CN116401950A - 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 - Google Patents
基于时间图卷积神经网络的滚动轴承性能衰退预测方法 Download PDFInfo
- Publication number
- CN116401950A CN116401950A CN202310379921.2A CN202310379921A CN116401950A CN 116401950 A CN116401950 A CN 116401950A CN 202310379921 A CN202310379921 A CN 202310379921A CN 116401950 A CN116401950 A CN 116401950A
- Authority
- CN
- China
- Prior art keywords
- rolling bearing
- indexes
- performance degradation
- index
- characteristic
- 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.)
- Granted
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 113
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 81
- 230000015556 catabolic process Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 238000002474 experimental method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100185263 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) mde-1 gene Proteins 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- 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
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，所述方法针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T‑GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。
Description
技术领域
本发明属于机械性能衰退预测领域，涉及一种滚动轴承性能衰退预测方法，具体涉及一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法。
背景技术
机械设备内部机构复杂多样且工况未知，若在高负载工况下，轴承等易损部件将会受到不同程度的冲击，久而久之，将会导致滚动轴承等部件发生故障。通常情况下，性能衰退预测对于检测设备的性能状态非常重要，其能够检测和隔离早期故障并确定设备的性能状态。随着旋转机械运行时间增加，其性能衰退将会加快，发生损坏的概率将会大大提高。因此，对机械设备的性能衰退预测是非常必要的。性能衰退预测是预知性维修不可或缺的重要组成部分之一，其对维护机械设备的寿命、健康状态和整个生产线安全运行有着非凡的意义。
性能衰退预测理论从预测机理上可分为基于概率统计、基于力学和基于信息新技术三大类。根据概率统计进行预测时，通常将所建立的预测数学模型中具有非确定性的参数看作确定值，导致结果与实际情况存在一定偏差，另外，得到的预测结果是具有一定分布特征的随机量。基于力学预测是从轴承失效和零部件损坏机制上进行探究，而滚动轴承的失效原因多表现为耦合故障，且基于力学预测的模型泛化能力较低。随着大数据和测试技术的发展，可通过传感器提取设备的不同数据用于设备的性能衰退预测，因此基于信息新技术及深度学习(Deep Learning，DL)的预测方法得到了越来越多的专家学者的青睐。
基于信息新技术，特别是基于深度学习的机器学习方法，不但拥有可自适应挖掘深层数据特征的优点，还能处理规则的网格状数据，能针对大数据集进行有效处理。循环神经网络(Recurrent Neural Network，RNN)将时间概念引入卷积神经网络(ConvolutionalNeural Networks，CNN)中，利用CNN模型参数共享的机制来分析时间累计效应，并对时间序列数据展开处理。但传统的RNN模型随着网络模型模块的不断增加，梯度在传播过程中趋于消失或爆炸，难以保障模型训练结果的有效性。针对这一问题，Hochreiter和Schmidhuber提出了长短期记忆(Long Short-Term Memory，LSTM)网络模型，LSTM的整体结构与传统的RNN模型相同，也具有神经网络重复模块链的形式，其独特之处在于创造性地使用了一组门单元控制其信息流，通过门单元的设置可有效避免梯度消失或爆炸等问题。国内外学者越来越多的将LSTM网络及其改进模型应用于滚动轴承预测领域的研究中。Yawei Hu等人使用改进的粒子群优化算法对LSTM网络模型参数进行优化，极大地提高了LSTM模型的预测精度。Saisai Wang等人使用门控循环单元(Gate Recurrent Unit，GRU)对滚动轴承健康指标和剩余寿命进行了准确预测。而传统的基于RNN的预测方法仅关注数据样本间的时间特征，忽略了样本之间或多特征之间的空间特征，其弱可解释性也阻碍了该方法在实际系统中的广泛应用，为了兼顾这两种不同的属性特征，基于图论的图卷积神经网络(GraphConvolutional Neural Network，GCN)模型为这一需求提供了可能，且发展迅速。TianfuLi等人建立了一个基于图神经网络(Graph Neural Network，GNN)的新型故障诊断和预测框架，在此框架中，提供了三种类型的图构造方法，并研究了七种具有四种不同图池化方法的GCN。Li等人开发了一种分层注意力GCN，通过图同构网络对多传感器信号中的空间相关性进行建模，用于滚动轴承性能预测。XiaoyuYang等人将时间序列数据转换为图结构，采用图形演化方法来监测图形随时间的变化，以此为轴承退化过程提供解释。
