CN114486262B - 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 - Google Patents

Abstract

本发明公开了一种基于CNN‑AT‑LSTM的滚动轴承剩余使用寿命预测方法，包括以下步骤：步骤1：获取轴承振动信号；步骤2：对获取的轴承振动信号进行降噪处理；步骤3：采用训练后的CNN网络模型，从经过降噪处理后的振动信号中挖掘反映退化性能的深层特征；步骤4：将步骤3获取到的深层特征输入至训练后的AT‑LSTM神经网络中，得到轴承剩余使用寿命的预测结果；采用本发明方法可以及时有效准确地预测滚动轴承RUL，保障机械设备能够安全可靠高效运行，延长设备工作周期，及时更换设备，避免巨大经济损失。

Description

一种基于CNN-AT-LSTM的轴承剩余使用寿命预测方法

技术领域

本发明涉及一种基于CNN-AT-LSTM的轴承剩余使用寿命预测方法，属于数据挖掘领域。

背景技术

故障预测和健康管理(Prognostic and Health Management,PHM)是指利用大量状态监测数据和信息，借助统计算法或模型来评估和管理装备的健康状态的技术。PHM可以提前对潜在故障进行预测，并结合各种装备信息提供维护决策，实现视情维护，从而提高生产过程的安全性及降低维护成本。近年来，PHM技术在航空航天、制造业等领域表现出了良好的应用前景，为生产活动提供了安全保障。

剩余使用寿命(Remaining Useful Life,RUL)预测技术是PHM的关键技术之一，可通过分析传感器监测的运行数据或建立合适的退化模型对系统或部件的RUL进行提前预测。RUL可定义为系统或部件可继续正常使用的时间长度，即当前时刻与失效时刻之间的时间间隔。监测数据的爆炸式增长给机械剩余使用寿命预测带来了新的机遇和挑战。在工业生产中，对系统或部件的RUL进行准确预测能及时改进维护计划以确保工业活动顺利进行，同时还能降低维护和生产成本，简化操作流程。与传统故障诊断相比，RUL预测技术可提前预测系统或部件的正常工作时间，对将发生的故障进行事先警报，较大程度上避免了生产事故的发生，进一步优化其维护策略以降低昂贵且非必需的维护费用，同时还能进一步提升产品的可靠性、可用性和安全性，因此更加实用。

滚动轴承被称为“工业的关节”，在航空航天、风力发电、加工制造等诸多工业场景广泛使用，其健康状态对机械装备安全服役性能起着十分重要的作用。据相关统计，旋转机械的失效案例中，其中45％～55％是由于滚动轴承的失效而导致的。在机器运行过程中，由于过载、润滑不良、安装不当等原因，轴承经常会出现不同类型的故障。如果不及时采取有效措施，轴承故障可能导致整机故障，甚至酿成灾难。为了避免这种情况的发生，滚动轴承的剩余使用寿命(RUL)预测已成为提前提供故障警告和改进维护计划的关键技术，从而减少了成本高昂的计划外维护并提高了机器的可靠性、可用性和安全性。由于材料特性和工作环境等诸多复杂因素，同一制造商生产的同类型轴承，在同一类型的设备上工作，其预期寿命和退化模式可能会有很大差异，许多因素无法定量测量和分析，这使得预测轴承RUL仍然是一项极具挑战性的任务。

轴承的RUL定义为从当前检查时间到轴承将不再执行其预期功能的未来时刻的时间跨度。传统意义上，轴承的寿命可以根据国际标准ISO 281-2007或美国轴承制造商协会(ABMA)标准ABMA 9-2015和ABMA 11-2014计算。然而，由于恶劣的运行条件、制造缺陷等，轴承的实际寿命与理论寿命有很大不同。

发明内容

发明目的：为解决现有技术中轴承原始振动信号的噪声影响轴承RUL预测精度的问题，为解决特征提取方法过于依赖专家经验的问题以及为解决预测模型的鲁棒性不强的问题，本发明提出一种基于CNN-AT-LSTM的滚动轴承剩余使用寿命预测方法。

