CN114216682B - 一种基于tcn和bls的滚动轴承的寿命预测方法及装置 - Google Patents

一种基于tcn和bls的滚动轴承的寿命预测方法及装置 Download PDF

Info

Publication number
CN114216682B
CN114216682B CN202111463971.6A CN202111463971A CN114216682B CN 114216682 B CN114216682 B CN 114216682B CN 202111463971 A CN202111463971 A CN 202111463971A CN 114216682 B CN114216682 B CN 114216682B
Authority
CN
China
Prior art keywords
tcn
learning model
width learning
mapping
training
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
CN202111463971.6A
Other languages
English (en)
Other versions
CN114216682A (zh
Inventor
冒泽慧
张耕维
马亚杰
姜斌
严星刚
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111463971.6A priority Critical patent/CN114216682B/zh
Publication of CN114216682A publication Critical patent/CN114216682A/zh
Application granted granted Critical
Publication of CN114216682B publication Critical patent/CN114216682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明实施例公开了一种基于TCN和BLS的滚动轴承的寿命预测方法及装置，涉及滚动轴承故障诊断领域，能够提高滚动轴承寿命预测的精度。本发明包括：采集全寿命周期的振动信号。对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集。将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入。在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果。

Description

一种基于TCN和BLS的滚动轴承的寿命预测方法及装置
技术领域
本发明涉及滚动轴承故障诊断领域，尤其涉及一种基于TCN(宽度学习)和 BLS(时间卷积网络)的滚动轴承的寿命预测方法及装置。
背景技术
滚动轴承是一种可以将滑动摩擦变成滚动摩擦的机械元件，有效减小了摩擦损失的消耗，此外，它还有便于拆卸、可大批生产和对速度、载荷波动不敏感等优点。但是，一旦经过长期工作，滚动轴承易出现问题，轻则造成财产损失，重则造成人员伤亡。因此，针对滚动轴承的状态进行检测，利用现有智能方法来预测滚动轴承寿命是具有很重要的意义的。
在针对滚动轴承的寿命预测过程中，特征提取是很重要的。传统方法一般是采集数据的均值、方差、峭度等时频域特征作为预测输入，但这些特征并不一定能全面反映寿命的变化趋势，需要进一步发展出运用智能化方法提取特征成的方案。
现有的智能预测方法在传统方法的基础上加入了各类神经网络来增加预测精度。然而，在许多带有深度网络的预测方法中，例如常见的RNN(循环神经网络)、LSTM(长短期记忆网络)等所采用的网络通常较深，因而具有较深的复杂度，这就导致想要得到准确结果的一大前提是需要更好的硬件设备配置和算力来匹配较深的网络模型，否则，强行使用带深度网络的预测方法会使预测结果达不到预期，或者计算时长过长。因此在实际应用中存在硬件成本高，算力资源占用大的问题，而若要提升滚动轴承寿命预测的精度，则需要占用更大的计算资源。
发明内容
本发明的实施例提供一种基于TCN和BLS的滚动轴承的寿命预测方法，能够提高滚动轴承寿命预测的精度。
为达到上述目的，本发明的实施例采用如下技术方案：
一方面，提供一种基于TCN和BLS的滚动轴承的寿命预测方法，包括：
S1、采集全寿命周期的振动信号。
S2、对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集。
S3、将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入。
S4、在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果。
另一方面，提供一种基于TCN和BLS的滚动轴承的寿命预测装置，包括：
采集模块，用于采集全寿命周期的振动信号；
预处理模块，用于对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集；
