CN114547795A - 一种基于数据驱动的滚动轴承剩余寿命预测方法 - Google Patents

一种基于数据驱动的滚动轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN114547795A
CN114547795A CN202210158457.XA CN202210158457A CN114547795A CN 114547795 A CN114547795 A CN 114547795A CN 202210158457 A CN202210158457 A CN 202210158457A CN 114547795 A CN114547795 A CN 114547795A
Authority
CN
China
Prior art keywords
layer
rolling bearing
wavelet packet
bearing
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.)
Pending
Application number
CN202210158457.XA
Other languages
English (en)
Inventor
蒋全胜
许伟洋
沈晔湖
朱其新
朱俊俊
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.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
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 Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN202210158457.XA priority Critical patent/CN114547795A/zh
Publication of CN114547795A publication Critical patent/CN114547795A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

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

Abstract

本发明涉及一种基于数据驱动的滚动轴承剩余寿命预测方法，包括如下步骤：获取轴承振动信号，作为数据集；建立网络学习模型，网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；将数据集中的样本分为训练集和测试集，将训练集作为输入训练网络学习模型，得到预测模型；基于预测模型，预测滚动轴承的剩余使用寿命。本发明首先利用小波包分解和动态加权法，实现对轴承退化的表征信息进行有效筛选；再利用CNN强大的特征提取能力提取滚动轴承低维退化特征，并利用LSTM进一步提取其高维退化特征；最后建立轴承退化特征信息与剩余使用寿命之间的映射关联来实现回归预测，训练效率高、预测精度高。

Description

一种基于数据驱动的滚动轴承剩余寿命预测方法
技术领域
本发明涉及滚动轴承寿命预测领域，尤其涉及一种基于数据驱动的滚动轴承剩余寿命预测方法。
背景技术
作为旋转机械中的重要部件，滚动轴承的健康状况直接关系到整个旋转机械的工作状态。据统计，在使用滚动轴承的工业旋转机械装备中，约51％的机械故障与轴承损伤相关联。一旦轴承发生故障，会严重影响机械系统的安全性，甚至造成严重的经济损失。因此，滚动轴承剩余使用寿命(Remaining Useful Life，RUL)预测是设备运维的重要保障，利用预测的RUL可以进行合理维护，从而避免重大安全事故发生。
滚动轴承的振动信号包含丰富的轴承退化状态信息，基于振动信号的轴承RUL预测方法主要有基于模型的方法和基于数据驱动的方法。基于模型的方法一般依赖于系统退化的数学描述，需要根据准确而具体的关于系统退化或损伤传播过程的物理知识来建立物理模型，而这些知识通常难以获取。数据驱动方法主要采用机器学习和深度学习技术，利用测量数据揭示机械系统的动态特性。近年来，深度学习方法已被成功应用于估计RUL。数据驱动的预测方法不依赖于轴承的物理参数和工作条件，需要较少的经验知识，在实际工程中有广阔的发展前景。但是，现有的基于数据驱动的滚动轴承RUL预测中存在的不能有效提取对轴承退化过程敏感的特征信息，从而导致RUL预测精度不足和训练模型时间长的问题，没有得到很好地解决。
发明内容
本发明提供一种基于数据驱动的滚动轴承剩余寿命预测方法，以解决上述技术问题。
为解决上述技术问题，本发明提供一种基于数据驱动的滚动轴承剩余寿命预测方法，包括如下步骤：
获取轴承振动信号，作为数据集；
