CN116147917A - 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 - Google Patents
一种预测轴承剩余使用寿命标签的构建方法、装置和设备 Download PDFInfo
- Publication number
- CN116147917A CN116147917A CN202310076964.3A CN202310076964A CN116147917A CN 116147917 A CN116147917 A CN 116147917A CN 202310076964 A CN202310076964 A CN 202310076964A CN 116147917 A CN116147917 A CN 116147917A
- Authority
- CN
- China
- Prior art keywords
- bearing
- moment
- degradation
- moments
- predicted
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 238000006731 degradation reaction Methods 0.000 claims abstract description 105
- 230000015556 catabolic process Effects 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000009191 jumping Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012886 linear function Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种预测轴承剩余使用寿命标签的构建方法、装置和设备，根据时间顺序获取待预测轴承在不同时刻的振动信号；提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量；采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标；采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点；根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。本发明能够自适应地构建反映不同轴承寿命阶段退化率变化的新标签。
Description
技术领域
本发明属于剩余使用寿命预测领域，具体涉及一种预测轴承剩余使用寿命标签的构建方法、装置和设备。
背景技术
滚动轴承作为最关键的部件之一被广泛应用于各种机械系统中。其中，滚动轴承故障是造成机械系统失效的最重要原因之一。因此，轴承的诊断和预测对机械设备的性能起着重要的作用。预测轴承的RUL(剩余使用寿命)对于防止机械系统中的突发故障非常重要，并且作为预测和健康管理(PHM)中的一个关键问题也受到了广泛关注。
数据驱动的RUL预测分为四个主要步骤，包括数据获取、RUL标签构建、健康阶段划分和RUL预测。RUL标签被认为是设备的理想寿命曲线，即剩余使用寿命，并与每个运行周期相对应。对于滚动轴承的RUL预测，RUL标签通常被视为预测结果准确性评估的基准。随着对数据驱动预测方法的研究不断深入，RUL标签在模型训练过程中留下了更重要的影响。根据以往的研究，对于RUL标签的构建，主要分为以下三种方法。(1)基于故障阈值的故障判定。作为早期RUL预测研究中最常用的方法，通常将最大允许振动值或经验值作为实际情况下的故障阈值，用固定的阈值来确定故障时间是很明确的。然而，它对运行条件下的突发噪声缺乏容忍度，并且对于一个新部件来说，很难提前获得理想的故障阈值。(2)基于理想退化曲线的RUL标签。使用线性函数和改进的分段函数来尽可能地拟合退化曲线。其中，当使用线性函数时，RUL值随时间的推移线性下降。使用分段函数时，RUL值在前一周期保持不变，然后线性下降。在不同的降解阶段，降解速率会有所不同，这反映在降解曲线的斜率上。以上两个标签是RUL预测方法中应用最广泛的。关键在于找到不同故障程度的过渡时间，即退化的转折点，并设置一个较为理想的RUL值。(3)基于退化指标的RUL标签。使用一种特定的指标来构建寿命曲线并评估轴承退化状态，如峰度、偏度等常见的统计特征。然而，单一指标难以包含足够的信息，容易受到波动的影响，这显然与RUL标签的稳定和单调的性能相悖。
毫无疑问，RUL标签的构建对于RUL预测至关重要，因为RUL预测的模型训练和结果评估需要以理想的寿命曲线为基准，合理的标签在滚动轴承的RUL预测中起着至关重要的作用，并极大地影响着预测模型的准确性和泛化能力。而实际工业现场滚动轴承监测数据大多是未标记的数据，作为RUL预测的重要组成部分，它更多地依赖代表当前的线性函数或分段线性函数的专家经验，而不是根据数据本身挖掘的知识构建RUL标签。而这对于大数据时代的PHM来说，对于数据中知识的挖掘显然是不够的，尤其是在大数据快速发展的驱动下的预测性维护。此外，它可能会对实际应用中的预测精度施加限制。尽管有这些强烈的研究动机，但在如何构建更合理的RUL标签方面的研究还很少，也存在一定差距，这与它在预测性维护中的重要地位完全不相符。