训练模块，用于将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入；
预测模块，用于在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果。
本实施例提供的基于TCN和BLS的滚动轴承的寿命预测方法及装置，涉及滚动轴承的寿命预测领域。通过采集滚动轴承的振动信号。将采集得到的信号一阶差分降噪并通过自编码器提取初步特征，分为训练集和测试集后进行预处理，创建数据库。构建时间卷积网络-宽度学习(BLS-TCN)模型，并使用训练集训练网络。将测试集输入到训练好的网络之中，即可得到寿命预测结果，以便于提高滚动轴承寿命预测的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为本发明实施例提供的一种具体实例的示意图；
图2为本发明实施例提供的宽度学习网络构建的示意图；
图3为本发明实施例提供的时间卷积网络获取映射特征的示意图；
图4为自编码器提取特征的示意图；
图5为本发明实施例提供的方法流程的示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/ 或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本实施例的设计目的，主要是：针对在相同设备配置的前提下，为了弥补带有深度网络的预测方法网络过深、现有配置不够等方面的不足，以便于解决滚动轴承的寿命预测问题。
大致的设计思路是：采集滚动轴承运行过程中通过加速度传感器和便携式动态信号采集器得到的振动信号。对信号进行一阶差分运算去噪，后使用自编码器对原始振动信号提取特征，构成特征矩阵并设置标签。将此特征矩阵和标签划分为训练集和测试集。构建时间卷积网络模型，并将初始特征输入到构建好的模型中，依次得到经过TCN网络模型的映射特征和增强特征，最后将此两种特征合并到全连接层，不断调整网络参数使预测输出的寿命和实际寿命的误差达到最小，后输出训练集的预期寿命。将测试集特征输入到训练好的网络之中，输出得到测试集预测寿命。
本发明实施例提供一种基于TCN和BLS的滚动轴承的寿命预测方法，如图5所示，包括：
S1、采集全寿命周期的振动信号。
本实施例中所述的全寿命周期，指的是从滚动轴承开始使用到报废、不再具备运作能力的整个过程。在实验环境中可以通过目前业内常用的手段，实现模拟滚动轴承的全寿命周期的测试和实验，属于业内常识。因此本实施例对于如何实现“滚动轴承的全寿命周期”不做限定。
S2、对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集。
其中，预处理包括对振动信号进行一阶差分并去噪。具体的，先对采样得到的数据进行一阶差分去噪处理，然后再划分为训练集和测试集，所得到预处理过后的原始特征的振动信号时间序列，可以划分为训练集部分和测试集部分。
S3、将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入。
其中，宽度学习模型的作用是输入提取得到的特征，输出预期寿命。
S4、在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果。
本实施例中，在步骤S1中包括：采集所述滚动轴承在运行过程中的振动信号。具体可以通过加速度传感器和便携式动态信号采集器，来采集所述滚动轴承在运行过程中的振动信号。其中，所述振动信号的方向包括水平方向和竖直方向，采样频率为25.6kHz。
本实施例中，在步骤S2中，对采集得到的振动信号进行预处理的过程中，包括：对采集得到的振动信号进行一阶差分运算去除噪声。通过自编码器提取振动信号的特征矩阵，并作为原始特征。
其中，如图4所示的，差分处理指的是将采集得到滚动轴承水平或竖直方向的全寿命周期振动信号时间序列进行一阶差分运算去除噪声。自编码器提取初步特征指的是将差分后的信号时间序列输入自编码器提取特征，记为原始特征。
进一步的，所述通过自编码器提取振动信号的特征矩阵，包括建立自编码器：
Figure GDA0003961193590000061
Figure GDA0003961193590000062
其中，XL、X和XR分别是输入的原始振动信号、提取得到的深层次特征和输出信号，
Figure GDA0003961193590000063
和
Figure GDA0003961193590000064
分别是编码器和解码器的映射函数，σ1和σ2为激活函数，本实施例中，将下标为1的是编码器参数，下标为2为解码器参数，比如：ω1和b1是编码器参数，ω2和b2是解码器的参数。设置所述自编码器的目标为：在使XL和XR相等的基础上，提取用于寿命预测的特征。其中，使XL和XR相等，可以因为这种情况下理论上一般是不可能两者完全相等的，只能是几乎相等。不过若可以认为两者差值在一定范围的话也可以认为二者相等。
