CN116383647A - 基于并行特征提取的滚动轴承剩余寿命预测方法 - Google Patents
基于并行特征提取的滚动轴承剩余寿命预测方法 Download PDFInfo
- Publication number
- CN116383647A CN116383647A CN202310330506.8A CN202310330506A CN116383647A CN 116383647 A CN116383647 A CN 116383647A CN 202310330506 A CN202310330506 A CN 202310330506A CN 116383647 A CN116383647 A CN 116383647A
- Authority
- CN
- China
- Prior art keywords
- time
- feature
- time domain
- module
- acquisition
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于并行特征提取的滚动轴承剩余寿命预测方法,首先采集滚动轴承的全寿命周期振动信号,从中提取出故障时期各个采集时刻的时域特征序列和合成时频图,并确定对应的剩余寿命百分比标签,从而构成训练样本;构建并行寿命预测网络,采用训练样本对并行寿命预测网络进行训练;当需要对滚动轴承进行寿命预测时,采集滚动轴承运行至当前时刻的振动信号,提取出当前时刻的时域特征序列和合成时频图,将其输入训练好的并行寿命预测网络得到剩余寿命预测结果。本发明综合考虑滚动轴承振动信号的时频域特征信息和时域特征序列中的时序信息,并行提取特征,提高滚动轴承剩余寿命预测性能。
Description
技术领域
本发明属于滚动轴承剩余寿命技术领域,更为具体地讲,涉及一种基于并行特征提取的滚动轴承剩余寿命预测方法。
背景技术
滚动轴承作为最常见的机械部件之一,几乎在各种旋转机械设备中都发挥着至关重要的作用;在设备运行过程中,轴承负责承受并传递载荷,时刻受到交变应力的作用,因此轴承也成为了最易受损的机械部件之一。据统计,在常见的旋转机械故障案例中,有45%-55%是由滚动轴承引发导致的。在设备运行期间,由于安装不当、超速、超载及润滑不良等因素,会造成滚动轴承的金属脱皮、工作表面侵蚀、保持架碎裂等不同类型的故障,致使轴承旋转精度下降,增加了旋转阻力以及振动噪声,甚至于滚动体受到阻碍或彻底卡死,造成机械设备的整体失效。
现有的设备剩余寿命预测方法大致可分为基于物理模型的方法与基于数据驱动的方法。基于物理模型的寿命预测方法涉及设备的失效机制与损伤法则,需要大量的物理知识及专家经验,构建描述退化过程的数学模型,以此预测设备的剩余寿命,但是现代大型设备的复杂系统大幅提升了建模的难度,使得基于物理模型的方法应用有限。而基于数据驱动的寿命预测方法对于失效机理或是专家经验的依赖度较低,主要依赖于大量的历史监测数据,通过统计模型或机器学习方法构建监测数据与退化过程之间的关联关系,从而预测设备的剩余寿命,更容易在工程应用中实现。
近年来,随着计算机技术与人工智能技术的快速发展,深度学习能够处理海量的数据并从中挖掘隐含的特征信息,逐渐成为了设备寿命预测领域的主流方法。在智能制造的背景下,现有的基于深度学习的剩余寿命预测技术存在预测模型特征信息提取能力不强、特征信息与时序信息混合导致网络复杂以及前序偏差对当前预测干扰大等问题,需要研究解决。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于并行特征提取的滚动轴承剩余寿命预测方法,综合考虑滚动轴承振动信号的时频域特征信息和时域特征序列中的时序信息,并行提取特征,提高滚动轴承剩余寿命预测性能。
为了实现上述发明目的,本发明基于并行特征提取的滚动轴承剩余寿命预测方法包括以下步骤:
S1:根据实际需要获取若干滚动轴承的全寿命周期振动信号,每个全寿命周期振动信号中包含若干个采集时刻的采集信号,每个采集信号的数据长度为X;
S2:分别根据每个滚动轴承的全寿命周期振动信号生成训练样本,得到训练样本集,生成训练样本的具体方法为:
S2.1:记全寿命周期振动信号所包含的采集时刻数量为T,对全寿命周期振动信号进行初始故障点识别,记初始故障点为T0,将初始故障点T0以前作为健康时期,初始故障点及以后作为故障时期,对应样本数量分别为TH与TF,TH+TF=T;