综上所述，基于概率统计和力学的性能衰退预测技术聚焦于轴承性能衰退的时变特性，建模相对困难且模型泛化性一般，不适用于实际工程应用。基于信息新技术的RNN及其变体等方法仅能对数据时间特征进行处理，忽略了样本或特征间的空间相关性，而基于图论的GCN模型却能对样本或特征间的空间相关性进行有效表达。
发明内容
本发明的目的是提供一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，该方法同时兼顾样本特征之间的时间相关性和空间相关性，将GRU模型与GCN模型进行组合，搭建时间图卷积神经网络(Temporal Graph Convolutional Neural Network，T-GCN)模型，并探究该模型在性能衰退预测领域的有效性及泛化能力。
本发明的目的是通过以下技术方案实现的：
一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，包括如下步骤：
步骤一、基于MDE的滚动轴承特征提取及性能评估
步骤一一、特征指标提取：获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标；
步骤一二、特征指标的评价与选择：将步骤一一获得的时域特征指标、频域特征指标和多尺度离散熵特征指标采用多个评估标准进行综合加权评价，得到综合评价结果最优的一项或一类特征指标；
步骤二、基于T-GCN的滚动轴承性能衰退预测
搭建基于T-GCN的滚动轴承性能衰退预测模型，将步骤一得到的综合评价结果最优的一类特征指标输入基于T-GCN的滚动轴承性能衰退预测模型中，得到滚动轴承性能衰退趋势。
相比于现有技术，本发明具有如下优点：
本发明针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T-GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。
附图说明
图1为轴承加速退化模拟实验台；
图2为2号实验1号轴承有量纲的时域指标；
图3为2号实验1号轴承无量纲的时域指标；
图4为2号实验1号轴承频域特征指标；
图5为基于多特征评估和固定窗均值的滚动轴承性能评估流程图；
图6为多尺度离散熵指标结果；
图7为滚动轴承性能阶段划分；
图8为GRU网络模型结构；
图9为两层GCN网络模型结构；
图10为T-GCN网络模型结构；
图11为基于两层GCN模型和GRU模型的T-GCN模型；
图12为基于T-GCN的滚动轴承性能衰退预测框架结构；
图13为不同隐层神经元个数下评价指标的比较结果；
图14为T-GCN模型预测效果图；
图15为GRU模型预测效果图；
图16为GCN模型预测效果图；
图17为轴承故障预测实验台；
图18为时域和频域特征指标归一化后结果；
图19为多尺度离散熵指标归一化后结果；
图20为基于标准偏差频率的滚动轴承性能阶段划分；
图21为不同模型预测结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明针对满足对所监测的滚动轴承性能变化趋势的需求问题，通过获取的滚动轴承原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标，将上述特征指标采用单调性、相关性、预测性和鲁棒性评估标准进行综合加权评价，得到评价结果最优的一项特征指标，通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。最后，引入图模型，将图模型与GCN模型结合提出一种基于T-GCN的滚动轴承性能衰退预测方法，分析不同隐层神经元个数下评价指标的比较结果和不同模型预测效果，确定模型参数和评价指标，通过扰动分析实验测试T-GCN预测模型的鲁棒性，验证基于T-GCN模型的预测方法具有更高的预测精度和更好的模型拟合优度。具体包括如下步骤：
步骤一、基于MDE的滚动轴承特征提取及性能评估
步骤一一、特征指标提取：获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标，具体步骤如下：
步骤一一一、获取滚动轴承的原始振动信号数据，对原始振动信号数据进行有量纲时域指标、无量纲时域指标和频域特征指标提取，其中：所述有量纲时域指标包括方差、标准差、均方根值、偏度和峭度，无量纲时域指标包括波形指标、裕度指标、脉冲指标、峰值指标和峭度指标，频域特征指标包括频率均值、中心频率、均方根频率和标准偏差频率；
步骤一一二、对原始振动信号进行归一化处理、符号变换和相空间重构，计算信号的离散熵；
步骤一一三、在离散熵基础上，对原始时间序列进行粗粒化运算以获得不同粗粒序列，计算相应的多尺度离散熵特征指标；
步骤一二、特征指标的评价与选择：将步骤一一获得的时域特征指标、频域特征指标和多尺度离散熵特征指标采用多个评估标准进行综合加权评价，得到综合评价结果最优的一项或一类特征指标，具体步骤如下：
将时域特征指标、频域特征指标和多尺度离散熵特征指标利用包括单调性、相关性、预测性和鲁棒性在内的评估标准，采用线性加权的方法进行综合加权评价，选择出能如实反映滚动轴承性能退化过程的关键特征指标，得到综合评价结果最优的一项或一类特征指标，其中：