发明内容
针对现有技术中存在的问题，本发明提供了一种预测轴承剩余使用寿命标签的构建方法、装置和设备，能够自适应地构建反映不同轴承寿命阶段退化率变化的新标签，为在线RUL预测中新设备出现故障时及时构建RUL标签提供了解决方案。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种预测轴承剩余使用寿命标签的构建方法，包括：
根据时间顺序获取待预测轴承在不同时刻的振动信号；
提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量；
采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标；
采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点；
根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。
进一步地，所述采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点，包括：
将所述基于核的改进的模糊C均值聚类算法中隐藏群组的默认值设置为所需的轴承寿命阶段数量；
采用设置好隐藏群组的默认值的基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到每个时刻振动信号对每个轴承寿命阶段的隶属度值；
根据所述隶属度值的大小判定每个时刻振动信号所属的轴承寿命阶段，当相邻两个时刻振动信号所属的轴承寿命阶段发生变化时，则所述相邻两个时刻中的后一时刻为所述待预测轴承不同故障程度之间的转折点。
进一步地，所述采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合前，还包括：
采用最小-最大归一化方法对每个时刻振动信号的频域特征和能量进行归一化处理。
进一步地，所述采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类之前，还包括：
消除所有时刻的退化指标中的异常跳跃点。
进一步地，所述消除所有时刻的退化指标中的异常跳跃点，包括：
将所有时刻的退化指标按照时间顺序排列；
将按照时间顺序排列的退化指标中任意一个时刻的退化指标偏差比相邻几个时刻的退化指标平均偏差大设定倍数时的点判定为异常跳跃点；
将所述异常跳跃点从按照时间顺序排列的退化指标中进行消除。
进一步地，所述相邻几个时刻的退化指标平均偏差的计算公式为：
f(t)＝fT(t)+fR(t)
式中：M(t)为t时刻相邻几个时刻的退化指标平均偏差的N倍；N为设定倍数；f(t)是t时刻的退化指标；fT(t)是t时刻的退化指标的平均趋势；fR(t)是t时刻退化指标的随机部分；2a为与t时刻相邻的时刻的数量。
进一步地，所述根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签，包括：
根据所述转折点，采用线性回归分段拟合所有时刻的退化指标，得到待预测轴承剩余使用寿命标签。
一种预测轴承剩余使用寿命标签的构建装置，包括：
获取模块，用于根据时间顺序获取待预测轴承在不同时刻的振动信号；
提取模块，用于提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量；
融合模块，用于采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标；
聚类模块，用于采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点；
构建模块，用于根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种预测轴承剩余使用寿命标签的构建方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种预测轴承剩余使用寿命标签的构建方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：本发明提供的预测轴承剩余使用寿命标签的构建方法，依赖于从轴承振动数据中挖掘出来的知识，而不仅仅是专家的经验，从而能够自适应地从大量未标记数据中构建反映不同轴承寿命阶段退化率变化的新标签，更适合实际应用。本发明预测轴承剩余使用寿命标签基于退化指标和故障阶段转折点，其中退化指标是通过对振动信号的多种特征的提取和主成分分析得到的，故障阶段转折点是通过对退化指标的聚类得到，最后根据转折点，采用线性回归分段拟合所有时刻的退化指标，从而能够通过对原始数据知识的挖掘自适应的构建RUL标签，为改进现有基于人类经验或单一健康指标构建RUL标签的方法提供了新的思路。本发明为研究人员在新设备出现故障时及时构建RUL标签提供了解决方案，在新设备上不断采集轴承振动数据，并实时判定轴承所处的轴承寿命阶段和转折点，并通过对采集数据的退化指标、转折点和轴承所处的轴承寿命阶段实时得到轴承的RUL标签。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明一种预测轴承剩余使用寿命标签的构建方法的流程图；
图2为本发明一种预测轴承剩余使用寿命标签的构建方法的原理图；
