CN114186500B - 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 - Google Patents

一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN114186500B
CN114186500B CN202210140860.XA CN202210140860A CN114186500B CN 114186500 B CN114186500 B CN 114186500B CN 202210140860 A CN202210140860 A CN 202210140860A CN 114186500 B CN114186500 B CN 114186500B
Authority
CN
China
Prior art keywords
cnn
bearing
vibration signal
life
prediction
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
CN202210140860.XA
Other languages
English (en)
Other versions
CN114186500A (zh
Inventor
万一鸣
朱坤
范可森
陈朝旭
周宏宽
柯志武
肖颀
魏志国
苟金澜
柯汉兵
陈凯
李邦明
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.)
Huazhong University of Science and Technology
719th Research Institute of CSIC
Original Assignee
Huazhong University of Science and Technology
719th Research Institute of CSIC
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 Huazhong University of Science and Technology, 719th Research Institute of CSIC filed Critical Huazhong University of Science and Technology
Priority to CN202210140860.XA priority Critical patent/CN114186500B/zh
Publication of CN114186500A publication Critical patent/CN114186500A/zh
Application granted granted Critical
Publication of CN114186500B publication Critical patent/CN114186500B/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]
    • G06F30/20—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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • 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]
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

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

Abstract

本发明公开了一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，属于机械部件耗损检测技术技术领域，该方法包括：训练CNN老化模型和基于LSTM神经网络的多时窗预测模型；将待预测轴承的振动信号输入CNN老化模型以判断轴承是否发生了早期故障；若发生早期故障后，将振动信号对应的多种预设长度窗口的CNN深度特征输入多时窗预测模型，得到多种预设长度窗口各自对应的寿命预测值；融合多个寿命预测值以获取待预测轴承的目标预测寿命；本发明采用多种预设长度窗口融合的方法来解决单一窗口难以适应多种退化模式的问题，基于LSTM神经网络的多时窗预测模型估计待预测轴承的剩余使用寿命，预测准确率高。

Description

一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法
技术领域
本发明属于机械部件耗损检测技术领域，更具体地，涉及一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法。
背景技术
滚动轴承是机械装备中的关键部件之一，其工作状态的好坏直接关系着机械装备的整体性能。对滚动轴承进行剩余寿命预测，有助于提前安排设备的检修，避免因轴承失效导致的故障、故障等，对保障机械装备性能的可靠性和安全性具有重要意义。滚动轴承的全寿命周期记录了滚动轴承从正常状态经历不同程度的退化状态直至最终失效的渐进演化过程。这里，退化状态是指从“早期故障点”到“失效故障点”这一阶段。当滚动轴承进入退化状态时，其性能逐渐变差，健康指标开始下降。若不能及时进行维护维修，最终将发展至失效故障。滚动轴承的剩余寿命是指当前状态点进入退化过程后到失效故障点的时间间隔。
近年来，随着大数据和智能化的发展，基于数据驱动的方法得到越来越广泛的应用，特别是基于深度学习的方法，现有大部分数据驱动的剩余寿命预测方法依赖滚动轴承的历史失效数据来训练退化模型，结合被观测设备的运行状态变化来实现预测的方法。这些方法隐含了两个假设：1、不同滚动轴承的退化行为是相似的，并未考虑到不同退化模式之间的差异；2、具有足够多的历史退化数据用于训练。
然而，不同轴承故障带来的退化模式是不同的，即使相同故障也会由于制造差异、环境、负荷等因素的差异而产生不同的退化过程；此外，由于轴承的使用寿命久，出于安全的考虑，轴承往往没有到达完全失效就被换下，包含全生命周期的完整退化其实比较少。以上原因均导致现有技术对轴承的剩余寿命预测不准确。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其目的在于基于CNN老化模型判断振动信号进行判断轴承是否发生了早期故障，确定发生早期故障后再进行剩余寿命预测；通过迁移学习来增强LSTM_CORAL预测模型在不同退化模型之间的适应性，采用一种多时间窗口融合的方法来解决单一窗口难以适应多种退化模式的问题；由此解决现有技术对轴承的剩余寿命预测不准确的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，应用于船用动力系统，包括：