技术方案：一种基于CNN-AT-LSTM的滚动轴承剩余使用寿命预测方法，包括以下步骤：

步骤1：获取轴承振动信号；

步骤2：对获取的轴承振动信号进行降噪处理；

步骤3：采用训练后的CNN网络模型，从经过降噪处理后的振动信号中挖掘反映退化性能的深层特征；

步骤4：将步骤3获取到的深层特征输入至训练后的AT-LSTM神经网络中，得到轴承剩余使用寿命的预测结果。

进一步的，步骤2中，采用CEEMDAN与小波阀值相结合的方法，对获取的轴承振动信号进行降噪处理。

进一步的，所述的采用CEEMDAN与小波阀值相结合的方法，对获取的轴承振动信号进行降噪处理，具体包括以下步骤：

S210：对获取的轴承振动信号进行CEEMDAN分解得到n个本征模态IMF分量和一个余量序列；

式中，IMF_j表示第j个本征模态，K表示IMF数量，R(t)表示余量；

S220：通过计算每个IMF的排列熵将高频IMF和低频IMF区分；

S230：对高频IMF分量进行小波阈值降噪；

S240：将降噪后的高频IMF分量与低频IMF分量进行信号重构；

S250：输出重构后的信号作为最终的降噪结果：

其中，IMF_i′表示降噪后的第i个本征模态IMF分量，P是高频IMF和低频IMF分界点。

进一步的，S230中的小波阈值降噪的阈值函数表示为：

其中，T₁和T₂为阀值，T₂＝aT₁，阈值函数的改变可以通过对a的调整来实现，T₁由下式计算得到：

其中，N为采样点数，σ为第k层噪声的标准差，按下式估算获得：

其中，median(|x|)表示取第k层分解小波系数绝对值的中值。

进一步的，在CNN网络模型中，设定经过降噪处理后的振动信号X，一维卷积特征映射可表示为：

式中，*表示卷积操作，k为第k层网络，W为卷积核，

为第k层输出。g为非线性激活函数ReLU。

进一步的，所述的AT-LSTM神经网络为在LSTM层之后加入注意力层来建立输入时间序列之间的长距离依赖关系的基于注意力机制的模型，将LSTM层的所有输出都输入到注意力层中，通过对LSTM层的所有输出加权求和得到新的输出向量。

进一步的，所述AT-LSTM神经网络的计算过程表示如下：

计算给定LSTM层的输出h_i和目标状态s_t-1，计算两者的相似度，作为t时刻状态h_i的权重：

e_ti＝a(s_t-1,h_i) (19)

归一化权重系数a_ti：

对状态h_i加权平均：

有益效果：本发明与现有技术相比，具有以下优点：

(1)本发明方法中的降噪算法，保留了CEEMDAN可以有效消除背景噪声的优点，克服了小波阈值降噪对背景噪声消除不完全的缺点；保留了小波阈值降噪能够很好的保留原始信号中的有用信号的优点，克服了CEEMDAN强制降噪丢失有用信号的缺点；通过排列熵来衡量轴承振动信号的含噪程度，达到更好的降噪效果，有效提高预测精度；

(2)本发明方法使用CNN深层特征提取能力实现自动特征提取，解决了现有的滚动轴承振动信号特征提取方法过于依赖专家经验的问题；

(3)滚动轴承的退化过程具有明显的时序性，因此本发明将LSTM应用于该问题中将有效的学习特征中的时序信息，在LSTM层之后加入注意力机制来建立输入时间序列之间的长距离依赖关系，通过权重计算的方式获取到轴承振动信号数据中不同的权重，从而能够突显出轴承振动信号数据中更加重要的信息，提高轴承剩余使用寿命模型预测效果。因此，基于深度学习领域，本发明构建的CNN-AT-LSTM模型同时具有多尺度特征提取和时序关系处理特性的网络模型，对处理时间序列数据有着优越性，解决了时间序列中的长期依赖问题，可用于剩余寿命预测的多特性预测模型；

