CN114548152A - 一种基于迁移学习的船用滑动轴承剩余寿命预测方法 - Google Patents

一种基于迁移学习的船用滑动轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN114548152A
CN114548152A CN202210048864.5A CN202210048864A CN114548152A CN 114548152 A CN114548152 A CN 114548152A CN 202210048864 A CN202210048864 A CN 202210048864A CN 114548152 A CN114548152 A CN 114548152A
Authority
CN
China
Prior art keywords
domain
loss
sensor
residual life
feature
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
CN202210048864.5A
Other languages
English (en)
Inventor
丁宁
李虎林
颜康
吕昱昊
武宸亮
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210048864.5A priority Critical patent/CN114548152A/zh
Publication of CN114548152A publication Critical patent/CN114548152A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

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

Abstract

本发明提供了一种基于迁移学习的船用滑动轴承剩余寿命预测方法，包括：步骤1：开展不同材料船用滑动轴承抗咬合性能试验，采集整个退化过程中不同材料滑动轴承的多传感器信号数据；步骤2：进行时域和频域多传感器特征提取，形成多维多传感器特征向量，并进行归一化处理；步骤3：搭建迁移学习寿命预测模型，通过引入域分类损失、MMD损失和CORAL损失来缩小两个域之间的差异，采用RMSprop优化算法对剩余寿命预测模型进行迭代训练，最终输出目标域材料滑动轴承的剩余寿命预测结果。本发明缩小不同材料滑动轴承失效数据分布之间的一阶和二阶特征差异，同时提升寿命预测模型的通用性和预测精度。

Description

一种基于迁移学习的船用滑动轴承剩余寿命预测方法
技术领域
本发明涉及轴承剩余寿命预测技术领域，具体地，涉及一种基于迁移学习的船用滑动轴承剩余寿命预测方法。
背景技术
在船用柴油机中，滑动轴承起着支撑动载荷并将活塞的往复运动转化为曲轴的旋转运动的重要作用。在长期高循环动载荷的工作条件下，疲劳破坏是滑动轴承的一种常见损伤形式。此外，由于过大的循环动载荷导致的恶劣润滑状态会诱导瓦背温度突增，加剧滑动轴承的退化，严重时甚至发生滑动轴承抱轴、烧伤等重大故障。如果能准确预测轴承剩余使用寿命并追踪轴承的退化状态，就能够及时实现轴承的维护和更换，避免重大故障引起的经济损失。
随着传感器监测技术的兴起和迅速发展，使设备及部件剩余使用寿命可视化成为可能。当部件的性能退化机理不明确或难以建立具体准确的物理模型时，数据驱动方法应运而生。数据驱动模型能够在不依赖设备失效机理的条件下，融合具有较高容错性、互补性和实时性的多传感器信息进行特征分析，拥有优异的对复杂设备剩余寿命的判断和预测能力，已成为目前关注的焦点。基于数据驱动的寿命预测方法主要包括信号获取与传感技术、信号处理与特征提取、退化机理与征兆联系、退化状态识别分类与剩余寿命预测等几个方面。常用的传统机器学习模型包括支持向量机、支持向量回归、最小二乘支持向量机等。常用的深度学习模型包括自动编码器、卷积神经网络、循环神经网络等。而长短期记忆神经网络及其变体在解决消失梯度和有效处理长期依赖问题方面具有很大的优势。
专利文献CN112949097A(申请号：CN202110416141.1)公开了一种基于深度迁移学习的轴承剩余寿命预测模型，基于深度神经网络训练实现，所述预测模型包括：自适应特征提取模块和指标回归预测模块；自适应特征提取模块用于提取未标注的振动数据样本的自适应深度特征，并根据所述自适应深度特征衍生相对应的输入特征和标注标签；指标回归预测模块用于对所述输入特征标注用于体现剩余寿命的预测标签，指标回归预测模块基于相对应的输入特征和标注标签构成的训练样本进行训练。