图3为本发明PCA得到的轴承2-2的退化指标；
图4为本发明所述方法对轴承2-2的聚类结果；
图5为本发明所述方法得到的轴承2-2新的RUL标签；
图6为本发明实施例中RNN模型的结构图；
图7为本发明所述方法得到的RNN模型的预测结果；
图8为分段RUL函数；
图9为4个模型的预测结果对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
作为本发明的某一具体实施方式，如图1和图2所示，一种预测轴承剩余使用寿命标签的构建方法，具体包括以下步骤：
S1、根据时间顺序获取待预测轴承在不同时刻的振动信号。
S2、进行数据预处理：提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量。
S3、采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标。
优选的，在采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合前，还包括：采用最小-最大归一化方法对每个时刻振动信号的频域特征和能量进行归一化处理。
也就是说，采用主成分分析方法将归一化处理后的每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标。
S4、采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点，具体包括：
将所述基于核的改进的模糊C均值聚类算法中隐藏群组的默认值设置为所需的轴承寿命阶段数量；
采用设置好隐藏群组的默认值的基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到每个时刻振动信号对每个轴承寿命阶段的隶属度值；
根据所述隶属度值的大小判定每个时刻振动信号所属的轴承寿命阶段，当相邻两个时刻振动信号所属的轴承寿命阶段发生变化时，则所述相邻两个时刻中的后一时刻为所述待预测轴承不同故障程度之间的转折点。
优选的，在采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类之前，还包括消除所有时刻的退化指标中的异常跳跃点，具体如下：
将所有时刻的退化指标按照时间顺序排列；
将按照时间顺序排列的退化指标中任意一个时刻的退化指标偏差比相邻几个时刻的退化指标平均偏差大设定倍数时的点判定为异常跳跃点；
将所述异常跳跃点从按照时间顺序排列的退化指标中进行消除。
其中，所述相邻几个时刻的退化指标平均偏差的计算公式为：
f(t)＝fT(t)+fR(t)
式中：M(t)为t时刻相邻几个时刻的退化指标平均偏差的N倍；N为设定倍数；f(t)是t时刻的退化指标；fT(t)是t时刻的退化指标的平均趋势，fR(t)是t时刻退化指标的随机部分；2a为与t时刻相邻的时刻的数量。当fR(t)大于M(t)时，被命名f(t)的退化指标将被fT(t)替换。
S5、根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。
具体地说，根据所述转折点，采用线性回归分段拟合所有时刻的退化指标，得到待预测轴承剩余使用寿命标签。
下面提供一实施例，以XJTU-SY轴承数据集为例对本发明预测轴承剩余使用寿命标签的构建方法进行完整详细的描述。
需要说明的是，XJTU-SY轴承数据集由西安交通大学(XJTU)设计科学与基础部件研究所和长兴三洋科技(SY)提供。通过进行几次加速退化实验，XJTU-SY轴承数据集包含了15个滚动轴承的完整运行到故障数据。LDK UER204型轴承在总共三种条件下运行，在每种运行条件下测试了五个轴承。采样率保持在25.6kHz，采样间隔等于一分钟。
步骤1：数据采集过程已在上面对数据集的描述中进行了介绍。本实验提取轴承2-2垂直轴运行数据。工况包括转速为2250RPM和液压载荷为11KN。连续运行2小时41分钟后，外圈出现故障，得到161份采样文件，即161个时刻的振动信号。前100个时刻的振动信号用于模型训练，以预测后续61个时刻的振动信号的RUL。
步骤2：进行数据预处理。提取每个时刻振动信号的频域特征；采用自适应噪声完备集合经验模态分解方法(CEEMDAN)将每个时刻振动信号分解为多个本征模态函数(IMF)，并提取每个IMF的能量。
本实施例中，每个时刻振动信号的前12维频域特征和前N个IMFs的能量被提取出来。当CEEMDAN分解得到的本征模态函数数量小于默认值N时，单个IMF的默认能量为零。此处将N设置为10，因为对于所有的轴承振动信号，从CEEMDAN获得的成分数量大约为10。
优选的，为保证进行后续进行主成分分析的稳定性，采用最小-最大归一化方法对每个时刻振动信号的频域特征和能量进行归一化处理，如下式(1)。
步骤3：使用主成分分析方法(PCA)融合归一化后的每个时刻振动信号的频域特征和能量，获得每个时刻的退化指标，PCA得到的退化指标如图3所示。
优选的，为了保证后续基于核的改进的模糊C均值聚类算法和线性回归得到的轴承RUL标签的鲁棒性，进一步消除所有时刻的退化指标的异常跳跃点，其具体过程如下：
结合公式(2)-(3)所示，将所有时刻的退化指标按照时间顺序排列，当退化指标中任意一个时刻的退化指标偏差比相邻几个时刻的退化指标平均偏差大3倍时，就会被视为异常跳跃点,将异常跳跃点从按照时间顺序排列的退化指标中进行消除。使用2a个与t时刻相邻的时刻进行计算，在这项工作中a＝5。