(4)采用本发明方法可以对滚动轴承的工作状态进行有效监测，及时有效准确地预测滚动轴承RUL，同时可以保障机械设备能够安全可靠高效运行，延长设备工作周期，及时更换设备，避免巨大经济损失。

附图说明

图1为本发明的轴承振动信号降噪的流程示意图；

图2为本发明的轴承剩余使用寿命预测方法的流程示意图。

具体实施方式

现结合附图和实施例进一步阐述本发明的技术方案。

本实施例按照图1所示的方法对轴承剩余使用寿命，包括以下步骤：

步骤1：获取实验数据集：本实施例使用的振动时域信号来自西安交大-昇阳科技联合实验室发布的滚动轴承加速寿命实验数据集(XJTU-SY轴承数据集)作为本实施例的实验数据，该数据包含15个滚动轴承在加速退化实验中所获取的运行至失效的全寿命周期振动监测信号。其中，在轴承的水平位置和垂直位置分别安装两个加速度计传感器，监测轴承的振动。试验中设置采样频率为25.6kHz，采样间隔为1min，每次采样时长为1.28s。所提供的数据集共包括了三种不同的工况，在每种工况下各对五组不同的轴承开展了加速退化实验，且采集了对应的运行至失效的振动监测信号，三种工况分别为：(1)转速：2100rpm(35Hz)，径向力：12kN；(2)转速：2250rpm(37.5Hz)，径向力：11kN；(3)转速：2400rpm(40Hz)，径向力：10kN。

步骤2：采用基于自适应白噪声的完整集成经验模态分解方法(CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)与改进小波阀值相结合的方法，对获取的轴承振动信号数据进行降噪处理，消除背景噪声并保留有效的滚动轴承信号，以排除背景噪声信号对滚动轴承RUL预测的干扰；具体步骤包括：

S210：对原始信号进行CEEMDAN分解得到n个本征模态IMF分量和一个残余序列；设E_j(·)为第j次EMD分解得到的IMF分量，Wⁱ是添加的第i次高斯白噪声，IMF_k定义为CEEMDAN分解得到的第k个IMF分量，分解步骤如下：

S211：往原始信号X(t)中加入m次等长度的高斯白噪声W(t)～N(0,1)，得到X′_i(t)＝X(t)+ε₀Wⁱ(t)，其中，i＝1,2,3,...,m，ε₀是自适应系数。使用EMD对每个X′_i(t)分解，直到得到第一个IMF分量，则第一个IMF分量可以表示为：

S212：当k＝1时，计算第一个余量R₁(t)＝X(t)-IMF₁，使用EMD分解R₁(t)+ε₁E₁(Wⁱ(t))，直到得到第一个IMF分量，则CEEMDAN分解得到的第二个IMF分量定义为：

S213：当k＝2,3,...,K时，计算第k个余量R_k(t)＝R_k-1(t)-IMF_k，使得EMD分解R_k(t)+ε_kE_k(Wⁱ(t))，直到得到第一个IMF分量，则CEEMDAN分量得到的第k+1个IMF分量可以定义为：

S214：重复S213直到余量不能在分解，即余量最多只有一个极值，则最后的余量可以定义为：

即原时间序列信号可以分解为：

S220：使用排列熵来衡量轴承振动信号的含噪程度，通过计算每个IMF的排列熵将含噪较多的高频IMF和含噪较少的低频IMF区分。

S230：对含噪较多的高频IMF分量进行改进小波阈值降噪。

改进小波阈值降噪的阈值函数为：

其中，T₁和T₂为阀值，T₂＝aT₁，阈值函数的改变可以通过对a的调整来实现，T₁由下式计算得到：

其中，N为采样点数，σ为第k层噪声的标准差，按下式估算获得：

其中，median(|x|)表示取第k层分解小波系数绝对值的中值。

S240：将改进小波阀值降噪后的高频IMF分量与含噪较少的低频IMF分量进行信号重构。

S250：输出重构后的信号作为最终的降噪结果。

其中，IMF_i′表示降噪后的第i个本征模函数IMF，P是高频IMF和低频IMF分界点，K是使用CEEMDAN分解得到的IMF数量，R(t)是余量。

步骤3：为克服人为地从振动信号中提取时域、频域和时频域等特征指标，存在主观经验的依赖，特征提取能力较弱，限制了预测模型的训练，本步骤利用一维CNN其强大的特征自学习能力从经过降噪处理后的振动信号中挖掘反映退化性能的特征，减少对人工处理信号和依赖有经验人员手动特征提取。