尽管基于数据驱动的寿命预测方法已经表现出令人满意的性能，但仍然存在一定的局限性。在实际应用中，所使用的船用滑动轴承可能由不同性能材料加工而成。由于滑动轴承材料之间的抗疲劳性、抗咬合性、磨粒嵌藏性、顺应性等存在差异，受此影响不同材料滑动轴承的退化和失效数据可能位于不同的边际概率分布，并且针对每种材料滑动轴承均采集充足的失效样本量较为困难。然而，大多数数据驱动寿命预测方法需要大量的训练样本进行学习，并且假设训练样本和测试样本具有相同的域，忽略了两者之间分布差异对预测精度的影响。因此针对滑动轴承材料多样性且样本量积累不易的情况，很难获得鲁棒性好的寿命预测模型。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于迁移学习的船用滑动轴承剩余寿命预测方法。
根据本发明提供的基于迁移学习的船用滑动轴承剩余寿命预测方法，包括：
步骤1：在滑动轴承疲劳试验机上安装Y向和Z向加速度传感器、瓦背温度传感器、供油流量及供油压力传感器，开展不同材料船用滑动轴承抗咬合性能试验，并采集整个退化过程中不同材料滑动轴承振动、瓦背温度、供油流量及供油压力传感器信号数据；
步骤2：根据采集到的传感器信号数据进行时域和频域多传感器特征提取，形成多维多传感器特征向量，并进行归一化处理；
步骤3：根据多维多传感器特征向量获取对应的剩余寿命标签，将不同材料船用滑动轴承多传感器特征集分别作为源域数据集和目标域数据集，搭建基于域自适应的GRU-DNN迁移学习寿命预测模型，通过引入域分类损失、MMD损失和CORAL损失来缩小两个域之间的差异，采用RMSprop优化算法对剩余寿命预测模型进行迭代训练，最终输出目标域材料滑动轴承的剩余寿命预测结果。
优选的，对获得多维多传感器特征向量进行归一化处理，公式如下：
Figure BDA0003473661490000021
其中，SF(t)为t时刻对应的多维特征向量，SFmin和SFmax分别为多维特征向量中的最小值和最大值。
优选的，所述基于域自适应的GRU-DNN迁移学习寿命预测模型包括：
时序特征学习：通过滑动时间窗将源域和目标域的多维多传感器特征向量输送至GRU层，进一步提取更多的时序特征；
域自适应特征学习：利用最大平均偏差MMD来计算源域和目标域多维特征向量之间的一阶分布发散度，从而减小两个域之间的一阶分布差异；通过计算源域和目标域之间的协方差特征来最小化二阶分布差异，并匹配二阶统计信息。
优选的，所述基于域自适应的GRU-DNN迁移学习寿命预测模型包括：特征提取器、域自适应模块、回归模块和域分类器；
所述特征提取器包括GRU层和全连接层FFC1、FFC2；
所述域自适应模块包括MMD域自适应、CORAL域自适应；
所述域分类器包括一个全连接层DFC1和一个输出层DOL；
所述回归模块包括一个全连接层RFC1和一个输出层ROL；
首先将经过滑动时间窗处理的多维多传感器特征向量输入特征提取器学习时间和深度信息，随后将FFC2层输出的源域特征输入至回归模块，获得最终的剩余寿命预测结果，域分类器用于区分输入特征属于源域还是目标域，同时通过域自适应模块来减小从FFC2S层和FFC2T层提取的特征集的源域和目标域的分布差异。
优选的，在模型训练过程中，基于域自适应的GRU-DNN迁移学习寿命预测模型的损失目标函数包括：基于源域数据集的回归损失、域分类损失、域MMD损失和CORAL损失；
MMD损失表达式如下：
Figure BDA0003473661490000031
其中，NS和Nt分别表示源域和目标域特征样本的维度；i、j为序列号；k(·,·)表示核函数；xsi、xsj为源域的特征样本；xti、xtj为目标域的特征样本；
CORAL损失表达式如下：
Figure BDA0003473661490000032
其中，d为特征向量的维度；
Figure BDA0003473661490000033
为方阵Frobenius范数；CS和Ct均为协方差矩阵；
采用均方误差MSE作为回归损失来衡量预测剩余寿命标签与真实剩余寿命标签之间的误差，表达式为：
Figure BDA0003473661490000034
其中，m为训练集的批次大小；yi和
Figure BDA0003473661490000041
分别为真实剩余寿命标签和预测剩余寿命标签；
采用交叉熵损失作为域分类器损失来衡量源域和目标域特征样本的分类误差，表达式为：
Figure BDA0003473661490000042
其中，di和
Figure BDA0003473661490000043
分别为样本xi的实际域标签和预测域标签；
得到最终优化的损失目标函数，表达式为：
Ltotal＝Lregression-αLdomain+βLMMD+γLCORAL