f(t)＝fT(t)+fR(t) (2)
其中：f(t)是t时刻的退化指标；fT(t)是t时刻的退化指标的平均趋势；fR(t)是t时刻退化指标的随机部分；M(t)为t时刻相邻几个时刻的退化指标平均偏差的N倍，当fR(t)大于M(t)时，被命名f(t)的退化指标将被fT(t)替换。
步骤4：应用基于核的改进的模糊C均值聚类算法(KFCM)对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点，本实施例包括正常、轻微故障和严重故障之间的转折点。考虑到轴承的生命周期通常分为正常、轻微故障和严重故障三个轴承寿命阶段，KFCM算法设置了三个聚类中心，最大迭代次数为100，误差为1e-6，加权模糊指数为2，高斯核参数设置为24。在KFCM算法中对目标函数进行优化后，将退化过程分为3个轴承寿命阶段，每个时刻振动信号对每个轴承寿命阶段的隶属度值如图4所示，并根据图中结果找到转折点。第1时刻振动信号到第n1时刻振动信号对第一个轴承寿命阶段的隶属度为0.85，其他时刻振动信号对第一个轴承寿命阶段的隶属度均在0.5以下。因此，第1时刻振动信号到第n1时刻振动信号属于第一个轴承寿命阶段，即正常阶段。类似地，从第n1+1时刻振动信号到第n2时刻振动信号属于第二个轴承寿命阶段，即轻微故障阶段，从第n2+1时刻振动信号到最后时刻振动信号属于第三个轴承寿命阶段，即严重故障阶段。所以n1+1时刻是正常阶段和轻微故障阶段的转折点，n2+1时刻是轻微故障阶段和严重故障阶段的转折点。可以发现，轴承2-2从开始到第56时刻运行正常，第57时刻出现轻微故障，第86时刻出现严重故障。
步骤5：构建剩余使用寿命标签。根据转折点，采用线性回归分段拟合所有时刻的退化指标，得到轴承RUL标签，如图5所示。
本实施例还包括，采用本实施例构建得到的轴承RUL标签，构建最简单的递归神经网络进行RUL预测，具体如下：
a.样本集的划分。为了模拟滚动轴承的在线RUL预测过程，模型训练的批量大小设置为1，因此，每个时刻振动信号都会更新RNN模型。一旦KFCM算法检测到第一个转折点，模型就开始学习退化模式并获得预测能力。并且利用之前时刻的运行数据来预测未来的RUL。当正常阶段和轻微故障阶段之间的转折点出现在前三分之二的所有时刻振动信号中时，训练和预测的分界点以二比一的经验比例确定。扩展训练集，直到RNN模型学习到一组故障阶段振动信号。在本实施例中，取前100个时刻的振动信号用于模型训练，以预测后续61个时刻的振动信号的RUL。
b.RNN模型构建。如图6所示，RNN模型是基于时域信号的频域特征和前十个IMF的能量特征构建的。通过循环迭代进行参数优化，在RNN模型中建立了两个隐藏层。模型中的关键工作是更新所有节点的权重矩阵，这些节点是通过BPTT算法训练的。平方根误差作为RNN模型中偏导数计算的损失函数。此外，输入层使用tanh作为激活函数，输出层使用Relu激活函数。
c.模型训练。假设Xt是在t时刻从输入层的单个样本中提取的特征向量。输入层、两个隐藏层和输出层在时间t上的输出分别如(4)-(7)所示。
It＝U*Xt (4)
其中，U,V,W,b,c与上述相同，这些参数的原始值从-1到1随机初始化。
根据本发明构建的RUL标签，得到t时刻的RUL标签，即Yt。使用t时刻的RUL标签Yt和RNN模型的输出Ot计算输出损失，然后通过BPTT算法更新RNN模型的参数。通过反复进行前向计算和基于BPTT算法的误差反向传播过程，完成RNN模型的训练。同时解耦扩展卡尔曼滤波算法(Decoupled Extended Kalman Filter)算法也被应用于RNN预测模型的训练。
通过10次测试运行，得到与最佳预测结果对应的RNN模型结构和参数。具有两个隐藏层的RNN模型能够从输入中发现隐藏模式，合适的最大迭代次数为2000。
d.评估。最后根据预测结果和测试数据的RUL标签进行评估。在图7中，给出了测试集任意时间步长的RUL预测结果。右侧粗实线是测试集的预测结果，左边粗实线是模型训练的结果。RUL预测结果在RUL标签附近波动，证明了RNN模型的预测能力和本发明提出的新的RUL标签的有效性。
在进行更加深入的定量评估时，本发明使用评分函数和均方根误差(RMSE)两种评价指标来定量评估所提出方法的预测性能，分别描述如下：
1)评分函数
当RUL预测结果领先于RUL标签或预测的RUL预测结果落后于RUL标签时，评分函数是不同的。评分函数的定义如(8)和(9)所示。
hi＝Oi-Yi (9)
其中：hi是RUL预测结果和RUL标签之间的误差，Oi代表RUL预测结果，Yi是RUL标签。
对于评分函数来说，较小的分数意味着更好的预测结果。此外，因为如果RUL预测结果大于实际的RUL标签，则几乎没有时间进行维护，故障或灾难很快就会发生，预测根本没有意义。所以当模型低估RUL和模型高估RUL时，评分函数会给出不同的惩罚。
2)RSME
RMSE广泛用于RUL预测，即误差平方根除以样本数。RSME的定义如(10)所示。
其中，Oi代表RUL预测结果，Yi是RUL标签，n指振动信号的采集时刻的数量。
该统计指标反映了RUL预测结果与RUL标签的相似程度，无论误差是正的还是负的，都给出相同的值。因此，较小的RMSE值意味着更好的预测结果。