S2.2:根据实际情况确定N个时域特征,对于全寿命周期振动信号故障周期中每个采集信号分别提取N个时域特征ti,n,TH+1≤i≤T;采用如下公式进行归一化,得到归一化后的时域特征fi,n:
将故障周期中每个采集时刻N个归一化后的时域特征fi,n构成时域特征向量Fi=[fi,1,fi,2,…,fi,N];
对于故障时期的第j个采集时刻,TH+L≤j≤T,将该采集时刻和前L-1个采集时刻的时域特征向量构成长度为L的时域特征序列Pj=[Fj-L+1,Fj-L+2,…,Fj];
S2.3:对于全寿命周期振动信号,在健康时期中随机选择一个采集时刻,生成其采集信号的时频图作为正常状态时频图MH,然后生成故障时期第j个采集信号的时频图,分别将故障时期第j个采集信号的时频图与正常状态时频图MH进行拼接,得到合成时频图Mj;
S2.4:对于全寿命周期振动信号中故障时期第j个采集时刻,采用如下公式计算其对应的剩余寿命百分比标签labelj:
S2.5:将故障时期第j个采集时刻的时域特征序列Pj=[Fj-L+1,Fj-L+2,…,Fj]、合成时频图Mj作为输入,剩余寿命百分比标签labelj作为输出,构成一个训练样本;
S3:构建并行寿命预测网络,包括时序信息模块、特征信息模块、特征拼接模块和预测模块,其中:
时序信息模块用于接收时域特征序列并进行特征提取,得到时序信息向量WT并发送给特征拼接模块;
特征信息模块用于接收合成时频图进行特征提取,得到特征信息向量QTF并发送给特征拼接模块;
特征拼接模块用于对接收的时序信息向量QT和得到特征信息向量QTF进行拼接,将得到的拼接信息向量发送至预测模块;
预测模块用于根据拼接信息向量进行处理,输出预测的剩余寿命百分比;
S4:将步骤S2得到的各个训练样本中的时域特征序列、合成时频图作为输入,对应的剩余寿命百分比标签作为期望输出,对并行寿命预测网络进行训练;
S5:当需要对滚动轴承进行寿命预测时,采集滚动轴承运行至当前时刻的振动信号,对振动信号进行初始故障点识别,当初始故障点不存在,或初始故障点存在且当前时刻与初始故障点之间的时间差小于L,则当前时刻的剩余寿命百分比为1,当初始故障点存在且当前时刻与初始故障点之间的时间差大于等于L,则采用如下方法进行剩余寿命预测:
从当前时刻采集信号和前L-1个采集时刻的采集信号中提取N个时域特征,构成时域特征序列P′,然后从初始故障点之前的健康时期中随机选择一个采集时刻,生成其采集信号的时频图作为正常状态时频图,然后生成当前时刻采集信号时频图,与正常时频图拼接得到合成时频图M′;将时域特征序列P′和合成时频图M′输入步骤S4训练好的并行寿命预测网络,得到滚动轴承的剩余寿命百分比。
本发明基于并行特征提取的滚动轴承剩余寿命预测方法,首先采集滚动轴承的全寿命周期振动信号,从中提取出故障时期各个采集时刻的时域特征序列和合成时频图,并确定对应的剩余寿命百分比标签,从而构成训练样本;构建并行寿命预测网络,采用训练样本对并行寿命预测网络进行训练;当需要对滚动轴承进行寿命预测时,采集滚动轴承运行至当前时刻的振动信号,提取出当前时刻的时域特征序列和合成时频图,将其输入训练好的并行寿命预测网络得到剩余寿命预测结果。
本发明具有以下有益效果:
1)本发明中综合考虑滚动轴承振动信号的时频域特征信息和时域特征序列中的时序信息,通过对两者的有效融合,降低前序偏差对当前预测的干扰,从而提升寿命预测的准确度。
2)本发明针对直接从特征信息中提取时序信息导致网络复杂度较大的问题,提出了并行特征提取的方法,从时域特征中提取时序信息,再与时频域特征信息相结合进行寿命预测,简化预测模型结构,提高预测效率。
附图说明
图1是基于并行特征提取的滚动轴承剩余寿命预测方法的具体实施方式流程图;
图2是本发明中生成训练样本的流程图;
图3是本发明中并行寿命预测网络的结构图;
图4是本实施例中初始故障点识别的示例图;
图5是本实施例中合成时频图的示例图;
图6是本实施例中某个全寿命周期振动信号的备选时域特征曲线图;
图7是筛选得到的时域特征曲线图;
图8是归一化后的时域特征曲线图;