利用所提取的特征构成行数为样本数m，列数为特征维数n的m×n特征矩阵 Xwhole。其中，实际寿命y∈{1,...,K}为标签，具体的，1到K表示剩余的实际寿命的大小，Xwhole和y是一一对应的关系。特征矩阵的每一个样本对应一个预期的寿命。可以理解为特征矩阵中的一行数据为参数x，标签y中的一个数为对应此x的预期寿命。K是一个常数值，代表轴承的实际寿命大小。
之后再利用特征矩阵和标签得到训练集X和测试集XTest。例如：一个“集”中包含若干数据，每条数据由若干个特征(合称某数据点的样本特征，也就是x， x由x1、x2、x3...组成)和一个预期的寿命y(也就是标签)组成。也就是多个特征对应一个标签，合成一条数据。很多数据组合在一起就形成了一个矩阵。 Xwhole是所有特征数据组成的矩阵，不含标签。同理XTest也是这样。最终目标是在使XL和XR几乎相等的基础上，提取得到适用于寿命预测的特征。将上述提取得到的特征构成行数为样本数m，列数为特征维数n的m×n特征矩阵Xwhole。
y∈{1,…,K}为标签，表示剩余的实际寿命。将此特征矩阵和标签划分为训练集X和测试集XTest。
本实施例中，在步骤S3中包括：利用所述时间卷积网络模型，对输入的振动信号时间序列进行特征提取，得到映射特征。对映射特征进行函数映射，得到增强特征，利用映射特征和增强特征得到最终特征，将所述最终特征输入所述宽度学习模型。例如：将所述振动信号时间序列输入宽度学习模型并作为所述宽度学习模型的映射节点，输出训练集和测试集。在构建时间卷积网络模型后，将原始特征输入到时间卷积网络模型之中，得到进一步细化提取的特征矩阵，记为映射特征。并通过时间卷积网络模型进一步提取特征：将原始特征输入到时间卷积网络模型中，得到进一步提取的特征，记为映射特征。继续对映射特征进行函数映射，得到增强特征，将映射特征和增强特征组合形成最终特征。
本实施例应用在实际应用中，可以采用构建时间卷积网络-宽度学习模型的方式，例如图2、3所示的，构建时间卷积网络-宽度学习模型。该模型由时间卷积网络和宽度学习网络构成，包含了输入层、映射节点部分、增强节点部分和输出层。设置时间卷积网络的深度d、迭代次数epochs、宽度学习网络的映射特征组数NWin、映射特征组内节点数NFea、增强节点数NEnhan和正则项参数C等。
具体的，可以通过编程设计计算机程序的方式，设计时间卷积网络-宽度学习模型中含有的三个模块：
(1)映射节点模块fTCN：将输入层的特征矩阵X通过时间卷积网络进行映射，得到进一步提取的映射特征XTCN：XTCN＝fTCN(X)；
(2)增强节点模块fL，将映射特征XTCN进行函数映射变换，得到增强特征 XTCNL：XTCNL＝fL(XTCN)；
(3)结果输出模块fOUT，将映射特征XTCN和增强特征XTCNL共同作为宽度学习网络隐含层的输入，输出得到预测结果yOUT，使yOUT尽可能地接近实际寿命y： yOUT＝fOUT(XTCN|XTCNL)。
本实施例中，所述通过所述训练集训练所述宽度学习模型，包括：
将所述训练集输入所述宽度学习模型。损失函数使用均方根误差RMSE，并通过平均绝对百分比误差MAPE，检测所述宽度学习模型的预测精度。并利用矩阵伪逆运算对隐藏层到输出层的权重Wm进行迭代更替，直至损失函数稳定不再下降。
其中：
RMSE为：
Figure GDA0003961193590000081
MAPE为：
Figure GDA0003961193590000082
m表示数据个数，i表示从1至m的常数，y表示实际寿命，yOUT表示预测得到的寿命结果；这个i其实不用解释，这个求和的含义就是i是一个从1开始，一直到m的变量。也就是令i＝1，表示第一个数据，把第一个数据中的y和yout代入到公式中进行计算，然后再令i＝2，表示第二个数据，把第二个数据中的y和yout 代入到公式中进行计算，然后与i＝1的计算结果相加，然后再令i＝3...以此类推。可以理解为一种循环，最后当i＝m为止，通常也可以将i称之为循环变量。
本实施例中，所述利用矩阵伪逆运算对隐藏层到输出层的权重Wm进行迭代更替，包括：
Wm＝[(XTCN|XTCNL)T(XTCN|XTCNL)+CI]-1(XTCN|XTCNL)Tymid
Figure GDA0003961193590000091
其中，ymid是上一个训练周期得到的寿命预测结果，当全部训练周期结束后，可认为ymid＝yOUT；y为实际寿命，C为常数，I为单位矩阵，XTCN表示映射特征， XTCNL表示增强特征。ymid指的是每个训练周期得到的预期寿命，随着训练周期的增加，ymid也不断变化，可以理解为是一个动态变化的量。当所有训练完全结束的时候，此处的ymid等于前面的yout。具体的训练宽度学习网络部分包括：输入训练集，通过网络后得到预测的寿命并与实际寿命结果比较，损失函数使用均方根误差RMSE(root mean square error)和平均绝对百分比误差MAPE(mean absolute percentage error)来评价模型的预测精度。RMSE和MAPE的公式形式为：
Figure GDA0003961193590000092
利用矩阵伪逆运算来不断迭代更替隐藏层到输出层的权重Wm，当损失函数稳定不再下降时，训练停止，得到调整好的参数和可以实现寿命预测的网络。