建立网络学习模型，所述网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；
将所述数据集中的样本分为训练集和测试集，将所述训练集作为输入训练所述网络学习模型，得到预测模型；
基于所述预测模型，预测滚动轴承的剩余使用寿命。
较佳地，所述小波包分解层用于：
对长度为N的轴承振动信号进行三层小波包分解，将分解得到的每个子频带的系数分别作为一列，构建一个
Figure BDA0003513655320000025
的小波包系数矩阵。
较佳地，所述动态加权层用于：
构建逐列加权层为所述小波包系数矩阵中的不同小波包系数赋予可训练的权重；
选取相关性、鲁棒性和峭度作为所述小波包系数矩阵的权重加权评判依据；
根据相关性指标、鲁棒性指标和峭度指标计算所述权重的表达式：
Figure BDA0003513655320000021
其中，Wj表示小波包加权系数矩阵中第j列的初始权重，其中初始权重中α,β,γ均为随机值，且
Figure BDA0003513655320000022
Corr(G,Gt-x)为相关性指标、Rob(G)为鲁棒性指标、K(G)为峭度指标，
Figure BDA0003513655320000023
和
Figure BDA0003513655320000024
分别表示8个子频带小波包系数中相关性值的总和、鲁棒性值的总和以及峭度值的总和。
较佳地，所述权重在训练开始前被设置为随机初始权重，在训练过程中采用随机梯度下降法对权重W的内部参数α,β,γ进行动态调整。
较佳地，所述卷积神经网络层包括卷积层和池化层，所述卷积层用于对所述动态加权层的输出进行卷积操作，卷积过程的数学表达式如下：
Figure BDA0003513655320000031
其中，xi为当前层的输入特征；xi+1表示卷积计算后得到的特征；
Figure BDA0003513655320000032
表示卷积运算符；Wi表示卷积核权重；bi为偏置；
所述池化层用于对卷积层的输出特征进行池化操作，其表达式如下：
max-pooling(g[i-1],g[i],g[i+1])
＝max(g[i-1],g[i],g[i+1])
其中，max-pooling为最大池化；g[i]为第i个张量；g[i-1]为第i-1个张量；g[i+1]为第i+1个张量；max(·)表示取最大值。
较佳地，所述长短时记忆网络层包括两个长短时记忆网络单元，每个长短时记忆网络单元包括遗忘门kt、输入门it和输出门ot，各门的更新公式如下：
Figure BDA0003513655320000033
Figure BDA0003513655320000034
ht＝ot⊙tan h(ct)
其中，ct-1为上一步的单元状态，ht-1为先前隐藏状态的输出值，xt为当前长短时记忆网络单元的输入，ct为更新后的单元状态，ht为当前隐藏状态的输出值，
Figure BDA0003513655320000035
是通过非线性函数得到候选状态，W和b为网络参数。
较佳地，所述输出层依次包括一个展平层、两个全连接层和一个映射输出层。
与现有技术相比，本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法具有如下优点：
1、本发明提出一种小波包系数矩阵动态加权算法，用于构建小波包分解层和动态加权层，对轴承振动信号进行小波包分解，提取小波包系数矩阵，结合相关评价指标通过动态加权的方式能够对轴承退化的表征信息进行有效筛选；
2、本发明在动态加权层的基础上，结合卷积神经网络强大的特征提取能力及长短时记忆网络善于预测时间信息序列的优势，实现了一种端到端的用于滚动轴承RUL预测的方法，提高了滚动轴承剩余寿命预测的精度；
3、本发明能够自适应调整不同子频带的小波系数在寿命预测中的权重，进一步提高了滚动轴承RUL预测精度。
附图说明
图1为本发明一具体实施方式中基于数据驱动的滚动轴承剩余寿命预测方法的流程示意图；
图2为本发明一具体实施方式中基于数据驱动的滚动轴承剩余寿命预测方法中动态加权的过程示意图；
图3为本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法与其他预测方法的模型训练时间对比图；
图4为1号轴承分别采用本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法与其他预测方法得到的寿命预测曲线拟合结果；
图5为2号轴承分别采用本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法与其他预测方法得到的寿命预测曲线拟合结果；
图6为3号轴承分别采用本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法与其他预测方法得到的寿命预测曲线拟合结果。
具体实施方式