图9是本实施例中三个测试集轴承的预测结果与真实标签的对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是基于并行特征提取的滚动轴承剩余寿命预测方法的具体实施方式流程图。如图1所示,本发明基于并行特征提取的滚动轴承剩余寿命预测方法的具体步骤包括:
S101:获取滚动轴承振动信号:
根据实际需要获取预设工况下若干滚动轴承的全寿命周期振动信号,每个全寿命周期振动信号中包含若干个采集时刻的采集信号,每个采集信号的数据长度为X。本实施例中,滚动轴承的振动信号采用水平振动加速度传感器信号。
S102:生成训练样本:
分别根据每个滚动轴承的全寿命周期振动信号生成训练样本,得到训练样本集。图2是本发明中生成训练样本的流程图。如图2所示,本发明中生成训练样本的具体步骤包括:
S201:识别初始故障点:
记全寿命周期振动信号所包含的采集时刻数量为T,对全寿命周期振动信号进行初始故障点(即滚动轴承开始发生故障时所对应的初始样本序号)识别,记初始故障点为T0,将初始故障点T0以前作为健康时期,初始故障点及以后作为故障时期,对应样本数量分别为TH与TF,TH+TF=T。
本实施例中,初始故障点识别的具体方法为:根据全寿命周期振动信号计算得到长度为T的均方根值,构成均方根值曲线,利用3-sigma准则识别出初始故障点T0。
S202:提取时域特征:
根据实际情况确定N个时域特征,对于全寿命周期振动信号故障周期中每个采集信号分别提取N个时域特征ti,n,TH+1≤i≤T。采用如下公式进行归一化,得到归一化后的时域特征fi,n:
将故障周期中每个采集时刻N个归一化后的时域特征fi,n构成时域特征向量Fi=[fi,1,fi,2,…,fi,N]。
对于故障时期的第j个采集时刻,TH+L≤j≤T,将该采集时刻和前L-1个采集时刻的时域特征向量构成长度为L的时域特征序列Pj=[Fj-L+1,Fj-L+2,…,Fj]。
为了使时域特征更加能够表示滚动轴承的运行特征,本实施例中设计了一种时域特征的筛选方法,具体方法为:
设置N′个备选时域特征,N′>N,分别获取每个备选时域特征的评价分数Scoren′,具体方法为:任意选取一个全寿命周期振动信号,分别提取该全寿命周期振动信号中每个采集信号的第n′个备选时域特征的特征值ak,n′,1≤k≤T,采用如下公式计算得到健康时期与故障时期的第n′个备选时域特征的特征值差异differencen′:
采用如下公式计算得到第n′个备选时域特征的波动量化值fluctutationn′:
fluctutationn′=σH,n′/σF,n′
其中,σH,n′、σF,n′分别表示第n′个备选时域特征在健康时期和故障时期的特征值标准差。
采用如下公式计算得到第n′个备选时域特征的趋势量化值trendn′:
然后采用如下公式计算得到第n′个备选时域特征的评价分数Scoren′:
Scoren′=differencen′-3*fluctutationn′+2*trendn′
然后将全寿命周期振动信号的N′个备选时域特征按照评价分数从大到小进行排列,选择前N个备选时域特征作为最终使用的时域特征。
S203:生成合成时频图:
对于全寿命周期振动信号,在健康时期中随机选择一个采集时刻,生成其采集信号的时频图作为正常状态时频图MH,然后生成故障时期第j个采集信号的时频图,分别将故障时期第j个采集信号的时频图与正常状态时频图MH进行拼接,得到合成时频图Mj。
S204:确定剩余寿命百分比标签:
对于全寿命周期振动信号中故障时期第j个采集时刻,采用如下公式计算其对应的剩余寿命百分比标签labelj:
S205:构成训练样本:
将故障时期第j个采集时刻的时域特征序列Pj=[Fj-L+1,Fj-L+2,…,Fj]、合成时频图Mj作为输入,剩余寿命百分比标签labelj作为输出,构成一个训练样本。
S103:构建并行寿命预测网络:
为了实现对滚动轴承剩余寿命的预测,本发明中构建了综合运用时频域特征和时域特征的并行寿命预测网络。图3是本发明中并行寿命预测网络的结构图。如图3所示,本发明中并行寿命预测网络包括时序信息模块、特征信息模块、特征拼接模块和预测模块,接下来分别对各个模块进行详细说明。
时序信息模块用于接收时域特征序列并进行特征提取,得到时序信息向量WT并发送给特征拼接模块。如图3所示,本实施例中时序信息模块包括第一线性层、LSTM(LongShort Term Memory,长短期记忆)网络和第二线性层,其中:
第一线性层用于采用Relu激活函数对时域特征序列进行处理,将处理得到的特征序列发送给LSTM网络。
LSTM网络用于从接收到的特征序列中提取出时序特征并发送给第二线性层。LSTM网络是一种常用的神经网络,其具体结构和工作流程在此不再赘述。
第二线性层用于采用Relu激活函数对时序特征进行处理得到时序信息向量QT并发送给特征拼接模块。
特征信息模块用于接收合成时频图进行特征提取,得到特征信息向量QTF并发送给特征拼接模块。如图3所示,本实施例中特征信息模块包括第一卷积模块、第二卷积模块、特征堆叠模块、多头注意力模块和线性层,其中:
第一卷积模块用于采用卷积操作对合成时频图进行特征提取,得到大小为W×H×A的特征G1,W×H表示特征G1的空间尺度,A表示特征G1的通道数,将特征G1发送至特征堆叠模块。
第二卷积模块用于采用与第一卷积模块不同尺度的卷积操作对合成时频图进行特征提取,得到大小为W×H×B的特征G2,B表示特征G2的通道数,将特征G2发送至特征堆叠模块。
本实施例中第一卷积模块和第二卷积模块都采用4层级联结构,每层由卷积层和最大池化层构成。表1是本实施例中第一卷积模块和第二卷积模块的参数配置表。
表1
特征堆叠模块用于将特征G1、特征G2在通道维度上进行堆叠,得到多尺度特征并发送给多头注意力模块。
多头注意力模块用于采用多头注意力机制对多尺度特征进行处理,将得到的特征向量发送至线性层。
线性层用于对接收到的特征向量进行降维,得到特征信息向量QTF并发送给特征拼接模块。
通过以上描述可知,本实施例的特征信息模块采用多尺度卷积神经网络-多头注意力机制,利用两种不同的卷积模块从合成时频图中全面地提取特征,并利用多头注意力机制分配权重,能够获取更丰富更有效的特征信息,从而提升特征信息向量对振动信号特征的表征能力,进而提高剩余寿命准确率。
特征拼接模块用于对接收的时序信息向量QT和特征信息向量QTF进行拼接,将得到的拼接信息向量发送至预测模块。
预测模块用于根据拼接信息向量进行处理,输出预测的剩余寿命百分比。如图3所示,本实施例中预测模块包括第一线性层、第二线性层和第三线性层,其中:
第一线性层用于采用ReLU激活函数对拼接信息向量进行处理,将得到的特征发送给第二线性层。
第二线性层用于采用LeakyReLU激活函数对接收到的特征进行处理,将得到的特征发送给第三线性层。
第三线性层用于采用Sigmoid激活函数对接收到的特征进行处理,得到预测的剩余寿命百分比。
S104:训练并行寿命预测网络:
将步骤S102得到的各个训练样本中的时域特征序列、合成时频图作为输入,对应的剩余寿命百分比标签作为期望输出,对并行寿命预测网络进行训练。
S105:滚动轴承剩余寿命预测:
当需要对滚动轴承进行寿命预测时,采集滚动轴承运行至当前时刻的振动信号,对振动信号进行初始故障点识别,当初始故障点不存在,或初始故障点存在且当前时刻与初始故障点之间的时间差小于L,则当前时刻的剩余寿命百分比为1,当初始故障点存在且当前时刻与初始故障点之间的时间差大于等于L,则采用如下方法进行剩余寿命预测:
从当前时刻采集信号和前L-1个采集时刻的采集信号中提取N个时域特征,构成时域特征序列P′,然后从初始故障点之前的健康时期中随机选择一个采集时刻,生成其采集信号的时频图作为正常状态时频图,然后生成当前时刻采集信号时频图,与正常时频图拼接得到合成时频图M′。将时域特征序列P′和合成时频图M′输入步骤S104训练好的并行寿命预测网络,得到滚动轴承的剩余寿命百分比。
实施例
为了更好地说明本发明的技术方案和技术效果,采用一个具体实例对本发明的工作流程和技术效果进行分析说明。轴承故障是旋转机械中的一种典型故障,因此本实施例采用西安交通大学轴承数据集XJTU-SY的轴承加速全寿命振动信号数据进行实验测试。
本实施例中使用的西安交通大学的轴承加速寿命试验共设计了3类工况,在每一种工况下对5个滚动轴承进行加速寿命测试。表2是本实施例中基于西安交通大学的轴承数据的具体试验工况。
表2
本实施例中振动加速度信号数据集通过单向加速度传感器进行采集,采样频率为25.6kHz,采样间隔为1min,每次的采样时长为1.28s。包含了3种工况下的15个滚动轴承的全周期寿命振动信号,且明确标注了各失效轴承的样本总数、基本额定寿命、实际寿命以及故障位置等信息。