该步骤可概括为：Wm＝[(XTCN|XTCNL)T(XTCN|XTCNL)+CI]-1(XTCN|XTCNL)Ty、
Figure GDA0003961193590000093
其中，y是上一次训练得到的寿命预测结果，C为常数，I为单位矩阵。例如图1所示的，构建宽度学习模型，输入训练集训练网络并迭代调整参数。将测试集数据输入到训练好的宽度学习模型中，得到预测的剩余寿命；模型训练阶段，包括：构建宽度学习模型，训练宽度学习模型，得到训练好的宽度学习寿命预测模型，可对目标工况下的滚动轴承进行寿命预测；测试阶段，包括：将测试集数据输入到训练好的宽度学习模型中，可以得到寿命预测结果；测试阶段，包括：将测试集数据输入到训练好的网络模型中。可以得到表征剩余寿命百分比的数组，将此数组反归一化即可得到预测的剩余寿命。
本实施例还提供一种基于TCN和BLS的滚动轴承的寿命预测装置，包括：
采集模块，用于采集全寿命周期的振动信号；
预处理模块，用于对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集；
训练模块，用于将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入；
预测模块，用于在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果。
所述采集模块，具体用于采集所述滚动轴承在运行过程中的振动信号，所述振动信号的方向包括水平方向和竖直方向，采样频率为25.6kHz。
在步骤S2中，所述预处理模块，具体用于对采集得到的振动信号进行一阶差分运算去除噪声；通过自编码器提取振动信号的特征矩阵，并作为原始特征。
本实施例提出的基于TCN和BLS的滚动轴承的寿命预测方法及装置，可以用来实现同工况下滚动轴承的寿命预测。该方法通过使用宽度学习这种横向递增的网络结构来降低设备依赖，在同等条件下能加快预测速度。同时在传统宽度学习网络的映射特征部分引入时间卷积网络来加强对时序数据的特征提取能力，达到了较高的预测精度。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于TCN和BLS的滚动轴承的寿命预测方法，其特征在于，包括：
S1、采集全寿命周期的振动信号；
S2、对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集；
S3、将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入；
S4、在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果；
在步骤S2中，对采集得到的振动信号进行预处理的过程中，包括：
对采集得到的振动信号进行一阶差分运算去除噪声；
通过自编码器提取振动信号的特征矩阵，并作为原始特征；
在步骤S3中包括：利用所述时间卷积网络模型，对输入的振动信号时间序列进行特征提取，得到映射特征；对映射特征进行函数映射，得到增强特征，利用映射特征和增强特征得到最终特征，将所述最终特征输入所述宽度学习模型；
所述宽度学习模型为采用构建时间卷积网络-宽度学习模型的方式构建时间卷积网络-宽度学习模型，其中含有的三个模块：
映射节点模块fTCN：将输入层的特征矩阵X通过时间卷积网络进行映射，得到进一步提取的映射特征XTCN；
增强节点模块fL，将映射特征XTCN进行函数映射变换，得到增强特征XTCNL；
结果输出模块fOUT，将映射特征XTCN和增强特征XTCNL共同作为宽度学习网络隐含层的输入，输出得到预测结果yOUT，使yOUT尽可能地接近实际寿命y：
yOUT＝fOUT(XTCN|XTCNL)；
所述通过所述训练集训练所述宽度学习模型，包括：
将所述训练集输入所述宽度学习模型；
损失函数使用均方根误差RMSE，并通过平均绝对百分比误差MAPE，检测所述宽度学习模型的预测精度，其中：
RMSE为：
Figure FDA0003961193580000021
MAPE为：
Figure FDA0003961193580000022
m表示数据个数，i表示从1至m的常数，y表示实际寿命，yOUT表示预测得到的寿命结果；
并利用矩阵伪逆运算对隐藏层到输出层的权重Wm进行迭代更替，直至损失函数稳定不再下降；
所述利用矩阵伪逆运算对隐藏层到输出层的权重Wm进行迭代更替，包括：
Wm＝[(XTCN|XTCNL)T(XTCN|XTCNL)+CI]-1(XTCN|XTCNL)Tymid
Figure FDA0003961193580000023
其中，ymid是上一个训练周期得到的寿命预测结果，当全部训练周期结束后，可认为ymid＝yOUT；y为实际寿命，C为常数，I为单位矩阵，XTCN表示映射特征，XTCNL表示增强特征。
2.根据权利要求1所述的方法，其特征在于，在步骤S1中包括：
采集所述滚动轴承在运行过程中的振动信号，所述振动信号的方向包括水平方向和竖直方向，采样频率为25.6kHz。
3.根据权利要求1所述的方法，其特征在于，所述通过自编码器提取振动信号的特征矩阵，包括：
建立自编码器：
Figure FDA0003961193580000031