S1：将待预测轴承的当前振动信号输入CNN老化模型，以使所述CNN老化模型输出所述待预测轴承的退化状态信号；
S2：当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将所述当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；
S3：将所述故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入所述CNN老化模型，使其特征层输出多种所述预设长度窗口各自对应的CNN深度特征；
S4：将多种所述预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种所述预设长度窗口各自对应的寿命预测值；融合多个所述寿命预测值以获取所述待预测轴承的目标预测寿命。
在其中一个实施例中，所述S1之前，所述方法还包括：
S01：采集多个轴承从正常到失效全周期对应的原始振动信号，标注所述原始振动 信号中轴承的早期故障时刻
Figure 769969DEST_PATH_IMAGE001
；
S02：从所述原始振动信号中提取时域特征以获取各个轴承全周期下的有效值RMS 曲线，从而确定各个轴承的参考寿命
Figure 392711DEST_PATH_IMAGE002
及其对应的退化状态；
S03：将采样时刻的所述振动信号作为输入、各个轴承对应的退化状态作为输出，对原始卷积神经网络CNN模型进行训练得到CNN老化模型；
S04：将所述原始振动信号中的源域振动信号和目标域振动信号在故障时刻前预设长度窗口的振动数据输入所述CNN老化模型得到其特征层输出的故障CNN深度特征；将所述故障CNN深度特征作为输入、所述原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练，得到所述预设长度窗口对应的LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个所述LSTM_CORAL预测模型；
S05：基于各个所述LSTM_CORAL预测模型的预测误差获取各自对应的权重，利用其权重融合多个所述LSTM_CORAL预测模型得到所述多时窗预测模型。
在其中一个实施例中，所述S02包括：
S021：从所述原始振动信号中提取时域特征，获取各个轴承全周期下的有效值RMS曲线；将所述RMS曲线中尾部的预设数目的点推至寿命终点阈值，从而确定各个轴承的参考寿命；
S022：利用公式
Figure 540796DEST_PATH_IMAGE003
获取所述退化状态
Figure 424438DEST_PATH_IMAGE004
。
在其中一个实施例中，所述S04包括：
S041：将所述原始振动信号中缓慢退化的振动信号作为所述源域振动信号，将所述原始振动信号中快速退化的振动信号作为所述目标域振动信号；
S042：利用相关对齐法将所述源域振动信号中的源域特征映射至目标域，再输入所述CNN老化模型使其特征层输出源域和目标域各自对应CNN深度特征；
S043：将所述源域和目标域各自对应的CNN深度特征作为输入、所述原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练得到所述预设长度窗口对应的LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个LSTM_CORAL预测模型。
在其中一个实施例中，相关对齐法的损失函数为：
Figure 773511DEST_PATH_IMAGE005
；其 中，d表示特征的维度，
Figure 477025DEST_PATH_IMAGE006
表示矩阵Frobenius范数的平方，相关系数矩阵
Figure 802702DEST_PATH_IMAGE007
的计算方 式为：
Figure 540851DEST_PATH_IMAGE008
；
Figure 919879DEST_PATH_IMAGE009
；
Figure 251635DEST_PATH_IMAGE010
，
Figure 7101DEST_PATH_IMAGE011
表示源域和目标域的样本数目，1T是全一的向量，Xs，Xt表示源域和目标域 的CNN深度特征向量所堆叠的特征矩阵。
在其中一个实施例中，所述LSTM_CORAL预测模型的损失函数为：
Figure 475123DEST_PATH_IMAGE012
；
其中，λ表示权重因子，所述原始振动信号对应的参考寿命归一化状态为：
Figure 290632DEST_PATH_IMAGE013
，
Figure 109683DEST_PATH_IMAGE014
为t时刻所述LSTM_CORAL预测模型估计的寿命归一化状 态。
在其中一个实施例中，所述S4包括：
将所述当前振动信号对应的多种预设长度窗口的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到所述待预测轴承的多个寿命预测值；所述多时窗预测模型包括多个LSTM_CORAL预测模型；
利用公式
Figure 137682DEST_PATH_IMAGE015
融合所述多个寿命预测值，
Figure 850423DEST_PATH_IMAGE016
为第i个LSTM_ CORAL预测模型输出的预测寿命值；
Figure 496822DEST_PATH_IMAGE017
为第i个LSTM_CORAL预测模型所占权重：
Figure 662224DEST_PATH_IMAGE018
；
Figure 634860DEST_PATH_IMAGE019
为第i个LSTM_CORAL预测模型的误差，计算式为：
Figure 202107DEST_PATH_IMAGE020
；
利用公式
Figure 234785DEST_PATH_IMAGE021
计算所述待预测轴承的目标预测寿命 RULt；
Figure 153063DEST_PATH_IMAGE022
为退化时刻，t为采样时刻。
按照本发明的另一方面，提供了一种基于迁移学习和多时窗的船用轴承剩余寿命预测装置，应用于船用动力系统，包括：
检测模块，用于将待预测轴承的当前振动信号输入CNN老化模型，以使所述CNN老化模型输出所述待预测轴承的退化状态信号；
预警模块，用于当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将所述当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；
输入模块，用于将所述故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入所述CNN老化模型，使其特征层输出多种所述预设长度窗口各自对应的CNN深度特征；
预测模块，用于将多种所述预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种所述预设长度窗口各自对应的寿命预测值；融合多个所述寿命预测值以获取所述待预测轴承的目标预测寿命。
