例，优选的，本发明所述的步骤S3模型训练，特征是：所述模型的训练是，将目标域训练样本与源域训练样本配对

作为模型输入，标签集

为训练目标，通过网络的参数不断迭代更新，目的是使网络的输出不断逼近y。迭代的过程是参数减去学习率与该参数梯度的乘积，梯度是指损失函数对该参数的偏微分，训练完成指参数不断迭代更新，直至参数收敛或达到一定的迭代次数，从而使网络的输出逼近标签。需要迭代更新的主要参数有模型的权重矩阵ω和偏置系数b，ω与b的迭代更新公式如下：

公式十八：

公式十九：

公式十八、公式十九中，α为学习率，ωⁿ、bⁿ为训练n次的参数。

根据本实施例，优选的，所述源网络的训练，采用学习率自适应的adam优化算法加快参数的收敛速度，训练步骤如下：

(1)设定初始学习率α＝0.001，矩估计指数衰减率ρ₁＝0.9、ρ₂＝0.999，稳定数值δ＝10-8，初始化一阶矩估计变量s＝0，二阶矩估计变量r＝0，时间步t＝0；

(2)用θ表示网络的权重矩阵和偏执系数参数，并随机初始化；

(3)计算梯度

(4)更新时间步t＝t+1；

(5)更新有偏一阶矩估计变量s＝ρ₁s+(1-ρ₁)g；

(6)修正一阶矩的偏差

(7)修正二阶矩的偏差

(8)计算更新

(9)参数更新θ＝θ+Δθ；

(10)判断是否达到迭代次数，没有达到次数则从c步重新开始，若达到则输出参数θ。

其中，ρ表示矩估计指数衰减率，δ为稳定数值，s为一阶矩估计变量，r为二阶矩估计变量，t为时间步，θ表示网络的权重矩阵和偏置系数，g表示损失函数L对θ的梯度，

为一阶矩估计变量修正后的值，

为二阶矩估计变量修正后的值，Δθ为网络参数更新时的偏差。

根据本实施例，优选的，所述步骤S4模型的在线使用，振动信号在模型的每一层的处理过程是：

使用时间滑动窗口按照一定的时间步将振动信号划分成多个序列，做归一化处理后送入LSTM层，每一个LSTM单元的输入为一个时间步x_t，LSTM单元会有两个方向的输出，向第二层相应LSTM单元输出h_t和向同层下一时刻LSTM单元的输出c_t、h_t。h_t表示第一层网络对t时刻振动信号的初步特征提取，c_t表示振动信号之间的时间信息。最终的特征由最后时刻的LSTM单元整合，由此单元的输出门做最终的计算并输出该振动信号序列的时序特征。时序特征被送入CNN层，卷积层与池化层对时序特征做卷积运算与池化计算，计算出深度特征并送入域自适应层，时序特征经域自适应层做展开与综合操作后，由输出层输出RUL标签，作为预测结果。

利用本发明所述方法进行充填包装机故障预测的过程如下：

本发明通过加速度传感器收集充填包装机传动系统振动信号，首先构建DALCNN模型，将源域振动信号与部分目标域振动信号划分成训练集，根据回归损失函数与目标域损失函数训练模型，在线使用时，预处理后的实时振动信号作为模型的输入，最终模型输出下次故障发生的时间。DALCNN使用LSTM层提取振动信号的时序特征，使用CNN层进一步提取局部特征并减小了计算量，适用于与时间相关的振动信号，避免特征提取不精确的问题，同时采用域自适应学习充分利用了相关历史信号，提高了DALCNN模型在训练数据与实时信号分布不同时的预测精度，克服了实际生产中难以获取全生命周期数据，训练数据不足的问题，提高了实际生产中充填包装机故障预测的准确度和可实行性。

在本发明中，将相似工况的历史振动信号称为源域信号，需要监测的设备的实时振动信号称为目标域信号。针对实际工业生产场景中，难以获取设备的全生命周期信号，特征提取不精确的问题，采用长短时间记忆网络(LSTM)结合卷积神经网络(CNN)对振动信号进行特征提取与预测，采用域自适应的思想在模型的损失函数中加入域自适应损失，以提高模型在训练数据较少时的故障预测效果。

实施例2

一种充填包装机故障智能预测方法的系统，包括振动信号采集模块、数据划分模块、训练数据预处理模块，模型构建和训练模块和在线使用模块；

所述振动信号采集模块用于采集充填包装机传动系统的源域振动信号和目标域振动信号；

所述数据划分模块用于设置源域数据的RUL标签，并划分训练集与测试集；

所述训练数据预处理模块用于利用滑动时间窗口将振动信号划分样本，并做归一化处理；

所述模型构建和训练模块用于构建DALCNN模型，使用训练数据训练网络，得到能够跨域处理的故障预测模型；

所述在线使用模块用于利用模型处理实时振动信号，得到充填包装机传动系统将要发生故障的时间。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (14)

1.一种充填包装机故障智能预测方法，其特征在于：包括以下步骤，

步骤S1：振动信号的采集：采集充填包装机传动系统的历史信号和实时振动信号；

步骤S2：振动信号的预处理：带RUL标签的源域数据与无RUL标签的部分目标域数据作为训练数据，其他无RUL标签的目标域数据作为测试数据；将振动信号使用滑动时间窗口划分样本,然后对样本做归一化处理；

步骤S3：模型的构建和训练：构建DALCNN模型，随机初始化网络的参数，利用训练数据训练网络；

步骤S4：模型的在线使用：将实时采集的充填包装机传动系统振动信号进行预处理并作为模型的输入，模型的输出结果即是对传动系统的健康状态预测结果。

2.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S2中的RUL标签是指将传动系统剩余寿命占全寿命的百分比作为每个样本的RUL标签，其计算公式为：