Figure FDA0003961193580000032
其中，XL、X和XR分别是输入的原始振动信号、提取得到的深层次特征和输出信号，
Figure FDA0003961193580000033
和
Figure FDA0003961193580000034
分别是编码器和解码器的映射函数，σ1和σ2为激活函数，ω1和b1是编码器参数，ω2和b2是解码器的参数；
设置所述自编码器的目标为：在使XL和XR相等的基础上，提取用于寿命预测的特征；
利用所提取的特征构成行数为样本数m，列数为特征维数n的m×n特征矩阵Xwhole，其中，实际寿命y∈{1,...,K}为标签，其中1到K表示剩余的实际寿命的大小；
利用特征矩阵和标签得到训练集X和测试集XTest。
4.一种基于TCN和BLS的滚动轴承的寿命预测装置，其特征在于，包括：
采集模块，用于采集全寿命周期的振动信号；
预处理模块，用于对采集得到的振动信号进行预处理，得到作为原始特征的振动信号时间序列，并进一步对所述原始特征进行划分得到训练集和测试集；
训练模块，用于将所述训练集输入时间卷积网络模型，并将所述时间卷积网络模型的输出作为宽度学习模型的增强节点的输入；
预测模块，用于在通过所述训练集训练所述宽度学习模型之后，将所述测试集输入所述宽度学习模型并得到寿命预测结果；
所述预处理模块对采集得到的振动信号进行预处理的过程中，包括：对采集得到的振动信号进行一阶差分运算去除噪声；通过自编码器提取振动信号的特征矩阵，并作为原始特征；
所述训练模块利用所述时间卷积网络模型，对输入的振动信号时间序列进行特征提取，得到映射特征；对映射特征进行函数映射，得到增强特征，利用映射特征和增强特征得到最终特征，将所述最终特征输入所述宽度学习模型；
所述宽度学习模型为采用构建时间卷积网络-宽度学习模型的方式构建时间卷积网络-宽度学习模型，其中含有的三个模块：映射节点模块fTCN：将输入层的特征矩阵X通过时间卷积网络进行映射，得到进一步提取的映射特征XTCN；增强节点模块fL，将映射特征XTCN进行函数映射变换，得到增强特征XTCNL；结果输出模块fOUT，将映射特征XTCN和增强特征XTCNL共同作为宽度学习网络隐含层的输入，输出得到预测结果yOUT，使yOUT尽可能地接近实际寿命y：
yOUT＝fOUT(XTCN|XTCNL)；
所述通过所述训练集训练所述宽度学习模型，包括：
将所述训练集输入所述宽度学习模型；
损失函数使用均方根误差RMSE，并通过平均绝对百分比误差MAPE，检测所述宽度学习模型的预测精度，其中：
RMSE为：
Figure FDA0003961193580000041
MAPE为：
Figure FDA0003961193580000042
m表示数据个数，i表示从1至m的常数，y表示实际寿命，yOUT表示预测得到的寿命结果；
并利用矩阵伪逆运算对隐藏层到输出层的权重Wm进行迭代更替，直至损失函数稳定不再下降；
所述利用矩阵伪逆运算对隐藏层到输出层的权重Wm进行迭代更替，包括：
Wm＝[(XTCN|XTCNL)T(XTCN|XTCNL)+CI]-1(XTCN|XTCNL)Tymid
Figure FDA0003961193580000051
其中，ymid是上一个训练周期得到的寿命预测结果，当全部训练周期结束后，可认为ymid＝yOUT；y为实际寿命，C为常数，I为单位矩阵，XTCN表示映射特征，XTCNL表示增强特征。
5.根据权利要求4所述的装置，其特征在于，所述采集模块，具体用于采集所述滚动轴承在运行过程中的振动信号，所述振动信号的方向包括水平方向和竖直方向，采样频率为25.6kHz。
6.根据权利要求4所述的装置，其特征在于，在步骤S2中，所述预处理模块，具体用于对采集得到的振动信号进行一阶差分运算去除噪声；通过自编码器提取振动信号的特征矩阵，并作为原始特征。
CN202111463971.6A 2021-12-03 2021-12-03 一种基于tcn和bls的滚动轴承的寿命预测方法及装置 Active CN114216682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111463971.6A CN114216682B (zh) 2021-12-03 2021-12-03 一种基于tcn和bls的滚动轴承的寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111463971.6A CN114216682B (zh) 2021-12-03 2021-12-03 一种基于tcn和bls的滚动轴承的寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN114216682A CN114216682A (zh) 2022-03-22
CN114216682B true CN114216682B (zh) 2023-04-07

Family