按照本发明的另一方面，提供了一种船用动力系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
按照本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
（1）本发明利用早期故障检测和退化模式划分，提供了一种基于迁移学习和多时窗的轴承剩余寿命的预测系统，即依据振动信号进行判断轴承是否发生了早期故障，确定发生早期故障后再进行剩余寿命预测；通过迁移学习来增强LSTM_CORAL预测模型在不同退化模型之间的适应性，采用一种多时间窗口融合的方法来解决单一窗口难以适应多种退化模式的问题。本发明训练CNN老化模型和基于LSTM神经网络的多时窗预测模型两个部分。CNN老化模型判断滚动轴承是否发生了早期故障进入了退化的阶段。一旦故障检测算法判定轴承发生了故障，基于LSTM神经网络的多时窗预测模型即启动，估计待预测轴承剩余使用寿命，预测效率高，准确率高。
（2）直接通过全周期的振动信号来训练轴承退化状态的CNN老化模型，既作为早期故障检测，CNN提取的深度特征又服务于后续基于LSTM神经网络的多时窗预测模型；二者互相关联，能够提高轴承的预测准确率。
（3）当CNN老化模型输出的连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；特别地，引入了由故障状态回到正常预警状态的方式，能够准确地抓住真实故障点，不容易受到噪声的波动影响，提高故障识别效率。
（4）将所述原始振动信号中缓慢退化的振动信号作为所述源域振动信号，将所述原始振动信号中快速退化的振动信号作为所述目标域振动信号；利用相关对齐法将所述源域振动信号中的源域特征映射至目标域，再输入CNN老化模型使其特征层输出源域和目标域各自对应CNN深度特征；引入基于迁移学习的LSTM神经网络来应对不同故障带来的不同退化模式，使得LSTM_CORAL预测模型的通用性更强；考虑到不同退化模式的时间窗口依赖问题，在迁移学习的LSTM_CORAL预测模型的基础上进行多模型融合，得到了更加鲁棒平滑的剩余寿命预测结果。
附图说明
图1是本发明一实施例中早期故障检测模块的CNN的结构图。
图2是本发明一实施例中早期故障检测策略的判断逻辑图。
图3是本发明一实施例中单一时窗下的不同退化模式的迁移学习原理图。
图4是本发明一实施例中多时窗训练得出的LSTM预测融合图。
图5是本发明一实施例中基于迁移学习和多时窗的船用轴承剩余寿命预测方法的流程图。
图6是本发明一实施例中各个轴承的振动信号图。
图7是本发明一实施例中RMS外推确定完全退化至寿命终点的示意图。
图8a是本发明一实施例中轴承1的老化指标与故障检测结果示意图。
图8b是本发明一实施例中轴承2的老化指标与故障检测结果示意图。
图8c是本发明一实施例中轴承4的老化指标与故障检测结果示意图。
图9a是本发明一实施例中轴承3的老化指标与故障检测结果示意图。
图9b是本发明一实施例中轴承6的老化指标与故障检测结果示意图。
图9c是本发明一实施例中轴承7的老化指标与故障检测结果示意图。
图10a是本发明一实施例中轴承1对应的多窗口融合剩余寿命预测结果与单一窗口剩余寿命预测结果对比图。
图10b是本发明一实施例中轴承2对应的多窗口融合剩余寿命预测结果与单一窗口剩余寿命预测结果对比图。
图10c是本发明一实施例中轴承4对应的多窗口融合剩余寿命预测结果与单一窗口剩余寿命预测结果对比图。
图11a是本发明一实施例中轴承3对应的多窗口融合剩余寿命预测结果与单一窗口剩余寿命预测结果对比图。
图11b是本发明一实施例中轴承6对应的多窗口融合剩余寿命预测结果与单一窗口剩余寿命预测结果对比图。
图11c是本发明一实施例中轴承7对应的多窗口融合剩余寿命预测结果与单一窗口剩余寿命预测结果对比图。
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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明要解决的技术问题是：1、由于轴承个体差异和所发生故障类型的差异，传统方法针对单一退化模式训练得到的寿命预测模型难以在其他的退化模式下取得好的剩余寿命预测效果；2、针对没有到达完全失效故障点就被换下的滚动轴承数据视作完全失效，采用剩余寿命未进行处理的数据进行训练会导致剩余寿命终点的阈值不统一，影响剩余寿命预测的结果；3、针对现有的迁移学习方法未区分正常与异常状态从而在发生故障的时刻预测的剩余寿命会出现大幅度波动；4、当前算法只使用单一时间窗口预测寿命，无法适用于不同的退化模式。为了克服现有技术的以上缺点，本发明利用早期故障检测和退化模式划分，提供了一种基于迁移学习和多时窗的轴承剩余寿命的预测方法。即依据振动信号进行判断轴承是否发生了早期故障，确定发生早期故障后再进行剩余寿命预测，通过迁移学习来增强模型在不同退化模型之间的适应性，采用一种多时间窗口融合的方法来解决单一窗口难以适应多种退化模式的问题。
本发明提供一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，应用于船用动力系统，包括：
S1：将待预测轴承的当前振动信号输入CNN老化模型，以使CNN老化模型输出待预测轴承的退化状态信号；
S2：当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；
S3：将故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入CNN老化模型，使其特征层输出多种预设长度窗口各自对应的CNN深度特征；
S4：将多种预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种预设长度窗口各自对应的寿命预测值；融合多个寿命预测值以获取待预测轴承的目标预测寿命。
具体的，本发明以故障检测模块（CNN老化模型）和剩余寿命预测模块（基于LSTM神经网络的多时窗预测模型）两个部分为基础进行轴承的剩余寿命预测。故障检测模块判断滚动轴承是否发生了早期故障进入了退化的阶段。一旦故障检测算法判定轴承发生了故障，剩余寿命预测模块即启动，估计待预测轴承剩余使用寿命。
其中，本发明基于卷积神经网络设计故障检测模块，卷积神经网络的本质是一个多层感知器，和全连接神经网络相比，其采用局部连接和权值共享的连接方式，大量减少了需要训练的权值数量，使模型的复杂度降低，有效缩短训练时间。相比于采用经验模态分解或是提取时域和频域特征等方法，卷积神经网络可以自动提取高维的数据深层特征，并且对数据预处理技术和专家经验依赖较少，本发明设计的CNN网络结构如图1所示。
为了能够依据CNN的输出来判断算法是否发生了早期故障，考虑到轴承振动信号中可能会出现的瞬时抖动和一些离群噪声，可以采用3/5准则对是否发生早期故障进行判断，即在时间窗口长度为5的情况下，有3个振动信号的故障检测输出都大于门限阈值(如0.05、0.06或0.03，此处不做限定)，即认为可能进入了早期故障，进入预警状态；当连续3个窗口都为预警状态则认为确实进入了早期故障。此时开启剩余寿命预测。需要说明的是，可以采用3/4准则、4/5准则、5/7准则、6/7准则、7/8准则等，此处不做限制。