为了更详尽的表述上述发明的技术方案，以下列举出具体的实施例来证明技术效果；需要强调的是，这些实施例用于说明本发明而不限于限制本发明的范围。
本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法，如图1所示，包括如下步骤：
获取轴承振动信号，作为数据集；
建立网络学习模型，所述网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；
将所述数据集在的样本分为训练集和测试集，将所述训练集作为输入训练所述网络学习模型，得到预测模型；
基于所述预测模型，预测滚动轴承的剩余使用寿命。
本发明首先利用小波包分解和动态加权(DW)，实现对轴承退化的表征信息进行有效筛选；再利用CNN强大的特征提取能力提取低维退化特征，利用LSTM进一步提取其高维退化特征；最后建立轴承退化特征信息与剩余寿命之间的映射关联来实现回归预测。上述方法能够提高网络学习模型的训练效率和滚动轴承RUL预测的精度。
在基于振动信号的滚动轴承寿命预测中，各种振动频率成分常交织在一起，其包含了能反映轴承退化趋势的信息，也包含背景噪声等干扰或冗余信息，这给轴承退化过程中的退化特征提取带来了困难。小波包分解算法是一种在小波变换的基础上演变而来的时频分析方法，对信号的低频和高频部分都进行分解，具有很好的时频局部化分析能力，目前小波包分解在轴承、齿轮和发动机的运维和健康管理等方面被广泛应用。
本发明采用小波包分解对轴承振动信号进行时频域变换，将变换所得多条频带结果通过动态加权对能表征轴承退化的信息进行有效筛选。
具体地，所述小波包分解层用于：
对长度为N的轴承振动信号进行三层小波包分解，将分解得到的每个子频带的系数分别作为一列，构建一个
Figure BDA0003513655320000051
的小波包系数矩阵。
不同子频带包含的轴承退化信息也不同，有能反映轴承退化趋势的信息，也有部分的冗余信息。针对小波包系数矩阵的这一特点，本发明在小波包分解层的基础上增加了动态加权层。
具体地，所述动态加权层用于：
构建逐列加权层为所述小波包系数矩阵中的不同小波包系数赋予可训练的权重，提取不同子频带信息以增强对轴承振动信号的特征学习能力。
在滚动轴承的全寿命周期中，其退化特征量对于相关性、鲁棒性、峭度等指标较为敏感，因此本发明选取这3项指标作为小波包系数矩阵的权重加权评判依据。相关性可度量时序性信号之间随着时间变化的相关程度；鲁棒性可表征信号序列的抗干扰及抗噪声能力；峭度对信号中的冲击性趋势变化较敏感，能较好表征信号对退化趋势的敏感性。
对于信号G＝[g(t1),g(t2),…,g(tN)]，g(tN)表示时间为tN处的对应特征点，N为样本总长度。这里相关性指标记为Corr(G,Gt-x)、鲁棒性指标记为Rob(G)、峭度指标记为K(G)。该3项指标计算如下：
Figure BDA0003513655320000061
Figure BDA0003513655320000062
Figure BDA0003513655320000063
其中，式(1)中Gt-x表示信号G序列前移x项生成的序列；式(2)中g(tN)＝gT(tN)+gR(tN)表示用滑动平均法将信号g(tN)分解成平稳趋势gT(tN)和随机余量gR(tN)；式(3)中SD表示信号G的标准差。
根据相关性指标、鲁棒性指标和峭度指标计算所述权重的表达式：
Figure BDA0003513655320000064
其中，Wj表示小波包加权系数矩阵中第j列的初始权重，其中初始权重中α,β,γ均为随机值，且
Figure BDA0003513655320000065
和
Figure BDA0003513655320000066
分别表示8个子频带小波包系数中相关性值的总和、鲁棒性值的总和以及峭度值的总和。
较佳地，所述权重在训练开始前被设置为随机初始权重，在训练过程中采用随机梯度下降法对权重W的内部参数α,β,γ进行动态调整，以达到更新权重的效果。具体地，所述权重在训练过程中与其他参数一起进行训练，以自适应的调整不同子频带的小波系数在寿命预测中的重要程度，进而实现了对不同子频带的信息进行动态加权，加权过程如图2所示，其中Wj表示第j列的独立权重。
在加权过程中，特征图的各列分别乘以对应的独立权值，可表示为：
Figure BDA0003513655320000071
其中，
Figure BDA0003513655320000072
表示第l-1层特征图中某一通道的第i行第j列元素，
Figure BDA0003513655320000073
表示对第l层的第j列元素所赋予的权重，
Figure BDA0003513655320000074
为对应的输出。上述权重在训练开始前被设置为随机初始权重，在训练过程中采用随机梯度下降法对权重W的内部参数α,β,γ进行动态调整。结合公式(4)和公式(6)可表达权值更新过程。
Figure BDA0003513655320000075