ID=80699565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111463971.6A Active CN114216682B (zh) 2021-12-03 2021-12-03 一种基于tcn和bls的滚动轴承的寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN114216682B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114593919B (zh) * 2022-03-28 2023-11-17 青岛理工大学 一种新型的滚动轴承故障诊断方法及其系统
CN114942066B (zh) * 2022-05-26 2023-08-04 清华大学 电主轴误差间接预测方法及装置
CN115326398B (zh) * 2022-10-17 2023-01-24 华东交通大学 一种基于模糊宽度学习模型的轴承故障诊断方法
CN116223044B (zh) * 2023-04-04 2023-10-13 兰州理工大学 基于多传感器融合和Bi-TACN的轴承剩余寿命预测系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768758B (zh) * 2020-07-24 2023-04-07 四川大学华西医院 基于视频判读技术的自助化基础生命支持考核系统
CN113449465A (zh) * 2021-06-15 2021-09-28 南京航空航天大学 一种用于滚动轴承的寿命预测方法

Also Published As

Publication number Publication date
CN114216682A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN114216682B (zh) 一种基于tcn和bls的滚动轴承的寿命预测方法及装置
CN110162018B (zh) 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
Li et al. Intelligent fault diagnosis of rolling bearings under imbalanced data conditions using attention-based deep learning method
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN112651167A (zh) 一种基于图神经网络的半监督滚动轴承故障诊断方法
CN114429153A (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
CN111174370A (zh) 故障检测方法及装置、存储介质、电子装置
CN113008559B (zh) 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统
CN113158814A (zh) 一种基于卷积自编码器的轴承健康状态监测方法
CN113538353B (zh) 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法
CN113255210A (zh) 一种风电机组联邦故障诊断方法及系统
CN116108346A (zh) 一种基于生成特征重放的轴承增量故障诊断终身学习方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
CN116399588A (zh) 一种小样本下基于WPD和AFRB-LWUNet的滚动轴承故障诊断方法
CN114942140A (zh) 基于多输入并行图卷积神经网络的滚动轴承故障诊断方法
CN117475191A (zh) 一种特征对齐域对抗神经网络的轴承故障诊断方法
CN114459760B (zh) 一种强噪声环境下的滚动轴承故障诊断方法及系统
CN112434729B (zh) 一种类不平衡样本下基于层再生网络的故障智能诊断方法
CN113435321A (zh) 一种主轴轴承状态评估方法、系统、设备及可读存储介质
CN113449465A (zh) 一种用于滚动轴承的寿命预测方法
Wen et al. Bearing fault diagnosis via fusing small samples and training multi-state Siamese neural networks
CN113052060A (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
CN113033601B (zh) 用于双转子不对中故障识别的dbn参数选取方法
CN114048682B (zh) 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN115560966B (zh) 增强稀疏滤波融合电机关键部件微弱故障诊断方法和系统

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