基于判断准则使得算法更加鲁棒，以3/5准则为例进行描述，考虑到可能出现的误报警的情况，设计一个状态切换机制，在进入早期故障阶段中，当连续3个窗口都不满足预警状态，则认为之前的故障状态为误报警，算法切换回预警状态，等待进入早期故障状态。早期故障判断流程如图2所示。其中，status=0表示正常，status=1表示发生早期故障，status=0.5表示从正常进入故障预警状态，status=0.75表示从故障切换回故障预警状态。cnt用来计算连续窗口的长度，当cnt=3则回进行状态切换的判断。
当早期故障发生后，剩余寿命预测模块（基于LSTM神经网络对应的多时窗预测模型）开启，传统机器学习要求训练数据与测试数据同分布且需要足够的数据标注来训练模型，然而实际生产中由于故障的类型不同，训练数据和测试数据的分布也并不相同。为了使得模型在不同的故障引起的退化模式下都能保持较好的预测效果，本发明引入迁移学习来解决多退化模式的问题，迁移学习可以将一个源域的知识迁移到另一个相关目标域上，可以使得目标域能够获得更好的训练效果。当源域和目标域的数据概率分布不同时，该方法通过某种变换将分布不同的源域和目标域映射到同一个特征空间中，并使两者在该空间的分布尽可能相似，从而解决退化模式不同的问题。本方法所采用的LSTM的结构图3所示。
在其中一个实施例中，S1之前，方法还包括：
S01：采集多个轴承从正常到失效全周期对应的原始振动信号，标注原始振动信号 中轴承的早期故障时刻
Figure 663810DEST_PATH_IMAGE023
；
S02：从原始振动信号中提取时域特征以获取各个轴承全周期下的有效值RMS曲 线，从而确定各个轴承的参考寿命
Figure 85564DEST_PATH_IMAGE024
及其对应的退化状态；
S03：将采样时刻的振动信号作为输入、各个轴承对应的退化状态作为输出，对原始卷积神经网络CNN模型进行训练得到CNN老化模型；
S04：将原始振动信号中的源域振动信号和目标域振动信号在故障时刻前预设长度窗口的振动数据输入CNN老化模型得到其特征层输出的故障CNN深度特征；将故障CNN深度特征作为输入、原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练，得到预设长度窗口对应的LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个LSTM_CORAL预测模型；
S05：基于各个LSTM_CORAL预测模型的预测误差获取各自对应的权重，利用其权重融合多个LSTM_CORAL预测模型得到多时窗预测模型。
其中，CNN老化模型的训练过程如下：
滚动轴承的正常阶段数据的振动信号的表征大体相同，因此，本发明可以在离线 的训练数据上进行训练CNN老化模型，直接将CNN老化模型应用到测试数据上进行判断是否 发生了早期故障。CNN老化模型的输入采用的是单个采样时刻的振动信号，可表示为：
Figure 787678DEST_PATH_IMAGE025
；t表示采样时刻，k表示单个采样时刻获得振动信号数据的长度，由采样 频率和采样时间间隔共同决定。
在训练集上，考虑到故障是随着时间变化逐渐加重的，不同于对振动信号的数据 标签直接设置为0，1；采用分类的方式来判断是否进入早期故障检测，本发明采用了更加平 滑的方式，设置退化状态来表征振动信号的状态，具有比较好的稳定性以及趋势性，便于后 续进行剩余寿命预测，定义卷积神经网络的损失函数为：
Figure 927672DEST_PATH_IMAGE026
；
Figure 507689DEST_PATH_IMAGE027
为t时刻CNN的预测输出，标签
Figure 49529DEST_PATH_IMAGE028
为t时刻的真实退化的状态指标，设置为：
Figure 283064DEST_PATH_IMAGE029
；
Figure 785721DEST_PATH_IMAGE030
表示第
Figure 762904DEST_PATH_IMAGE030
个采样时刻，
Figure 34617DEST_PATH_IMAGE031
为实际的早期故障发生点，
Figure 704633DEST_PATH_IMAGE032
表示轴承从开始到完 全失效的全生命长度。当故障发生时刻之前，轴承的退化状态指标为0，表明轴承处于正常 状态；当发生故障后，整体的退化指标随时间推移由0到1线性变化，表明故障逐渐加重，直 到完全退化。
以不同的时间窗口长度为输入，训练多个LSTM_CORAL预测模型，提取不同时间长 度依赖的LSTM_CORAL预测模型，使得LSTM预测更加稳定，依据在训练集上的估计误差进行 融合，第i个LSTM_CORAL预测模型的权重设为：
Figure 461629DEST_PATH_IMAGE033
；其中，
Figure 242504DEST_PATH_IMAGE034
表示 第i个模型在训练集上的估计误差，计算式为：
Figure 634302DEST_PATH_IMAGE020
， 当估计误差小时候，直觉地给安排较大的权重值，综合考虑多个模型的健康状态值，融合各 个时窗长度的LSTM的输出，计算得到融合的后的健康状态：
Figure 209640DEST_PATH_IMAGE035
；多个 LSTM_CORAL预测模型融合过程如图4所示。
在其中一个实施例中，S02包括：
S021：从原始振动信号中提取时域特征，获取各个轴承全周期下的有效值RMS曲线；将RMS曲线中尾部的预设数目的点推至寿命终点阈值，从而确定各个轴承的参考寿命；
S022：利用公式
Figure 686889DEST_PATH_IMAGE036
获取退化状态
Figure 271454DEST_PATH_IMAGE004
。
具体的，考虑到部分振动数据并未完全退化就停止了采样/被换下，为了更加充分 的利用了未完全退化的数据，使得指标更加统一。因此本发明基于振动信号的RMS外推的方 式确定最终的
Figure 517758DEST_PATH_IMAGE037
，具体方法为：以完全退化的RMS的最终值作为退化终点阈值，对于并未 完全退化的轴承，取数据的最后20个采样时间点的RMS进行多项式拟合，依据多项式拟合结 果进行外推，取第一次突破阈值的点作为寿命终点。
在其中一个实施例中，S04包括：
S041：将原始振动信号中缓慢退化的振动信号作为源域振动信号，将原始振动信号中快速退化的振动信号作为目标域振动信号；
S042：利用相关对齐法将源域振动信号中的源域特征映射至目标域，再输入CNN老化模型使其特征层输出源域和目标域各自对应CNN深度特征；