利用CNN的卷积操作、局部链接、权值共享特性自动提取数据局部抽象信息以挖掘深层特征。经大量实验，该网络模型主要由以下几个部分组成：5个卷积层、5个池化层、3个LSTM层，其中激活函数选用ReLU。加入dropout防止过拟合，经多次实验设置为0.5。为提高模型计算效率，实验选取尺寸大小为256的小批量样本进行训练。在多层CNN中，采用一维卷积核。

卷积层运算如下所示：

式中：

为第l层的第i个卷积核的第j′个权值，

为第l层中第j个被卷积的局部区域，*代表卷积运算，W为卷积核宽度。

激活层：使用ReLu激活函数对每一个卷积输出的y^l(i,j)进行非线性变换，具体表述如下所示：

其中，y^l(i,j)为卷积层输出值，f(·)为激活函数ReLU，a^l(i,j)为y^l(i,j)经ReLU激活函数得到的激活值；

池化层：采用最大值池化进行降采样操作以最小化网络参数，并获取深层特征，最大值池化的数学描述如下所示：

其中，a^l(i,j)为第l层第i个特征映射的第t个神经元输出的激活值，V为池化区域宽度，p^l(i,j)为池化层输出值。

设定经过降噪处理后的振动信号X，一维卷积特征映射可表示为：

式中，*表示卷积操作，k为第k层网络，W为卷积核，

为第k层输出。g为非线性激活函数ReLU。

步骤4：将获取到的深层特征输入到AT-LSTM神经网络中，并根据寿命百分比，构建趋势性量化健康指标，搭建轴承剩余使用寿命预测模型，对滚动轴承的剩余使用寿命进行预测。

在本步骤中，在LSTM层之后加入注意力机制来建立输入时间序列之间的长距离依赖关系，来“动态”地生成不同连接的权重，从而处理变长的信息序列。在传统的LSTM网络中，通常使用最后一个时刻的输出来计算输出向量，即下一层神经网络的输入向量，但是这种方法损失了其他时刻LSTM层的输出信息。在改进的添加注意力机制的网络中，将LSTM层的所有输出都输入到注意力层中，通过对其加权求和得到新的输出向量，作为下一层神经网络的输入向量。

LSTM网络中LSTM记忆单元的构建过程如下：

LSTM网络在隐藏层引入了一组记忆单元，其包括三个门控制器：输入门i、遗忘门f和输出门o，允许网络可学习何时遗忘历史信息，何时用新信息更新记忆单元；LSTM记忆单元通过三个“门”的作用控制时间序列中信息的流动捕获序列中的长期依赖信息，有效地处理序列数据；其计算更新状态的步骤：

临时记忆状态信息

在更新记忆单元c_t之前，会先产生临时的记忆单元

是由当前时刻t输入的深层特征x_t以及上一时刻t-1的隐藏层单元输出健康指标h_t-1共同作用，分别与各自权重矩阵线性组合，得到当前时刻候选记忆单元值，更新记忆单元状态信息：

计算输入门的值i_t，输入门控制当前深层特征数据输入对记忆单元状态值的影响；

i_t＝σ(W_xx_t+W_hih_t+b_i) (14)

计算遗忘门的值f_t，遗忘门控制历史信息对当前记忆单元状态值的影响；

f_t＝σ(W_xfxt+W_hfh_t-1+b_f) (15)