式(6)中，α,β,γ分别表示需要动态更新的权重内部参数，ξ表示学习率，E表示所构建网络中全连接输出层的均方根误差函数。
卷积神经网络(Convolutional Neural Networks,CNN)作为一种典型的深度学习方法，具有强大的特征提取能力。利用CNN可以对构建的加权小波包系数矩阵提取出对轴承退化过程敏感的特征集。
较佳地，所述卷积神经网络层包括卷积层和池化层，由卷积层和池化层结构相堆叠组成，所述卷积层用于对所述动态加权层的输出进行卷积操作，加上偏置后再通过激活函数得到一系列特征输出，卷积过程的数学表达式如下：
Figure BDA0003513655320000076
其中，xi为当前层的输入特征；xi+1表示卷积计算后得到的特征；
Figure BDA0003513655320000077
表示卷积运算符；Wi表示卷积核权重；bi为偏置。
所述池化层用于对卷积层的输出特征进行池化操作，用不同特征区域的总体统计特征来代替网络的相应输出。池化的主要目的是对数据特征进行子采样，保持特征尺度不变性的前提下减小数据量，以减小过拟合的风险。最大值池化是卷积神经网络中一种常见的池化方式，其表达式如下：
max-pooling(g[i-1],g[i],g[i+1])
＝max(g[i-1], g[i], g[i+1]) (8)
其中，max-pooling为最大池化；g[i]为第i个张量；g[i-1]为第i-1个张量；g[i+1]为第i+1个张量；max(·)表示取最大值。
长短时记忆网络(Long Short-Term Memory,LSTM)作为一种典型的循环神经网络，可解决一般循环神经网络存在的长期依赖问题。LSTM网络通过门结构来获取长时间窗中的依赖关系，网络中的激活函数实现短期记忆，权重的更新用于长时记忆。通过引入一个新的内部状态ct专门进行线性的循环信息传递，同时将非线性的信息输出给隐藏层的外部状态ht。
LSTM的核心是单元状态，它沿时间序列传输相关信息，本发明中的所述长短时记忆网络层包括两个长短时记忆网络单元，两个长短时记忆网络单元之间还有一个Dropout层，Dropout层可以有效的缓解过拟合的发生，在一定程度上达到正则化的效果；每个长短时记忆网络单元包括遗忘门kt、输入门it和输出门ot，各门的更新公式如下：
Figure BDA0003513655320000081
Figure BDA0003513655320000082
ht＝ot⊙tan h(ct) (11)
其中，ct-1为上一步的单元状态，ht-1为先前隐藏状态的输出值，xt为当前长短时记忆网络单元的输入，ct为更新后的单元状态，ht为当前隐藏状态的输出值，
Figure BDA0003513655320000083
是通过非线性函数得到候选状态，W和b为网络参数。
较佳地，所述输出层依次包括一个展平层、两个全连接层和一个映射输出层。
基于上述DW-CNN-LSTM模型的滚动轴承剩余寿命预测方法的具体实现步骤如下：
(1)将滚动轴承振动信号划分为训练样本集、验证样本集和测试样本集，构建网络训练所需的数据库。
(2)构建DW-CNN-LSTM模型的网络结构(如图1所示)，确定网络结构中的各项参数。
(3)训练基于DW-CNN-LSTM模型，得到的滚动轴承RUL预测模型：以轴承振动信号作为DW-CNN-LSTM模型的输入，按照式(12)以数据采样点的当前剩余寿命占全寿命周期的百分比yn为标签，并采用梯度下降法对模型小波包系数矩阵的权重和偏置进行训练更新。
Figure BDA0003513655320000091
式(12)中，T为滚动轴承总寿命周期，tn为第n个数据点对应的轴承工作时间。
(4)应用DW-CNN-LSTM模型进行滚动轴承寿命预测：将轴承振动信号作为训练好的预测模型的输入，进行前向传播计算，以获得轴承退化特征信息与预测点剩余寿命百分比之间的映射关联。由DW-CNN-LSTM模型全连接层得到预测点剩余寿命百分比，结合式(13)计算得到预测点的轴承RUL在模型的映射输出层输出。
Figure BDA0003513655320000092
式(13)中，tn为第n个数据点对应的轴承工作时间，yn为预测模型预测出的第n个数据点当前剩余寿命所占全寿命周期的百分比，RULn为所预测第n个数据点的剩余使用寿命。
为了验证本发明所提方法的有效性，本申请采用均方根误差(RMSE)和Accuracy作为RUL评价指标。其中RMSE能准确反映预测值和真实值之间的平均偏离程度，RMSE越低表明模型性能越好；Accuracy表示RUL预测准确率。RMSE和Accuracy计算如下：
Figure BDA0003513655320000093
Figure BDA0003513655320000094
其中，hi为第i个时间点的预测误差值，hi＝预测剩余寿命-真实剩余寿命；N为总时间点数。