其中，α，β，γ为正超参数，分别衡量域分类器损失、MMD损失和CORAL损失的权重；
以θf,θr,θd参数的形式改写为：
Ltotal(θf,θr,θd)＝Lregression(θf,θr)-αLdomain(θf,θd)+βLMMD(θf)+γLCORAL(θf)
通过搜索鞍点
Figure BDA0003473661490000044
来优化损失目标函数，则有：
Figure BDA0003473661490000045
Figure BDA0003473661490000046
采用RMSprop算法作为权值优化，更新网络参数：
Figure BDA0003473661490000047
Figure BDA0003473661490000048
Figure BDA0003473661490000049
其中，η为学习率。
与现有技术相比，本发明具有如下的有益效果：
本发明提出了一种针对不同材料船用滑动轴承的迁移学习寿命预测方法，通过搭建具有域自适应的GRU-DNN寿命预测模型，缩小不同材料滑动轴承失效数据分布之间的一阶和二阶特征差异，同时提升寿命预测模型的通用性和预测精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为一种针对不同材料船用滑动轴承的迁移学习寿命预测方法流程图；
图2为本发明方法模型结构示意图；
图3为白合金滑动轴承多传感器信号示意图；
图4为算例1目标域轴承#A1利用本发明方法的剩余寿命预测结果图；
图5为算例2目标域轴承#C1利用本发明方法的剩余寿命预测结果图；
图6为算例3目标域轴承#C2利用本发明方法的剩余寿命预测结果图；
图7为算例4目标域轴承#A2利用本发明方法的剩余寿命预测结果图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明针对实际应用中不同材料滑动轴承获取充足样本量较为困难，且不同材料滑动轴承失效样本之间存在分布差异性等问题，提出了一种针对不同材料船用滑动轴承的迁移学习寿命预测方法。
实施例1
根据本发明提供的一种针对不同材料船用滑动轴承的迁移学习寿命预测方法，如图1所示，该方法的实施流程包括：
步骤1，多传感器信号采集：
在滑动轴承疲劳试验机上安装Y向和Z向加速度传感器、瓦背温度传感器、供油流量及供油压力传感器，开展白合金、铝合金、铜合金等船用滑动轴承抗咬合性能试验，并采集整个退化过程中不同材料滑动轴承振动、瓦背温度、供油流量及供油压力等多传感器信号；
步骤2，多传感器特征提取：
根据所采集到的多传感器信号数据集进行时域和频域多传感器特征提取，形成多维多传感器特征向量，并对获得多维多传感器特征向量进行归一化处理；
步骤3，剩余寿命预测：
根据多维多传感器特征向量获取对应的剩余寿命标签。将白合金、铝合金、铜合金等不同材料船用滑动轴承多传感器特征集分别作为源域数据集和目标域数据集。搭建基于域自适应的GRU-DNN迁移学习寿命预测模型，通过引入域分类损失、MMD损失和CORAL损失三者结合损失来缩小两个域之间的差异，采用RMSprop优化算法对剩余寿命预测模型进行迭代训练，模型最终可以输出目标域材料滑动轴承的剩余寿命预测结果。
进一步地，所述步骤2包括：对获得多维多传感器特征向量进行归一化处理，其公式如下：
Figure BDA0003473661490000061
其中，SF(t)为t时刻对应的多维特征向量，SFmin和SFmax分别为多维特征向量中的最小值和最大值。
进一步地，所述步骤3中基于域自适应的GRU-DNN迁移学习寿命预测模型包括以下几个模块：
模块1：GRU层
通过滑动时间窗将源域和目标域的多维多传感器特征向量输送至GRU层，进一步提取更多的时序特征。GRU层的计算过程如下：
zt＝sigmoid(Wz·[ht-1,xt])…………(2)
rt＝sigmoid(Wr·[ht-1,xt])…………(3)
Figure BDA0003473661490000062
Figure BDA0003473661490000063
更新门zt的作用是控制前一时刻的状态信息被带入到当前状态中的程度。重置门rt决定忽略前一时刻的状态信息的程度。
Figure BDA0003473661490000064
表示候选状态信息。W为两个门单元和候选状态信息的权重矩阵。sigmoid和tanh表示激活函数。
模块2：域自适应特征学习模块
(1)MMD域自适应
利用最大平均偏差(MMD)来计算源域和目标域多维特征向量之间的
一阶分布发散度，从而减小两个域之间的一阶分布差异。方阵MMD的定义如下：
Figure BDA0003473661490000071
其中，Xs和Xt分别表示经神经网络特征提取后获得源域和目标域特征样本，Ns和Nt分别表示源域和目标域特征样本的维度。