S043：将源域和目标域各自对应的CNN深度特征作为输入、原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练得到预设长度窗口对应的LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个LSTM_CORAL预测模型。
在其中一个实施例中，相关对齐法的损失函数为：
Figure 263997DEST_PATH_IMAGE038
。
为了使得源域分布和目标域分布具有更好的对齐效果，基于相关对齐法 （Correlation alignment learning adaptation，CORAL）用分布的二阶统计量即相关性来 表示分布差异。其中：d表示特征的维度，
Figure 87597DEST_PATH_IMAGE039
表示矩阵Frobenius范数的平方，相关系数矩 阵
Figure 849754DEST_PATH_IMAGE040
的计算方式为：
Figure 75199DEST_PATH_IMAGE041
；
Figure 133285DEST_PATH_IMAGE042
；
Figure 709760DEST_PATH_IMAGE043
，
Figure 511494DEST_PATH_IMAGE044
表示源域和目标域的样本数目，1T是全一的向量，Xs，Xt表示源域和目标域的 CNN深度特征向量所堆叠的特征矩阵。
在其中一个实施例中，LSTM_CORAL预测模型的损失函数为：
Figure 325866DEST_PATH_IMAGE045
；其中，λ表示权重因子，原始振动信号对应的参 考寿命归一化状态为：
Figure 820433DEST_PATH_IMAGE046
，
Figure 618624DEST_PATH_IMAGE047
为t时刻模型估计的寿命归一化状态 值，t为采样时刻。
具体的，在对齐特征的同时也希望保持原有模型的拟合效果，损失函数设置为：
Figure 817524DEST_PATH_IMAGE048
；
其中，
Figure 388533DEST_PATH_IMAGE049
为上文所定义的损失函数，
Figure 178635DEST_PATH_IMAGE050
表示权重因子，
Figure 73910DEST_PATH_IMAGE051
为归一化的健康 状态：
Figure 342080DEST_PATH_IMAGE013
；
Figure 271990DEST_PATH_IMAGE052
表示随时间的后移，健康状态越差。
图5为本发明一实施例提供的基于迁移学习和多时窗的船用轴承剩余寿命预测方法的流程图。
在其中一个实施例中，S4包括：
将当前振动信号对应的多种预设长度窗口的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到待预测轴承的多个寿命预测值；多时窗预测模型包括多个LSTM_CORAL预测模型；
利用公式
Figure 701834DEST_PATH_IMAGE053
融合多个寿命预测值，
Figure 474618DEST_PATH_IMAGE054
为第i个LSTM_CORAL 预测模型输出的预测寿命值；
Figure 421845DEST_PATH_IMAGE055
为第i个LSTM_CORAL预测模型所占权重：
Figure 330896DEST_PATH_IMAGE056
；
Figure 836701DEST_PATH_IMAGE057
为第i个LSTM_CORAL预测模型的误差，计算式为：
Figure 565623DEST_PATH_IMAGE058
；
利用公式
Figure 316541DEST_PATH_IMAGE059
计算待预测轴承的目标预测寿命RULt；
Figure 80098DEST_PATH_IMAGE060
为退化时刻，t为采样时刻。
以下结合具体的实例说明本方法的有益效果，采用IEEE PHM 2012 DataChallenge轴承数据对本文提出的基于多时窗的深度学习方法进行验证。数据集是在PRONOSTIA实验平台上得到的，在不同操作条件下对滚动轴承进行加速退化实验，当振动信号的振幅超过20g的时候，测试即停止。振动信号分为水平方向和垂直方向，每10s记录一次数据，记录时间为0.1s，采样频率为25.6kHz，即每次采集2560个数据点。本方法使用水平方向振动数据完成实验。
本方法采用轴承1、2、4作为训练集，其中1为源域数据（缓慢退化），2与4为目标域数据（快速退化模式），使用轴承3（缓慢退化）、6（快速退化）、7（缓慢退化）作为测试集合，训练数据的早期故障时间点已知，测试数据的早期故障时刻点也已经进行过手动标注，便于验证早期故障检测策略的结果。
在图6可见，轴承2，6，7的截止振幅均未达到20g，即并未达到完全失效状态，而3，4的振幅都超出了20g，属于过度失效状态，为了统一剩余寿命的指标，本文采用RMS外推的方式确定完全失效时刻点的剩余寿命值，以轴承1的终点RMS为终点基准，对未超过阈值的曲线，选择最后20个点进行多项式拟合并外推，选择第1次超过阈值的点作为退化终点，结果如图7所示，确定各个轴承的完全退化寿命如表1所示：
Figure 117324DEST_PATH_IMAGE061
。
CNN和早期故障检测算法的结果如图8a、图8b和图8c所示，CNN的预测结果与真实 值具有较好的吻合性质，其提取的特征也具有较好的时序特征，便于后续进行剩余寿命预 测。在训练集与测试集上试验早期故障检测算法，其结果如表格2所示，真实故障时刻与算 法预报出的最后时刻相比，估计偏差在6个采用时刻以内，表明算法具有较好的稳定性，值 得一提的是，如图6所示，轴承6在进入退化阶段之前，有一段剧烈抖动状态，但本身其实并 未进入退化，在如图9a、图9b和图9c中，抖动的起始时刻点也被很好的检测出来，在振动信 号回归正常之后，故障检测算法也回归正常，并未长期处于报警状态，实验结果本文的对于 误报警具有较好的容错性。
Figure 5645DEST_PATH_IMAGE062
。
表格3对比了在窗口长度为30，学习率为0.0003，训练次数为100的条件下，手动特 征的LSTM；CNN深度特征-LSTM， CNN深度特征-LSTM_CORAL的预测结果的均方误差（Mean square error， MSE）结果对比，MSE的计算式为：
Figure 294675DEST_PATH_IMAGE063
。
通过对比结果可知，采用本方法所提出的CNN提取的深度特征相比于传统采用手动 提取的特征，具有更好的预测结果，对比深度特征-LSTM和深度特征LSTM_CORA的结果，LSTM_ CORAL具有更加稳定的预测结果。
Figure 443897DEST_PATH_IMAGE064
。
对比了不同时间窗口长度与融合之后的LSTM模型预测值，训练次数为100，使用自适应的学习率获得的结果，可见，经过融合后的结果能够综合考虑短时和长时的时间依赖，表现最为稳定。在测试数据上的表现可见图10a、图10b、图10c、图11a、图11b和图11c。
Figure 28855DEST_PATH_IMAGE065
。