定义A方法相对于B方法的相对均方根误差和预测准确度的计算公式如下：
Figure BDA0003513655320000101
Figure BDA0003513655320000102
为了验证所提滚动轴承RUL预测方法的有效性，基于TensorFlow环境建立DW-CNN-LSTM网络模型，分别采用XJTU-SY轴承数据集和IMS轴承数据集进行实验，并与LSTM等4种典型数据驱动预测方法进行性能对比。计算机的硬件配置为：Intel Core i7-10700，GeForceGTX1660 SUPER，16GB RAM。
本组实验选取自XJTU-SY滚动轴承加速寿命试验数据集。该数据采集于型号为LDKUER204的轴承在转速为2100r/min，径向载荷为12KN的工况下的五个轴承振动信号。试验中设置采样频率为25.6kHz，采样时长为1.28s，采样间隔为1min。选取4、5号轴承用于模型的训练，1、2、3号轴承用于模型的性能测试。该工况下前四个轴承总寿命相近，均在2小时30分左右，5号轴承总寿命相对较短，大约在1小时左右。
首先对上述轴承全寿命周期振动信号进行数据集样本划分。将4、5号轴承全寿命周期的数据进行等比抽样70％划分为训练集，等比抽样30％划分为验证集来训练模型以及调整模型的超参。再将1、2、3号轴承全寿命周期的数据进行等比抽样30％划分为测试集。以数据采样点的当前剩余寿命占全寿命周期的百分比为标签对每个样本进行标注。实验所用数据信息如表1所示。
表1 XJTU-SY轴承数据集属性
轴承类型 全样本总数 训练集 验证集 测试集
Bearing 1 12300 0 0 3690
Bearing 2 16100 0 0 4830
Bearing 3 15800 0 0 4740
Bearing 4 12200 8540 3660 0
Bearing 5 5200 3640 1560 0
选取GRU(门循环单元)和LSTM两个经典寿命预测模型，以及全卷积层神经网络模型和双通道网络模型，与本文所提DW-CNN-LSTM模型进行预测性能对比。此外，为进一步验证本文所提动态加权方法的性能，采用W-CNN-LSTM模型(即：在不改变网络的主体构架下，只使用随机初始权重不进行动态加权)进行对比。对这6种预测方法均进行200轮训练来完成轴承寿命预测，实验结果如表2所示，图3给出了应用上述6种RUL预测方法的寿命预测结果。
表2 XJTU-SY轴承数据预测结果
Figure BDA0003513655320000111
结合表2和图3可知，全卷积层神经网络模型的训练耗时相对最少，但是预测精度不佳；而双通道网络模型预测精度较高，但训练耗时最高。设置的对照组W-CNN-LSTM模型预测精度远低于DW-CNN-LSTM模型，显示出动态加权的必要性。同时，所提DW-CNN-LSTM模型在训练耗时上仅略高于全卷积层神经网络模型，但取得的预测精度最高。由图4、5、6可知，其中采用6种方法预测的RUL曲线与真实RUL曲线在前期的拟合上都存在波动，但是DW-CNN-LSTM方法相对波动最小，同时以最快的加速度达到稳定，且最终与真实RUL曲线拟合效果最好。该结果可直观表明，所提DW-CNN-LSTM方法相比于另5种方法，取得了最优的寿命预测结果。
综合上述实验结果易见，本发明提出的DW-CNN-LSTM方法在对XJTU-SY轴承数据实验上，相比于经典LSTM方法，获得的预测均方根误差指标平均降低了60.77％，预测准确度平均提高了8.48％，模型训练时间平均减少了41.62％。与其他5种数据驱动方法相比，本发明所提方法获得的均方根误差最低，预测准确率最高，轴承剩余寿命预测曲线与真实剩余寿命曲线最接近，进而表明了所提方法在滚动轴承寿命预测中的有效性。
综上所述，本发明提供的基于数据驱动的滚动轴承剩余寿命预测方法，包括如下步骤：获取轴承振动信号，作为数据集；建立网络学习模型，所述网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；将所述数据集中的样本分为训练集和测试集，将所述训练集作为输入训练所述网络学习模型，得到预测模型；基于所述预测模型，预测滚动轴承的剩余使用寿命。本发明以轴承振动信号作为输入，将其进行小波包分解得到小波包系数矩阵，再由动态加权层进行动态加权重构，然后结合CNN快速高效的特征提取能力以及LSTM强大的时间序列预测优势，构建了DW-CNN-LSTM模型，利用其学习出对轴承退化过程敏感的特征集，最后提取出有效的退化特征信息，形成复合信息特征图，最终刻画出轴承退化特征信息与剩余寿命之间的映射特征，以达到提高滚动轴承RUL预测精度的目的。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (7)

1.一种基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，包括如下步骤：