公式一：

公式一中，y_t表示传动系统在t个采样点时的RUL标签，T_end表示传动系统失效时间，T_cur表示当前采样时间，T_l表示传动系统的寿命时长。

3.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S2中的滑动时间窗口划分样本是指用时间滑动窗口将连续时间的采样样本打包作为网络的输入数据，归一化处理是指将振动信号映射到区间[-1,1]上，计算公式为：

公式二：

公式二中，xⁱ、x_max、x_min本别表示该样本中第i个数据、最大值、最小值。

4.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的DALCNN模型，包括LSTM网络、CNN、域自适应层、输出层；LSTM网络由n个LSTM单元连接而成，用于提取振动信号中的时序特征；CNN由卷积层与池化层间续连接组成，用于进一步提取局部特征并降低数据维度；域自适应层用于对齐源域与目标域数据，以提取域不变特征，输出层整合深度特征，输出预测的结果。

5.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的LSTM单元包括单元状态、输入门、遗忘门和输出门，所述单元状态用于保存网络的时间信息，所述输入门用于控制输入信息进入LSTM单元，遗忘门用于遗忘前一个时刻的单元状态的cell单元信息和信号特征，输出门用于向下一个时刻的单元和下一层同时刻的单元输出状态信息。

6.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的输入门、遗忘门、单元状态、输出门的输出计算公式如下:

公式三：i_t＝σ(ω_xix_t+ω_hih_t-1+b_i)

公式四：f_t＝σ(ω_xf+ω_hfh_t-1+b_f)

公式五：

公式六：

公式七：o_t＝σ(ω_xox_t+ω_hoh_t-1+b_o)

公式八：h_t＝o_ttanh(c_t)

公式三、公式四、公式五、公式六、公式七、公式八中：i_t、f_t、c_t、h_t分别为输入门、遗忘门、单元状态、输出门的输出，

为计算c_t过程中的中间值，o_t为计算h_t过程中的中间值；x_t表示t时刻的振动信号，为一维向量；h_t-1表示t－1时刻的LSTM单元输出，c_t-1表示前一个时刻的单元状态；σ为sigmoid激活函数，tanh为输出激活函数；ω_xi、ω_hi分别为输入门对x_t和h_t-1的权重矩阵，ω_xf、ω_hf分别为遗忘门对x_t和h_t-1的权重矩阵，ω_xc、ω_hc分别为cell单元对x_t和h_t-1的权重矩阵，ω_xo、ω_ho分别为输出门对x_t和h_t-1的权重矩阵，b_i、b_f、b_c、b_o分别为输入门、遗忘门、单元状态、输出门的偏置系数，·表示矩阵的点积；

σ和tanh激活函数通过以下公式计算：

公式九：

公式十：

公式九、公式十中：e为自然常数，z为函数的输入。

7.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的CNN包括两层卷积层与池化层，所述卷积层用于和输入数据做卷积运算以提取局部特征，所示池化层用于将数据转换成相应的值，用于减少数据和参数的数量，筛选出数据中重要的信息。

8.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的卷积层与池化层的计算公式如下：

公式十一：

公式十二：

公式十一、公式十二中，y^(i,j)表示第i个卷积核的第j步的输出,

表示第i个卷积核的第j′个权，a^(i,t)表示第i步第t个神经元的激活值，W表示池化区域的宽度，p^(i,j)表示池化区域的输出。

9.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的域自适应层全连接层中嵌入域自适应损失对齐源域与目标域数据，提取域不变特征。

10.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的域自适应层的计算公式如下：

公式十三：

公式十三中，w^l表示域自适应层的权重系数，b^a表示域自适应层的偏置系数，z^l+1表示l+1域自适应层神经元的输出值。

11.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的输出层为单神经元网络，用于整合深度特征，输出预测的结果：

公式十四：y＝w^oz^p+b^o

公式十四中，w^o表示输出层的权重系数，b^o表示输出层的偏置系数，y表示预测结果。

12.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S3中的模型的训练是指利用训练数据训练网络，即可得到用于对充填包装机传动系统进行故障预测的网络，训练公式如下：

公式十五：

公式十六：

公式十五、公式十六中，L表示网络的损失函数，m表示训练集的批量大小，y_i和

分别是真实RUL标签和预测RUL标签，F^S，F^T分别表示源域和目标域的振动信号在域自适应层输出的特征，α表示平衡因子，描述域自适应损失在损失函数中所占的比重，θ为整个网络结构的参数，α为学习率，θⁿ表示训练n次的网络结构参数。

13.根据权利要求1所述的充填包装机故障智能预测方法，其特征在于：所述步骤S4中的模型在线使用，是指采集需要监测充填包装机传动系统的振动信号，利用滑动时间窗口对信号进行划分样本，使用归一化处理将样本幅值映射到[-1，1]，将每个样本作为模型的输入，模型的输出结果即是传动系统将要发生故障的时间。

14.根据权利要求1～13任一项所述的充填包装机故障智能预测方法的系统，其特征在于：包括振动信号采集模块、数据划分模块、训练数据预处理模块，模型构建和训练模块和在线使用模块；

所述振动信号采集模块用于采集充填包装机传动系统的源域振动信号和目标域振动信号；

所述训练数据预处理模块用于设置源域数据的RUL标签，并划分训练集与测试集，利用滑动时间窗口将振动信号划分样本，并做归一化处理；

所述模型构建和训练模块用于构建DALCNN模型，使用训练数据训练网络，得到能够跨域处理的故障预测模型；

所述在线使用模块用于利用模型处理实时振动信号，得到充填包装机传动系统将要发生故障的时间。

Images