综上，本文提出的基于多时窗的迁移学习剩余寿命预测系统具有如下几个显著优点：
1、早期故障检测模块通过引入深度学习模块，直接可以通过振动信号判断是否出现故障，相比于传统聚类方法，免去了人工提取特征调整参数的麻烦，此外，采用回归形式而非而分类形式，更加贴近实际故障发生的机理。
2、所设计的早期故障判别策略，引入了误报警回归正常的策略，使得算法对于短时噪声的影响更加鲁棒，早期故障检测结果表明，本策略能够很好的应对早期的误报警，在到达真实故障状态时也能及时切换，具有很好的稳定性。
3、将具有趋势性的CNN深度特征代替传统手动特征，提高了算法的收敛性，具有更好的预测结果，引入相关对齐法将源域和目标域的特征进行对齐，有效的提升了算法对于不同退化模式的预测能力，考虑到不同故障会有不同的时间依赖，多时间窗口的模型融合方法相比于单一的模型具有更加稳定准确的效果。
本发明还一种基于迁移学习和多时窗的船用轴承剩余寿命预测装置，应用于船用动力系统，包括：
检测模块，用于将待预测轴承的当前振动信号输入CNN老化模型，以使CNN老化模型输出待预测轴承的退化状态信号；
预警模块，用于当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；
输入模块，用于将故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入CNN老化模型，使其特征层输出多种预设长度窗口各自对应的CNN深度特征；
预测模块，用于将多种预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种预设长度窗口各自对应的寿命预测值；融合多个寿命预测值以获取待预测轴承的目标预测寿命。
本发明还提供一种船用动力系统，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，应用于船用动力系统，包括：
S1：将待预测轴承的当前振动信号输入CNN老化模型，以使所述CNN老化模型输出所述待预测轴承的退化状态信号；
S2：当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将所述当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；
S3：将所述故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入所述CNN老化模型，使其特征层输出多种所述预设长度窗口各自对应的CNN深度特征；
S4：将多种所述预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种所述预设长度窗口各自对应的寿命预测值；融合多个所述寿命预测值以获取所述待预测轴承的目标预测寿命；
所述方法还包括：
S01：采集多个轴承从正常到失效全周期对应的原始振动信号，标注所述原始振动信号中轴承的早期故障时刻
Figure 135789DEST_PATH_IMAGE001
；
S02：从所述原始振动信号中提取时域特征以获取各个轴承全周期下的有效值RMS曲线，从而确定各个轴承的参考寿命
Figure 815163DEST_PATH_IMAGE002
及其对应的退化状态；
S03：将采样时刻的所述振动信号作为输入、各个轴承对应的退化状态作为输出，对原始卷积神经网络CNN模型进行训练得到CNN老化模型；
S04：将所述原始振动信号中的源域振动信号和目标域振动信号在故障时刻前预设长度窗口的振动数据输入所述CNN老化模型得到其特征层输出的故障CNN深度特征；将所述故障CNN深度特征作为输入、所述原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练，得到所述预设长度窗口对应的长短期记忆相关对齐LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个所述LSTM_CORAL预测模型；
S05：基于各个所述LSTM_CORAL预测模型的预测误差获取各自对应的权重，利用其权重融合多个所述LSTM_CORAL预测模型得到所述多时窗预测模型。
2.如权利要求1所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述S02包括：
S021：从所述原始振动信号中提取时域特征，获取各个轴承全周期下的有效值RMS曲线；将所述RMS曲线中尾部的预设数目的点推至寿命终点阈值，从而确定各个轴承的参考寿命；
S022：利用公式
Figure 855669DEST_PATH_IMAGE003
获取所述退化状态
Figure 246068DEST_PATH_IMAGE004
。
3.如权利要求2所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述S4包括：
将所述当前振动信号对应的多种预设长度窗口的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到所述待预测轴承的多个寿命预测值；所述多时窗预测模型包括多个LSTM_CORAL预测模型；
利用公式
Figure 790051DEST_PATH_IMAGE006
融合所述多个寿命预测值，
Figure DEST_PATH_IMAGE007
为第i个LSTM_CORAL预测模型输出的预测寿命值；
Figure 827277DEST_PATH_IMAGE008
为第i个LSTM_CORAL预测模型所占权重：
Figure 994560DEST_PATH_IMAGE009
；
Figure 158956DEST_PATH_IMAGE010
为第i个LSTM_CORAL预测模型的误差，计算式为：
Figure DEST_PATH_IMAGE011
，
Figure 728084DEST_PATH_IMAGE012
为t时刻CNN的预测输出；
利用公式
Figure 811578DEST_PATH_IMAGE013
计算所述待预测轴承的目标预测寿命
Figure 623414DEST_PATH_IMAGE014
；
Figure 388239DEST_PATH_IMAGE015
为退化时刻，
Figure 969130DEST_PATH_IMAGE016
为采样时刻。
4.如权利要求1所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述S04包括：
S041：将所述原始振动信号中缓慢退化的振动信号作为所述源域振动信号，将所述原始振动信号中快速退化的振动信号作为所述目标域振动信号；
S042：利用相关对齐法将所述源域振动信号中的源域特征映射至目标域，再输入所述CNN老化模型使其特征层输出源域和目标域各自对应CNN深度特征；
S043：将所述源域和目标域各自对应的CNN深度特征作为输入、所述原始振动信号对应的参考寿命归一化状态为输出，对LSTM神经网络进行训练得到所述预设长度窗口对应的LSTM_CORAL预测模型；针对多个不同的预设长度窗口能够训练出多个LSTM_CORAL预测模型。