为了显示出本发明的优越性与有效性，本发明进行了不同算法和不同的RUL标签两个方面的对比实验。
本发明比较了包括经典RNN、反向传播(BP)网络、多层感知器(MLP)和支持向量回归(SVR)在内的不同模型。考虑到BP网络和MLP的不可预测性能，最佳网络结构通过10次循环迭代得到。最后，BP网络使用三层节点22-27-1，即输入层22个节点，隐藏层27个节点，1个输出节点。在MLP中使用了两个隐藏层，结构为22-25-7-1。在SVR模型中，使用RBF核函数，损失函数中的gamma值为4，损失值为1.5，p值为1e-5。
此外，对线性和分段RUL函数都进行了讨论。在线性RUL函数中，轴承寿命标签在第一时刻振动信号和最后时刻振动信号之间从1线性下降到0，如图8所示，分段RUL函数的转折点设置在第70个样本，经过在经验范围内的重复实验，最终确定初始RUL值为130，采用的模型的结构和本发明所提出的RUL标签使用的一样。
采用均方根误差和评分函数来评估模型和RUL标签的性能。不同RUL标签和模型的预测结果对比如表1所示。使用本发明所提出的标签时不同模型的预测结果如图9所示。
表1 3个标签和4个模型的评估结果
从图9可以看出，在所有模型中，RNN预测结果与所提出的寿命标签最为接近，显示了RNN优越的预测能力以及所提出的寿命标签的优越性能。从表1可以看出，本发明所提出的RUL标签在所有四个模型中都表现出比线性和分段RUL函数更好的性能，这有力地证明了所提出的RUL标签构建方法的优越性。此外，RNN使用本发明所提出的的RUL标签和分段RUL标签时都获得了RUL预测的最佳结果，其次是MLP和BP网络。在这个实验中，SVR显示出很小的预测潜力。
本发明提供了一种预测轴承剩余使用寿命标签的构建装置，具体包括：
获取模块，用于根据时间顺序获取待预测轴承在不同时刻的振动信号。
提取模块，用于提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量。
融合模块，用于采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标。
聚类模块，用于采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点。
构建模块，用于根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种预测轴承剩余使用寿命标签的构建方法的操作。
本发明在一个实施例中，一种预测轴承剩余使用寿命标签的构建方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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以所述权利要求的保护范围为准。
Claims (10)
1.一种预测轴承剩余使用寿命标签的构建方法，其特征在于，包括：
根据时间顺序获取待预测轴承在不同时刻的振动信号；
提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量；
采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标；
采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点；
根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。
2.根据权利要求1所述的一种预测轴承剩余使用寿命标签的构建方法，其特征在于，所述采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点，包括：
将所述基于核的改进的模糊C均值聚类算法中隐藏群组的默认值设置为所需的轴承寿命阶段数量；
采用设置好隐藏群组的默认值的基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到每个时刻振动信号对每个轴承寿命阶段的隶属度值；
根据所述隶属度值的大小判定每个时刻振动信号所属的轴承寿命阶段，当相邻两个时刻振动信号所属的轴承寿命阶段发生变化时，则所述相邻两个时刻中的后一时刻为所述待预测轴承不同故障程度之间的转折点。
3.根据权利要求1所述的一种预测轴承剩余使用寿命标签的构建方法，其特征在于，所述采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合前，还包括：
采用最小-最大归一化方法对每个时刻振动信号的频域特征和能量进行归一化处理。
4.根据权利要求1所述的一种预测轴承剩余使用寿命标签的构建方法，其特征在于，所述采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类之前，还包括：
消除所有时刻的退化指标中的异常跳跃点。
5.根据权利要求4所述的一种预测轴承剩余使用寿命标签的构建方法，其特征在于，所述消除所有时刻的退化指标中的异常跳跃点，包括：
将所有时刻的退化指标按照时间顺序排列；
将按照时间顺序排列的退化指标中任意一个时刻的退化指标偏差比相邻几个时刻的退化指标平均偏差大设定倍数时的点判定为异常跳跃点；
将所述异常跳跃点从按照时间顺序排列的退化指标中进行消除。
6.根据权利要求5所述的一种预测轴承剩余使用寿命标签的构建方法，其特征在于，所述相邻几个时刻的退化指标平均偏差的计算公式为：