获取轴承振动信号，作为数据集；
建立网络学习模型，所述网络学习模型依次包括小波包分解层、动态加权层、卷积神经网络层、长短时记忆网络层以及输出层；
将所述数据集中的样本分为训练集和测试集，将所述训练集作为输入训练所述网络学习模型，得到预测模型；
基于所述预测模型，预测滚动轴承的剩余使用寿命。
2.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述小波包分解层用于：
对长度为N的轴承振动信号进行三层小波包分解，将分解得到的每个子频带的系数分别作为一列，构建一个
Figure FDA0003513655310000011
的小波包系数矩阵。
3.如权利要求2所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述动态加权层用于：
构建逐列加权层为所述小波包系数矩阵中的不同小波包系数赋予可训练的权重；
选取相关性、鲁棒性和峭度作为所述小波包系数矩阵的权重加权评判依据；
根据相关性指标、鲁棒性指标和峭度指标计算所述权重的表达式：
Figure FDA0003513655310000012
其中，Wj表示小波包加权系数矩阵中第j列的初始权重，其中初始权重中α,β,γ均为随机值，且
Figure FDA0003513655310000013
Corr(G,Gt-x)为相关性指标、Rob(G)为鲁棒性指标、K(G)为峭度指标，
Figure FDA0003513655310000014
和
Figure FDA0003513655310000015
分别表示8个子频带小波包系数中相关性值的总和、鲁棒性值的总和以及峭度值的总和。
4.如权利要求3所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述权重在训练开始前被设置为随机初始权重，在训练过程中采用随机梯度下降法对权重W的内部参数α,β,γ进行动态调整。
5.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述卷积神经网络层包括卷积层和池化层，所述卷积层用于对所述动态加权层的输出进行卷积操作，卷积过程的数学表达式如下：
Figure FDA0003513655310000021
其中，xi为当前层的输入特征；xi+1表示卷积计算后得到的特征；
Figure FDA0003513655310000022
表示卷积运算符；Wi表示卷积核权重；bi为偏置；
所述池化层用于对卷积层的输出特征进行池化操作，其表达式如下：
max-pooling(g[i-1],g[i],g[i+1])
＝max(g[i-1],g[i],g[i+1])
其中，max-pooling为最大池化；g[i]为第i个张量；g[i-1]为第i-1个张量；g[i+1]为第i+1个张量；max(·)表示取最大值。
6.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述长短时记忆网络层包括两个长短时记忆网络单元，每个长短时记忆网络单元包括遗忘门kt、输入门it和输出门ot，各门的更新公式如下：
Figure FDA0003513655310000023
Figure FDA0003513655310000024
ht＝ot⊙tanh(ct)
其中，ct-1为上一步的单元状态，ht-1为先前隐藏状态的输出值，xt为当前长短时记忆网络单元的输入，ct为更新后的单元状态，ht为当前隐藏状态的输出值，
Figure FDA0003513655310000025
是通过非线性函数得到候选状态，W和b为网络参数。
7.如权利要求1所述的基于数据驱动的滚动轴承剩余寿命预测方法，其特征在于，所述输出层依次包括一个展平层、两个全连接层和一个映射输出层。
CN202210158457.XA 2022-02-21 2022-02-21 一种基于数据驱动的滚动轴承剩余寿命预测方法 Pending CN114547795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210158457.XA CN114547795A (zh) 2022-02-21 2022-02-21 一种基于数据驱动的滚动轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210158457.XA CN114547795A (zh) 2022-02-21 2022-02-21 一种基于数据驱动的滚动轴承剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN114547795A true CN114547795A (zh) 2022-05-27

Family