5.如权利要求4所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，相关对齐法的损失函数为：
Figure DEST_PATH_IMAGE017
；其中，d表示特征的维度，
Figure 895629DEST_PATH_IMAGE018
表示矩阵Frobenius范数的平方，相关系数矩阵
Figure 687040DEST_PATH_IMAGE019
，
Figure 754091DEST_PATH_IMAGE020
的计算方式为：
Figure 330435DEST_PATH_IMAGE021
；
Figure 162256DEST_PATH_IMAGE022
；
Figure 417526DEST_PATH_IMAGE023
，
Figure 85005DEST_PATH_IMAGE024
分别表示源域和目标域的样本数目，
Figure 814058DEST_PATH_IMAGE025
是全一的向量，
Figure 643211DEST_PATH_IMAGE026
，
Figure 621663DEST_PATH_IMAGE027
分别表示源域和目标域的CNN深度特征向量所堆叠的特征矩阵。
6.如权利要求5所述的基于迁移学习和多时窗的船用轴承剩余寿命预测方法，其特征在于，所述LSTM_CORAL预测模型的损失函数为：
Figure 561675DEST_PATH_IMAGE028
；
其中，
Figure 4288DEST_PATH_IMAGE029
表示权重因子，所述原始振动信号对应的参考寿命归一化状态为：
Figure 410868DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
为t时刻的所述LSTM_CORAL预测输出的寿命归一化状态值。
7.一种基于迁移学习和多时窗的船用轴承剩余寿命预测装置，其特征在于，应用于船用动力系统，用于执行权利要求1-6任一项所述的船用轴承剩余寿命预测方法，包括：
检测模块，用于将待预测轴承的当前振动信号输入CNN老化模型，以使所述CNN老化模型输出所述待预测轴承的退化状态信号；
预警模块，用于当连续出现多个窗口对应的退化状态信号标识故障时，判断标识故障出现频率是否满足早期故障预警条件；若满足则将所述当前振动信号作为故障振动信号，并标注故障时刻；若不满足，则进入等待报警状态；
输入模块，用于将所述故障振动信号在故障时刻前多种预设长度窗口的振动数据分别输入所述CNN老化模型，使其特征层输出多种所述预设长度窗口各自对应的CNN深度特征；
预测模块，用于将多种所述预设长度窗口各自对应的CNN深度特征输入基于长短期记忆LSTM神经网络对应的多时窗预测模型，得到多种所述预设长度窗口各自对应的寿命预测值；融合多个所述寿命预测值以获取所述待预测轴承的目标预测寿命。
8.一种船用动力系统，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210140860.XA 2022-02-16 2022-02-16 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法 Active CN114186500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210140860.XA CN114186500B (zh) 2022-02-16 2022-02-16 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210140860.XA CN114186500B (zh) 2022-02-16 2022-02-16 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN114186500A CN114186500A (zh) 2022-03-15
CN114186500B true CN114186500B (zh) 2022-04-29

Family

ID=80607091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210140860.XA Active CN114186500B (zh) 2022-02-16 2022-02-16 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN114186500B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115001937B (zh) * 2022-04-11 2023-06-16 北京邮电大学 面向智慧城市物联网的故障预测方法及装置
CN115099264A (zh) * 2022-05-26 2022-09-23 哈尔滨工程大学 船舶零件故障诊断方法及装置、计算机和计算机储存介质
CN115047350B (zh) * 2022-06-24 2023-04-18 哈尔滨工业大学 一种基于数模联动的锂离子电池剩余使用寿命预测方法
CN115982896B (zh) * 2023-03-21 2023-06-30 山东金帝精密机械科技股份有限公司 一种轴承保持架的寿命检测方法及装置
CN117556261B (zh) * 2024-01-08 2024-05-14 浙江大学 一种基于mcnn的隔膜泵单向阀寿命预测方法与系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019187138A1 (ja) * 2018-03-30 2019-10-03 株式会社牧野フライス製作所 残寿命予測装置及び工作機械
CN112990524A (zh) * 2019-12-16 2021-06-18 中国科学院沈阳计算技术研究所有限公司 基于残差修正的滚动轴承剩余寿命预测方法
CN113405799A (zh) * 2021-05-20 2021-09-17 新疆大学 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法
CN113743541A (zh) * 2021-11-04 2021-12-03 华中科技大学 一种基于退化模式预测船用动力系统轴承剩余寿命的方法
CN113869563A (zh) * 2021-09-14 2021-12-31 北京化工大学 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法