f(t)＝fT()+fR()
式中：M(t)为t时刻相邻几个时刻的退化指标平均偏差的N倍；N为设定倍数；f(t)是t时刻的退化指标；fT()是t时刻的退化指标的平均趋势；fR()是t时刻退化指标的随机部分；2为与t时刻相邻的时刻的数量。
7.根据权利要求1所述的一种预测轴承剩余使用寿命标签的构建方法，其特征在于，所述根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签，包括：
根据所述转折点，采用线性回归分段拟合所有时刻的退化指标，得到待预测轴承剩余使用寿命标签。
8.一种预测轴承剩余使用寿命标签的构建装置，其特征在于，包括：
获取模块，用于根据时间顺序获取待预测轴承在不同时刻的振动信号；
提取模块，用于提取每个时刻振动信号的频域特征，采用自适应噪声完备集合经验模态分解方法将每个时刻振动信号分解为多个本征模态函数，并提取每个本征模态函数的能量；
融合模块，用于采用主成分分析方法将每个时刻振动信号的频域特征和能量进行融合，得到每个时刻的退化指标；
聚类模块，用于采用基于核的改进的模糊C均值聚类算法对所有时刻的退化指标进行聚类，得到待预测轴承不同故障程度之间的转折点；
构建模块，用于根据转折点和所有时刻的退化指标，构建得到待预测轴承剩余使用寿命标签。
9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种预测轴承剩余使用寿命标签的构建方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种预测轴承剩余使用寿命标签的构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076964.3A CN116147917A (zh) | 2023-01-17 | 2023-01-17 | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310076964.3A CN116147917A (zh) | 2023-01-17 | 2023-01-17 | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116147917A true CN116147917A (zh) | 2023-05-23 |
Family
ID=86359578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310076964.3A Pending CN116147917A (zh) | 2023-01-17 | 2023-01-17 | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116147917A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118013244A (zh) * | 2024-04-07 | 2024-05-10 | 中核武汉核电运行技术股份有限公司 | 一种轴承寿命预测方法及装置 |
-
2023
- 2023-01-17 CN CN202310076964.3A patent/CN116147917A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN118013244A (zh) * | 2024-04-07 | 2024-05-10 | 中核武汉核电运行技术股份有限公司 | 一种轴承寿命预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiang et al. | Multicellular LSTM-based deep learning model for aero-engine remaining useful life prediction | |
| Zhao et al. | A recurrent neural network approach for remaining useful life prediction utilizing a novel trend features construction method | |
| Aydin et al. | Using LSTM networks to predict engine condition on large scale data processing framework | |
| Arunthavanathan et al. | An analysis of process fault diagnosis methods from safety perspectives | |
| Wu et al. | Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network | |
| Hesabi et al. | A deep learning predictive model for selective maintenance optimization | |
| CN116147917A (zh) | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 | |