Figure BDA0003473661490000072
和
Figure BDA0003473661490000073
为再生核希尔伯特空间(RKHS)。MMD损失表达式如下：
Figure BDA0003473661490000074
其中，k(·,·)表示核函数。本发明选用高斯径向基函数(RBF)作为核函数。
(2)CORAL域自适应
通过计算源域和目标域之间的协方差特征来最小化二阶分布差异，并匹配二阶统计信息。CORAL损失表达式如下：
Figure BDA0003473661490000075
其中，d为特征向量的维度，
Figure BDA0003473661490000076
为方阵Frobenius范数。协方差矩阵Cs和Ct的公式如下：
Figure BDA0003473661490000077
Figure BDA0003473661490000078
模块3：基于域自适应的GRU-DNN迁移学习寿命预测模型
提出的基于域自适应的GRU-DNN迁移学习寿命预测模型包含特征提取器、域自适应模块和回归模块三部分。特征提取器由GRU层和全连接层FFC1、FFC2组成。域自适应模块包括MMD域自适应、CORAL域自适应和域分类器。域分类器包括一个全连接层(DFC1)和一个输出层(DOL)。回归模块包括一个全连接层(RFC1)和一个输出层(ROL)。首先将经过滑动时间窗处理的多维多传感器特征向量输入特征提取器学习时间和深度信息。随后将FFC2层输出的源域特征输入至回归模块，可以获得最终的剩余寿命预测结果。域分类器用于区分输入特征属于源域还是目标域。同时，从FFC2S层和FFC2T层提取的特征集会通过域自适应模块来减小源域和目标域的分布差异。附图2为该模型的结构示意图。
进一步地，所述步骤3中基于域自适应的GRU-DNN迁移学习寿命预测模型的训练过程如下：
在模型训练过程中，基于域自适应的GRU-DNN迁移学习寿命预测模型的损失目标函数包括四部分：基于源域数据集的回归损失、域分类损失、域MMD损失和CORAL损失。
采用均方误差(MSE)作为回归损失来衡量预测剩余寿命标签与真实剩余寿命标签之间的误差，其表达式为：
Figure BDA0003473661490000081
其中，m为训练集的批次大小，yi和
Figure BDA0003473661490000082
分别为真实剩余寿命标签和预测剩余寿命标签。
采用交叉熵损失作为域分类器损失来衡量源域和目标域特征样本的分类误差，其表达式为：
Figure BDA0003473661490000083
其中，di和
Figure BDA0003473661490000084
分别为xi的实际域标签和预测域标签。
因此，最终优化的损失目标函数可总结为：
Ltotal＝Lregression-αLdomain+βLMMD+γLCORAL…………(13)
其中，α，β，γ为正超参数，分别衡量域分类器损失、MMD损失和CORAL损失的权重。将公式(13)以θf,θr,θd参数的形式改写为：
Ltotal(θf,θr,θd)＝Lregression(θf,θr)-αLdomain(θf,θd)+βLMMD(θf)+γLCORAL(θf)……(14)
通过搜索鞍点
Figure BDA0003473661490000085
来优化损失目标函数，则有：
Figure BDA0003473661490000086
Figure BDA0003473661490000087
采用RMSprop算法作为权值优化，更新网络参数：
Figure BDA0003473661490000088
Figure BDA0003473661490000089
Figure BDA0003473661490000091
其中η为学习率。
实施例2
实施例2是实施例1的变化例。
本发明提供方法的具体实施步骤如下：
步骤1，多传感器信号采集：
在滑动轴承疲劳试验机上安装Y向和Z向加速度传感器、瓦背温度传感器、供油流量及供油压力传感器，开展白合金、铝合金、铜合金等船用滑动轴承抗咬合试验，并采集整个退化过程中不同材料滑动轴承Y向和Z向振动、瓦背温度、供油流量及供油压力等多传感器信号。多传感器信号的采样频率为12.8kHz。试验获取的多传感器数据集用于本发明的验证。共采集3个白合金滑动轴承#W1，#W2，#W3数据集，2个铜合金滑动轴承#C1，#C2数据集，3个铝合金滑动轴承#A1，#A2，#A3数据集。以白合金滑动轴承为例，其全周期多传感器数据如图3所示。
步骤2，多传感器特征提取：