CN113987834A (zh) * 2021-11-15 2022-01-28 华东交通大学 一种基于can-lstm的铁路列车轴承剩余寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036547B (zh) * 2020-08-28 2023-09-22 徐工汉云技术股份有限公司 自动特征提取结合lstm的滚动轴承剩余寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019187138A1 (ja) * 2018-03-30 2019-10-03 株式会社牧野フライス製作所 残寿命予測装置及び工作機械
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
CN112990524A (zh) * 2019-12-16 2021-06-18 中国科学院沈阳计算技术研究所有限公司 基于残差修正的滚动轴承剩余寿命预测方法
CN113405799A (zh) * 2021-05-20 2021-09-17 新疆大学 基于健康状态指标构建和故障预警限自学习的轴承早期故障检测方法
CN113869563A (zh) * 2021-09-14 2021-12-31 北京化工大学 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法
CN113743541A (zh) * 2021-11-04 2021-12-03 华中科技大学 一种基于退化模式预测船用动力系统轴承剩余寿命的方法
CN113987834A (zh) * 2021-11-15 2022-01-28 华东交通大学 一种基于can-lstm的铁路列车轴承剩余寿命预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Recursive Least Squares Identification With Variable-Direction Forgetting via Oblique Projection Decomposition;Kun Zhu;Chengpu Yu;Yiming Wan;《IEEE/CAA Journal of Automatica Sinica》;20211210;第9卷(第3期);第547 - 555页 *
Sate-of-Charge dependent battery model Identification using gaussian process regression;Fan K , Wan Y .;《IFAC-PapersOnLine》;20210908;第647-652页 *
基于BiLSTM的滚动轴承剩余使用寿命预测;韩林洁等;《制造业自动化》;20200525(第05期);第47-50页 *
基于MSCNN-LSTM的滚动轴承剩余寿命预测方法;胡城豪等;《中国测试》;20200930(第09期);第103-110页 *
基于并行多通道卷积长短时记忆网络的轴承寿命预测方法;曾大懿等;《中国机械工程》(第20期);第2454-2471页 *
基于数据的复杂工程系统故障预测;陈朝旭，方华京;《上海应用技术学院学报（自然科学版）》;20160331;第16卷(第1期);第36-46页 *
结合CNN和LSTM的滚动轴承剩余使用寿命预测方法;王玉静，李少鹏等;《振动、测试与诊断》;20210630;第41卷(第3期);第439-446、617页 *

Also Published As

Publication number Publication date
CN114186500A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN114186500B (zh) 一种基于迁移学习和多时窗的船用轴承剩余寿命预测方法
CN110133508B (zh) 电动汽车动力电池的安全预警方法
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
JP7460864B2 (ja) 電力網アセットの状態分類を行うための方法および装置
Lin et al. Time series prediction algorithm for intelligent predictive maintenance
CN110763997A (zh) 一种同步电机定子早期故障预警方法
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN112485597A (zh) 基于多源数据的电力系统输电线路故障诊断方法及系统
Wang et al. A hidden semi‐markov model with duration‐dependent state transition probabilities for prognostics
CN115640895A (zh) 一种变压器故障预测方法、装置及电子设备
CN112770112A (zh) 流量数据异常检测方法、装置、电子设备及存储介质
CN112529109A (zh) 一种基于无监督多模型的异常检测方法及系统
CN110188837A (zh) 一种基于模糊神经的mvb网络故障诊断方法
CN117093461A (zh) 一种时延检测分析的方法、系统、设备和存储介质
CN117261599B (zh) 电动汽车的故障检测方法、装置、电子设备及电动汽车
CN109324591B (zh) 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
CN117067920B (zh) 动力电池的故障检测方法、装置、电子设备及电动汽车
Kunlong et al. SOH estimation for lithium-ion batteries: A cointegration and error correction approach
CN111652393A (zh) 基于大数据技术的电力设备异常预警方法
Machlev EV battery fault diagnostics and prognostics using deep learning: Review, challenges & opportunities
CN114386603B (zh) 基于时序因果网络的火电厂发电机故障预警方法
CN115718260A (zh) 基于cnn-lstm结合相关系数的电池故障预测方法及系统
CN115904916A (zh) 一种硬盘故障预测的方法、装置、电子设备以及存储介质
Delmas et al. Remaining useful life estimation methods for predictive maintenance models: defining intervals and strategies for incomplete data
CN112884015A (zh) 一种面向供水管网分区计量系统日志信息的故障预测方法

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