| Shi et al. | A dual attention LSTM lightweight model based on exponential smoothing for remaining useful life prediction | |
| Ma et al. | Bearing degradation assessment based on weibull distribution and deep belief network | |
| Zhao et al. | Probabilistic remaining useful life prediction based on deep convolutional neural network | |
| Chen et al. | Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network | |
| Zhu et al. | Res-HSA: Residual hybrid network with self-attention mechanism for RUL prediction of rotating machinery | |
| Kong et al. | A contrastive learning framework enhanced by unlabeled samples for remaining useful life prediction | |
| Zhang et al. | A data-driven maintenance framework under imperfect inspections for deteriorating systems using multitask learning-based status prognostics | |
| CN112446173B (zh) | 基于长短期记忆网络的桥梁温度预测方法、介质及设备 | |
| Wisyaldin et al. | Using LSTM network to predict circulating water pump bearing condition on coal fired power plant | |
| Zhou et al. | A model for online failure prognosis subject to two failure modes based on belief rule base and semi-quantitative information | |
| Wang et al. | A novel approach of full state tendency measurement for complex systems based on information causality and PageRank: A case study of a hydropower generation system | |
| Azyus et al. | Prediction of remaining useful life using the CNN-GRU network: A study on maintenance management | |
| Tirovolas et al. | Introducing fuzzy cognitive map for predicting engine’s health status | |
| Wen et al. | An unsupervised subdomain adversarial network for remaining useful life estimation under various conditions | |
| Shao et al. | Remaining useful life prediction method for Degradation–Shock dependence: Case of a subsea hydraulic control system | |
| Kumar et al. | Recurrent neural network based sensor fault detection and isolation for nonlinear systems: Application in PWR | |
| Dangut et al. | Rare failure prediction using an integrated auto-encoder and bidirectional gated recurrent unit network | |
| Hu et al. | Remaining useful life prediction method combining the life variation laws of aero-turbofan engine and auto-expandable cascaded LSTM model |
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 |