根据所采集到的多传感器信号数据集进行时域和频域多传感器特征提取。从Y向和Z向加速度传感器信号中分别提取均方根值、峭度、偏斜度、平均值、峰峰值、平均幅值、均方幅值、方根幅值、波形因子、峰值因子、脉冲因子、裕度因子、标准差、中心频率、均方根频率、标准差频率共32维特征向量。从瓦背温度、供油流量及供油压力传感器中分别提取平均值、增长率、累积值共9维特征向量。最终形成41维多传感器特征向量，并对获得多维多传感器特征向量进行归一化处理；
步骤3，剩余寿命预测：
根据归一化处理后的多维多传感器特征向量，将每一时刻对应的实际剩余使用寿命转化为寿命百分比，作为模型的输出。通过将不同材料滑动轴承多传感器特征数据集和对应的剩余寿命标签分别作为源域数据集和目标域数据集，可以验证本发明方法的有效性。实施例中分别将白合金滑动轴承数据集、铜合金滑动轴承数据集以及铝合金滑动轴承数据集进行组合，形成不同的算例。算例详细信息如表1所示。
表1本发明模型算例详细信息
Figure BDA0003473661490000092
Figure BDA0003473661490000101
随后搭建适用于本发明数据集的基于域自适应的GRU-DNN迁移学习寿命预测模型，通过引入域分类损失、MMD损失和CORAL损失三者结合损失来缩小两个域之间的差异。通过滑动时间窗法从源域数据集和目标域数据集中获取等窗长样本，输入至迁移学习寿命预测模型中进行训练和测试。本发明时间窗长设置为5，批次大小设置为64，训练迭代次数为100，学习率为0.001，优化算法为RMSprop。详细网络模型结构参数如表2所示。
表2本发明模型结构参数
Figure BDA0003473661490000102
表1中算例1目标域轴承#A1、算例2目标域轴承#C1、算例3目标域轴承#C2、算例4目标域轴承#A2的剩余寿命预测结果分别如图4-图7所示。利用均方根误差(RMSE)来评估模型最终输出预测结果的准确程度。将本发明方法与未引入迁移学习模块的GRU-DNN模型预测结果进行对比。两种模型预测结果的RMSE值如表3所示。从表3中可以看出，本发明方法通过引入域分类损失、MMD损失和CORAL损失三者结合损失能够很好地缩小源域和目标域之间的分布差异，即不同材料滑动轴承退化数据间的分布差异，相比于无迁移学习模块的寿命预测模型具有更高的预测精度。
表3无迁移学习GRU-DNN模型与本发明模型预测结果的RMSE值
算例 无迁移学习GRU-DNN模型RMSE值 本发明模型RMSE值
1 0.269 0.172
2 0.149 0.035
3 0.226 0.166
4 0.254 0.241
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (5)

1.一种基于迁移学习的船用滑动轴承剩余寿命预测方法，其特征在于，包括：
步骤1：在滑动轴承疲劳试验机上安装Y向和Z向加速度传感器、瓦背温度传感器、供油流量及供油压力传感器，开展不同材料船用滑动轴承抗咬合性能试验，并采集整个退化过程中不同材料滑动轴承振动、瓦背温度、供油流量及供油压力传感器信号数据；
步骤2：根据采集到的传感器信号数据进行时域和频域多传感器特征提取，形成多维多传感器特征向量，并进行归一化处理；
步骤3：根据多维多传感器特征向量获取对应的剩余寿命标签，将不同材料船用滑动轴承多传感器特征集分别作为源域数据集和目标域数据集，搭建基于域自适应的GRU-DNN迁移学习寿命预测模型，通过引入域分类损失、MMD损失和CORAL损失来缩小两个域之间的差异，采用RMSprop优化算法对剩余寿命预测模型进行迭代训练，最终输出目标域材料滑动轴承的剩余寿命预测结果。
2.根据权利要求1所述的基于迁移学习的船用滑动轴承剩余寿命预测方法，其特征在于，对获得多维多传感器特征向量进行归一化处理，公式如下：
Figure FDA0003473661480000011
其中，SF(t)为t时刻对应的多维特征向量，SFmin和SFmax分别为多维特征向量中的最小值和最大值。
3.根据权利要求1所述的基于迁移学习的船用滑动轴承剩余寿命预测方法，其特征在于，所述基于域自适应的GRU-DNN迁移学习寿命预测模型包括：
时序特征学习：通过滑动时间窗将源域和目标域的多维多传感器特征向量输送至GRU层，进一步提取更多的时序特征；
域自适应特征学习：利用最大平均偏差MMD来计算源域和目标域多维特征向量之间的一阶分布发散度，从而减小两个域之间的一阶分布差异；通过计算源域和目标域之间的协方差特征来最小化二阶分布差异，并匹配二阶统计信息。
4.根据权利要求1所述的基于迁移学习的船用滑动轴承剩余寿命预测方法，其特征在于，所述基于域自适应的GRU-DNN迁移学习寿命预测模型包括：特征提取器、域自适应模块、回归模块和域分类器；
所述特征提取器包括GRU层和全连接层FFC1、FFC2；
所述域自适应模块包括MMD域自适应、CORAL域自适应；