根据每个滚动轴承的全寿命周期振动信号生成训练样本。首先进行初始故障点识别。图4是本实施例中初始故障点识别的示例图。表3是本实施例中各个滚动轴承的初始故障点信息表。
表3
如表3所示,两个滚动轴承由于其特殊性并未给出初始故障点,在后续流程中将这两个滚动轴承的信号舍弃。
接下来利用小波变换构建时频图,生成故障时期每个采集时刻的合成时频图。图5是本实施例中合成时频图的示例图。
对于时域特征,本实施例中设置了16个备选时域特征。表4是本实施例中备选时域特征的信息表。
表4
根据训练集滚动轴承Bearing1_1获取16个备选时域特征的评价分数。表5是本实施例中备选时域特征的评价分数表。
表5
如表5所示,筛选出综合评价得分前6的特征作为最终使用的时域特征,分别为均方根、方差、标准差、绝对均值、方根均值、平均功率。图6是本实施例中某个全寿命周期振动信号的备选时域特征曲线图。图7是筛选得到的时域特征曲线图。图8是归一化后的时域特征曲线图。
本实施例的并行特征提取网络模型通过Pytorch搭建,初始学习率为0.00001,优化算法选用Adam算法,损失函数选用MSE(Mean Square Error,均方误差)。采用训练集对并行特征提取网络模型进行训练,训练完成后将测试集输入并行特征提取网络模型进行剩余寿命预测。图9是本实施例中由本发明得到的部分测试集滚动轴承预测标签和真实标签之间的对比图。如图9所示,本发明得到的预测标签与真实标签较为接近。
为了进行技术效果对比,本实施例中将基于LSTM与CNN的RUL预测模型(CNN-LSTM)、基于MSCNN与BiGRU的RUL预测模型(MSCNN-BiGRU)的两种剩余寿命预测方法作为对比方法,与本发明进行对比实验。对比实验中,采用滚动轴承Bearing1_1、Bearing1_2和Bearing2_1的数据作为训练样本对相应的预测模型进行训练,将其他滚动轴承作为测试轴承输入训练好的预测模型进行剩余寿命百分比预测。选用的评价指标有RMSE(Root MeanSquare Error,均方根误差)和MAE(Mean Absolute Error,平均绝对误差)。表6是本实施例中本发明和对比方法的诊断结果对比表。
表6
如表6所示,本发明的剩余寿命预测误差整体小于对比的两种模型,平均误差指标在0.184与0.156,比基于LSTM与CNN的RUL预测模型误差降低约23%,比基于MSCNN与BiGRU的RUL预测模型误差降低约15%,可见本发明对于提升滚动轴承剩余寿命预测性能是有效的。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (7)
1.一种基于并行特征提取的滚动轴承剩余寿命预测方法,其特征在于,包括以下步骤:
S1:根据实际需要获取若干滚动轴承的全寿命周期振动信号,每个全寿命周期振动信号中包含若干个采集时刻的采集信号,每个采集信号的数据长度为X;
S2:分别根据每个滚动轴承的全寿命周期振动信号生成训练样本,得到训练样本集,生成训练样本的具体方法为:
S2.1:记全寿命周期振动信号所包含的采集时刻数量为T,对全寿命周期振动信号进行初始故障点识别,记初始故障点为T0,将初始故障点T0以前作为健康时期,初始故障点及以后作为故障时期,对应样本数量分别为TH与TF,TH+TF=T;
S2.2:根据实际情况确定N个时域特征,对于全寿命周期振动信号故障周期中每个采集信号分别提取N个时域特征ti,n,TH+1≤i≤T;采用如下公式进行归一化,得到归一化后的时域特征fi,n:
其中,tT0,n表示初始故障点T0的第n个时域特征值;
将故障周期中每个采集时刻N个归一化后的时域特征fi,n构成时域特征向量Fi=[fi,1,fi,2,…,fi,N];
对于故障时期的第j个采集时刻,TH+L≤j≤T,将该采集时刻和前L-1个采集时刻的时域特征向量构成长度为L的时域特征序列Pj=[Fj-L+1,Fj-L+2,…,Fj];
S2.3:对于全寿命周期振动信号,在健康时期中随机选择一个采集时刻,生成其采集信号的时频图作为正常状态时频图MH,然后生成故障时期第j个采集信号的时频图,分别将故障时期第j个采集信号的时频图与正常状态时频图MH进行拼接,得到合成时频图Mj;