ID=81676711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210158457.XA Pending CN114547795A (zh) 2022-02-21 2022-02-21 一种基于数据驱动的滚动轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN114547795A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016068A (zh) * 2022-09-19 2023-04-25 西安电子科技大学 基于数据驱动的互频智能干预信号表示方法及系统
CN117272844A (zh) * 2023-11-22 2023-12-22 武汉宏联电线电缆有限公司 配电盘工作寿命的预测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016068A (zh) * 2022-09-19 2023-04-25 西安电子科技大学 基于数据驱动的互频智能干预信号表示方法及系统
CN116016068B (zh) * 2022-09-19 2023-08-11 西安电子科技大学 基于数据驱动的互频智能干预信号表示方法及系统
CN117272844A (zh) * 2023-11-22 2023-12-22 武汉宏联电线电缆有限公司 配电盘工作寿命的预测方法及系统
CN117272844B (zh) * 2023-11-22 2024-04-09 武汉宏联电线电缆有限公司 配电盘工作寿命的预测方法及系统

Similar Documents

Publication Publication Date Title
CN109726524B (zh) 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法
CN114547795A (zh) 一种基于数据驱动的滚动轴承剩余寿命预测方法
WO2018053935A1 (zh) 一种采用故障模式发生概率的动设备运行状态模糊评价及预测方法
CN109000930B (zh) 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法
CN110610035A (zh) 一种基于gru神经网络的滚动轴承剩余寿命预测方法
CN110555230B (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN113743016B (zh) 基于自编码器和回声状态网络的发动机剩余寿命预测方法
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN108734266A (zh) 深度神经网络模型的压缩方法及装置、终端、存储介质
CN111397901A (zh) 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法
CN111611744B (zh) 基于循环卷积网络及变分推理的滚动轴承寿命预测方法
CN112613226A (zh) 一种用于剩余寿命预测的特征增强方法
CN115017826B (zh) 一种装备剩余使用寿命预测方法
CN108734268A (zh) 深度神经网络模型的压缩方法及装置、终端、存储介质
CN114297918A (zh) 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法
CN112132102A (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN115422687A (zh) 一种滚动轴承的寿命预测方法
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN111783242A (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
Yun et al. Research on gas pressure regulator fault diagnosis based on deep confidence network (DBN) theory
CN112149355A (zh) 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法
CN116842358A (zh) 一种基于多尺度卷积和自适应特征融合的软测量建模方法
CN116304587A (zh) 一种基于cae和agru的滚动轴承退化趋势预测方法

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