所述域分类器包括一个全连接层DFC1和一个输出层DOL；
所述回归模块包括一个全连接层RFC1和一个输出层ROL；
首先将经过滑动时间窗处理的多维多传感器特征向量输入特征提取器学习时间和深度信息，随后将FFC2层输出的源域特征输入至回归模块，获得最终的剩余寿命预测结果，域分类器用于区分输入特征属于源域还是目标域，同时通过域自适应模块来减小从FFC2S层和FFC2T层提取的特征集的源域和目标域的分布差异。
5.根据权利要求1所述的基于迁移学习的船用滑动轴承剩余寿命预测方法，其特征在于，在模型训练过程中，基于域自适应的GRU-DNN迁移学习寿命预测模型的损失目标函数包括：基于源域数据集的回归损失、域分类损失、域MMD损失和CORAL损失；
MMD损失表达式如下：
Figure FDA0003473661480000021
其中，NS和Nt分别表示源域和目标域特征样本的维度；i、j为序列号；k(·,·)表示核函数；xsi、xsj为源域的特征样本；xti、xtj为目标域的特征样本；
CORAL损失表达式如下：
Figure FDA0003473661480000022
其中，d为特征向量的维度；
Figure FDA0003473661480000023
为方阵Frobenius范数；CS和Ct均为协方差矩阵；
采用均方误差MSE作为回归损失来衡量预测剩余寿命标签与真实剩余寿命标签之间的误差，表达式为：
Figure FDA0003473661480000024
其中，m为训练集的批次大小；yi和
Figure FDA0003473661480000025
分别为真实剩余寿命标签和预测剩余寿命标签；
采用交叉熵损失作为域分类器损失来衡量源域和目标域特征样本的分类误差，表达式为：
Figure FDA0003473661480000026
其中，di和
Figure FDA0003473661480000027
分别为样本xi的实际域标签和预测域标签；
得到最终优化的损失目标函数，表达式为：
Ltotal＝Lregression-αLdomain+βLMMD+γLCORAL
其中，α，β，γ为正超参数，分别衡量域分类器损失、MMD损失和CORAL损失的权重；
以θf,θr,θd参数的形式改写为：
Ltotal(θf,θr,θd)＝Lregression(θf,θr)-αLdomain(θf,θd)+βLMMD(θf)+γLCORAL(θf)
通过搜索鞍点
Figure FDA0003473661480000031
来优化损失目标函数，则有：
Figure FDA0003473661480000032
Figure FDA0003473661480000033
采用RMSprop算法作为权值优化，更新网络参数：
Figure FDA0003473661480000034
Figure FDA0003473661480000035
Figure FDA0003473661480000036
其中，η为学习率。
CN202210048864.5A 2022-01-17 2022-01-17 一种基于迁移学习的船用滑动轴承剩余寿命预测方法 Pending CN114548152A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210048864.5A CN114548152A (zh) 2022-01-17 2022-01-17 一种基于迁移学习的船用滑动轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210048864.5A CN114548152A (zh) 2022-01-17 2022-01-17 一种基于迁移学习的船用滑动轴承剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN114548152A true CN114548152A (zh) 2022-05-27

Family

ID=81672379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210048864.5A Pending CN114548152A (zh) 2022-01-17 2022-01-17 一种基于迁移学习的船用滑动轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN114548152A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345256A (zh) * 2022-09-16 2022-11-15 成都信息工程大学 应用于智能制造的工业产品测试系统