S2.4:对于全寿命周期振动信号中故障时期第j个采集时刻,采用如下公式计算其对应的剩余寿命百分比标签labelj:
S2.5:将故障时期第j个采集时刻的时域特征序列Pj=[Fj-L+1,Fj-L+2,…,Fj]、合成时频图Mj作为输入,剩余寿命百分比标签labelj作为输出,构成一个训练样本;
S3:构建并行寿命预测网络,包括时序信息模块、特征信息模块、特征拼接模块和预测模块,其中:
时序信息模块用于接收时域特征序列并进行特征提取,得到时序信息向量WT并发送给特征拼接模块;
特征信息模块用于接收合成时频图进行特征提取,得到特征信息向量QTF并发送给特征拼接模块;
特征拼接模块用于对接收的时序信息向量QT和得到特征信息向量QTF进行拼接,将得到的拼接信息向量发送至预测模块;
预测模块用于根据拼接信息向量进行处理,输出预测的剩余寿命百分比;
S4:将步骤S2得到的各个训练样本中的时域特征序列、合成时频图作为输入,对应的剩余寿命百分比标签作为期望输出,对并行寿命预测网络进行训练;
S5:当需要对滚动轴承进行寿命预测时,采集滚动轴承运行至当前时刻的振动信号,对振动信号进行初始故障点识别,当初始故障点不存在,或初始故障点存在且当前时刻与初始故障点之间的时间差小于L,则当前时刻的剩余寿命百分比为1,当初始故障点存在且当前时刻与初始故障点之间的时间差大于等于L,则采用如下方法进行剩余寿命预测:
从当前时刻采集信号和前L-1个采集时刻的采集信号中提取N个时域特征,构成时域特征序列P′,然后从初始故障点之前的健康时期中随机选择一个采集时刻,生成其采集信号的时频图作为正常状态时频图,然后生成当前时刻采集信号时频图,与正常时频图拼接得到合成时频图M′;将时域特征序列P′和合成时频图M′输入步骤S4训练好的并行寿命预测网络,得到滚动轴承的剩余寿命百分比。
2.根据权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述滚动轴承的振动信号采用水平振动加速度传感器信号。
3.根据权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述初始故障点识别的具体方法为:根据全寿命周期振动信号计算得到长度为T的均方根值,构成均方根值曲线,利用3-sigma准则识别出初始故障点T0。
4.根据权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述步骤S2.3中N个时域特征的筛选方法为:
设置N′个备选时域特征,N′>N,分别获取每个备选时域特征的评价分数Scoren′,具体方法为:任意选取一个全寿命周期振动信号,分别提取该全寿命周期振动信号中每个采集信号的第n′个备选时域特征的特征值ak,n′,1≤k≤T,采用如下公式计算得到健康时期与故障时期的第n′个备选时域特征的特征值差异differencen′:
采用如下公式计算得到第n′个备选时域特征的波动量化值fluctutationn′:
fluctutationn′=σH,n′/σF,n′
其中,σH,n′、σF,n′分别表示第n′个备选时域特征在健康时期和故障时期的特征值标准差;
采用如下公式计算得到第n′个备选时域特征的趋势量化值trendn′:
然后采用如下公式计算得到第n′个备选时域特征的评价分数Scoren′:
Scoren′=differencen′-3*fluctutationn′+2*trendn′
然后将全寿命周期振动信号的N′个备选时域特征按照评价分数从大到小进行排列,选择前N个备选时域特征作为最终使用的时域特征。
5.根据权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述步骤S3中时序信息模块包括第一线性层、LSTM网络和第二线性层,其中:
第一线性层用于采用Relu激活函数对时域特征序列进行处理,将处理得到的特征序列发送给LSTM网络;
LSTM网络用于从接收到的特征序列中提取出时序特征并发送给第二线性层;
第二线性层用于采用Relu激活函数对时序特征进行处理得到时序信息向量QT并发送给特征拼接模块。
6.根据权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述步骤S3中特征信息模块包括第一卷积模块、第二卷积模块、特征堆叠模块、多头注意力模块和线性层,其中:
第一卷积模块用于采用卷积操作对合成时频图进行特征提取,得到大小为W×H×A的特征G1,W×H表示特征G1的空间尺度,A表示特征G1的通道数,将特征G1发送至特征堆叠模块;
第二卷积模块用于采用与第一卷积模块不同尺度的卷积操作对合成时频图进行特征提取,得到大小为W×H×B的特征G2,B表示特征G2的通道数,将特征G2发送至特征堆叠模块;
特征堆叠模块用于将特征G1、特征G2在通道维度上进行堆叠,得到多尺度特征并发送给多头注意力模块;
多头注意力模块用于采用多头注意力机制对多尺度特征进行处理,将得到的特征向量发送至线性层;
线性层用于对接收到的特征向量进行降维,得到特征信息向量QTF并发送给特征拼接模块。
7.根据权利要求1所述的滚动轴承剩余寿命预测方法,其特征在于,所述步骤S3中预测模块包括第一线性层、第二线性层和第三线性层,其中:
第一线性层用于采用ReLU激活函数对拼接信息向量进行处理,将得到的特征发送给第二线性层;
第二线性层用于采用LeakyReLU激活函数对接收到的特征进行处理,将得到的特征发送给第三线性层;
第三线性层用于采用Sigmoid激活函数对接收到的特征进行处理,得到预测的剩余寿命百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330506.8A CN116383647A (zh) | 2023-03-30 | 2023-03-30 | 基于并行特征提取的滚动轴承剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330506.8A CN116383647A (zh) | 2023-03-30 | 2023-03-30 | 基于并行特征提取的滚动轴承剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116383647A true CN116383647A (zh) | 2023-07-04 |
Family
ID=86976322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310330506.8A Pending CN116383647A (zh) | 2023-03-30 | 2023-03-30 | 基于并行特征提取的滚动轴承剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383647A (zh) |
-
2023
- 2023-03-30 CN CN202310330506.8A patent/CN116383647A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111721535B (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
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 | |
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
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 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110941928A (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN113865868B (zh) | 基于时频域表达的滚动轴承故障诊断方法 | |
CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN112508242A (zh) | 一种风力发电机轴承故障定位及分类模型的构建方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115859142A (zh) | 一种基于卷积变压器生成对抗网络的小样本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 |