计算当前时刻记忆单元状态值c_t

其中，

表示逐点乘积，记忆单元状态更新取决于上一时刻的单元值c_t-1和当前候选记忆单元值

并通过遗忘门和输入门分别对这两部分进行调节；

计算输出门的值o_t，输出门控制记忆单元状态值的输出：

o_t＝σ(W_xox_t+W_hoh_t-1+b_o) (17)

LSTM单元记忆输出h_t：

h_t＝o_ttanh(c_t) (18)

其中，W_xc、W_xi、W_xf、W_xo分别为在时刻t的输入层和隐藏层h_t间的权重值，W_hc、W_hi、W_hf、W_ho分别是在时刻t-1与时刻t之间的隐藏层权重值，b_c、b_i、b_f、b_o分别为输入节点、输入门、遗忘门、输出门的偏置，h_t-1为网络前一时刻的输出，σ为sigmoid函数，取值为(0,1)。

假定一个在每个时间步隐藏层状态为h_t的模型，基于注意力机制的模型计算过程如下：

(1)计算给定h_t值和目标状态s_t-1相似度，即每个t时刻状态h_t的权重：

e_ti＝a(s_t-1,h_t) (19)

(2)归一化权重系数a_ti：

(3)对状态h_t加权平均：

对测试集中不同工况的全寿时域振动信号经S2降噪处理后，结合步骤S3、S4构建的模型，获取预测数据，判断当前构建的模型是否满足要求，若满足要求，则可将当前模型用于轴承剩余使用寿命预测，若不满足要求，则调整训练过程及数据，直至满足要求。

Claims (2)

1.一种基于CNN-AT-LSTM的滚动轴承剩余使用寿命预测方法，其特征在于：包括以下步骤：

步骤1：获取轴承振动信号；

步骤2：对获取的轴承振动信号进行降噪处理；

步骤3：采用训练后的CNN网络模型，从经过降噪处理后的振动信号中挖掘反映退化性能的深层特征；

步骤4：将步骤3获取到的深层特征输入至训练后的AT-LSTM神经网络中，得到轴承剩余使用寿命的预测结果；

步骤2中，采用CEEMDAN与小波阀值相结合的方法，对获取的轴承振动信号进行降噪处理，具体包括以下步骤：

S210：对获取的轴承振动信号进行CEEMDAN分解得到n个本征模态IMF分量和一个余量序列；

式中，IMF_j表示第j个本征模态，K表示IMF数量，R(t)表示余量；

S220：通过计算每个IMF的排列熵将高频IMF和低频IMF区分；

S230：对高频IMF分量进行小波阈值降噪；

S240：将降噪后的高频IMF分量与低频IMF分量进行信号重构；

S250：输出重构后的信号作为最终的降噪结果：

其中，IMF_i′表示降噪后的第i个本征模态IMF分量，P是高频IMF和低频IMF分界点；其中，S230中的小波阈值降噪的阈值函数表示为：

其中，T₁和T₂为阈值，T₂＝aT₁，阈值函数的改变通过对a的调整来实现，T₁由下式计算得到：

其中，N为采样点数，σ为第k层噪声的标准差，按下式估算获得：

其中，median(|x|)表示取第k层分解小波系数绝对值的中值；

所述的AT-LSTM神经网络为在LSTM层之后加入注意力层来建立输入时间序列之间的长距离依赖关系的基于注意力机制的模型，将LSTM层的所有输出都输入到注意力层中，通过对LSTM层的所有输出加权求和得到新的输出向量；

所述AT-LSTM神经网络的计算过程表示如下：

计算给定LSTM层的输出h_i和目标状态s_t-1，计算两者的相似度，作为t时刻状态h_i的权重：

e_ti＝a(s_t-1,h_i) (19)

归一化权重系数a_ti：

对状态h_i加权平均：

2.根据权利要求1所述的一种基于CNN-AT-LSTM的滚动轴承剩余使用寿命预测方法，其特征在于：在CNN网络模型中，设定经过降噪处理后的振动信号X，一维卷积特征映射可表示为：

式中，*表示卷积操作，k为第k层网络，W为卷积核，

为第k层输出，g为非线性激活函数ReLU。

Images