CN116822383A (zh) * 2023-08-31 2023-09-29 成都态坦测试科技有限公司 设备寿命预测模型构建方法、装置、可读存储介质及设备
CN117252083A (zh) * 2023-07-12 2023-12-19 中国科学院空间应用工程与技术中心 一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统
CN117421244A (zh) * 2023-11-17 2024-01-19 北京邮电大学 多源跨项目软件缺陷预测方法、装置及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345256A (zh) * 2022-09-16 2022-11-15 成都信息工程大学 应用于智能制造的工业产品测试系统
CN115345256B (zh) * 2022-09-16 2023-10-27 北京国联视讯信息技术股份有限公司 应用于智能制造的工业产品测试系统
CN117252083A (zh) * 2023-07-12 2023-12-19 中国科学院空间应用工程与技术中心 一种结合退化阶段划分和子域自适应的轴承剩余寿命预测方法及系统
CN116822383A (zh) * 2023-08-31 2023-09-29 成都态坦测试科技有限公司 设备寿命预测模型构建方法、装置、可读存储介质及设备
CN117421244A (zh) * 2023-11-17 2024-01-19 北京邮电大学 多源跨项目软件缺陷预测方法、装置及存储介质
CN117421244B (zh) * 2023-11-17 2024-05-24 北京邮电大学 多源跨项目软件缺陷预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN114548152A (zh) 一种基于迁移学习的船用滑动轴承剩余寿命预测方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110555273B (zh) 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
CN113567130A (zh) 基于设备多工况的轴承故障诊断方法
CN112633339A (zh) 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN111460728A (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN114627383B (zh) 一种基于度量学习的小样本缺陷检测方法
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN112017204A (zh) 一种基于边缘标记图神经网络的刀具状态图像分类方法
CN113792758A (zh) 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN113034483A (zh) 基于深度迁移学习的烟支缺陷检测方法
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN114925809B (zh) 基于lstm的印刷机轴承故障诊断方法及装置
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
Fadli et al. Steel surface defect detection using deep learning
CN110728377B (zh) 一种面向机电设备的智能故障诊断方法及系统
CN116401603A (zh) 一种基于迁移学习的多模态轴承故障智能诊断方法
CN116306289A (zh) 一种基于多源域自适应的机电设备跨域剩余寿命预测方法
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN114398992A (zh) 一种基于无监督域适应的智能故障诊断方法
CN114202028A (zh) 基于mamtl的滚动轴承寿命阶段识别方法
CN115452376A (zh) 基于改进轻量级深度卷积神经网络的轴承故障诊断方法
CN115876467A (zh) 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法

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