所述单调性评估标准用来评估信号序列单调持续变化的明显程度，是特征指标序列的固有特性之一，表明滚动轴承性能退化的一致性，取值范围为[0,1]，具体的计算公式如下：
所述相关性评估标准用来度量特征指标序列和检测时间序列之间的线性相关程度，取值范围为[0,1]，代表了该指标的同类个体普适性，相关性评估结果越大，表明该指标与轴承运行时间的相关程度越高，具体的计算公式如下：
所述预测性评估标准反映了特征指标序列的变动范围和在FPT后的分散性，取值范围为[0,1]，预测性评估结果越大，说明该特征指标在FPT后的标准差越小，则表明该指标预测性能越好，具体的计算公式如下：
所述鲁棒性评估标准是对特征指标的波动性的描述，是特征指标的固有特性之一，反映特征指标对异常振动冲击或噪音的容忍能力，取值范围为[0,1]，鲁棒性越接近于1，表明该特征指标的鲁棒性越强，性能退化预测结果的不确定性就越小，具体的计算公式如下：
其中，X＝(x1,x2,...,xk)为特征指标时间序列，T＝(t1,t2,...,tk)为相应的检测时间序列，
代表获取的特征指标的趋势序列，K为特征长度，δ(x)为单位阶跃函数，/>
为特征指标X在初始时刻的均值，/>
为特征指标X在FPT点的均值，σ(xf)为特征指标X在FPT点的标准差；
所述线性加权的公式为：
E＝e1Mon(X)+e2Corr(X)+e3Pre(X)+e4Rob(X)
式中，E代表单调性、相关性、预测性和鲁棒性在内的四个指标评估标准的线性加权结果，ei代表指标的属性权重，eij＝1，n为属性个数，i代表第i个属性，j为排队等级，需要指出的是，排队等级是不同评价指标按其重要程度所做的一个排序，重要程度相同的评价指标可以处于同一排列等级；
步骤一三、性能衰退评估：通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。
步骤二：基于T-GCN的滚动轴承性能衰退预测
通过GRU构建时间相关性模型，通过GCN和路图拓扑结构构建空间相关性模型，搭建基于T-GCN的滚动轴承性能衰退预测模型，将步骤一得到的综合评价结果最优的一类特征指标输入基于T-GCN的滚动轴承性能衰退预测模型中，得到滚动轴承性能衰退趋势。具体步骤如下：
步骤二一、获取初始样本数据集：提取滚动轴承全生命周期实验台振动信号的时域特征指标、频域特征指标和多尺度离散熵特征指标，通过特征指标加权评价，挑选综合性能最好的一类特征指标；
步骤二二、构建路图：基于综合性能最好的一类特征指标构建特征矩阵X，并基于路图的拓扑结构构建邻接矩阵A，将该类特征指标按照一定比例分为训练数据集和测试数据集；
步骤二三、搭建基于T-GCN的滚动轴承性能衰退预测模型：将基于MDE的历史n个时间序列作为输入，使用基于路图拓扑结构构建的图卷积神经网络邻接矩阵，输入到GCN模型以获取MDE特征指标的空间特征，然后将得到的空间特征输入GRU模型，获取长时间序列的时间特征，以此搭建基于2层GCN模型和GRU模型的基于T-GCN的滚动轴承性能衰退预测模型，将基于T-GCN的滚动轴承性能衰退预测模型的学习速度、批量大小、训练时间和隐藏单元等超参数进行初始化，并设置学习率、批次大小、迭代次数等参数；
步骤二四、网络参数训练：将训练集输入到基于T-GCN的滚动轴承性能衰退预测模型中以获得输出误差，并通过误差的反向传播来更新模型参数；
步骤二五、滚动轴承性能衰退预测：重复步骤二四，满足终止条件后停止参数更新，将测试数据集输入到基于T-GCN的滚动轴承性能衰退预测模型中，完成滚动轴承性能衰退趋势的预测。
本发明使用均方根误差(Root Mean Squared Error，RMSE)、平均绝对误差(MeanAbsolute Error，MAE)、预测精度(Accuracy)、决定系数R2(Coefficient ofDetermination)和可解释方差(Explained Variance Score，Var)等五个不同的指标来评估T-GCN模型的预测性能，并将T-GCN与GRU、GCN模型预测效果做对比，多方面的衡量T-GCN模型的预测效果。
实施例1：
本实施例采用辛辛那提大学滚动轴承可靠性实验数据集进行方法验证，该实验台示意图如图1所示。该滚动轴承全寿命周期数据实验平台是由一个主轴、四个型号为RexnordZA-2115的双列滚动轴承、一个交流电动机和摩擦带组成。通过摩擦带将被测轴承连接到轴上的交流电机使转速稳定在2000rpm，通过弹簧机构给传动轴和滚动轴承施加径向载荷，以达到加速滚动轴承退化的目的。四个双列滚动轴承位于同一轴上，为了减少轴承内部摩擦，通过温控循环系统强制润滑。通过磁性塞收集碎屑，当积聚的碎屑超过阈值后，交流电机停止转动，测试结束。在轴承座上安装加速度计采集滚动轴承的振动数据，振动数据通过National Instruments DAQCard-6062E数据采集卡每10分钟采集一次，单次采样时间为一秒钟，数据采样率为20kHz，数据长度为20480点。
首先，基于MDE的特征提取及性能评估。
在全生命周期实验后期，1号实验第四个轴承出现内圈损伤，2号实验第一个轴承出现外圈损伤。本次采用2号实验1号轴承采集到的数据进行分析，提取的基于时域和频域的多特征分析结果如图2、图3和图4所示，该滚动轴承在试验结束时，检测出现外圈故障。按照图5流程进行特征指标的评价选择，基于多尺度离散熵的10个滚动轴承特征指标如图6所示。在滚动轴承全生命周期信号下，健康阶段的滚动轴承熵值是最大的；对于发生故障的滚动轴承，由于有固定的周期性冲击，振动数据的自相似性较高，熵值比正常状态要小；随着轴承退化程度加剧，多尺度离散熵会呈持续紊乱的状态，即反复的平衡再紊乱再平衡，最后失效，在一定程度上可表征滚动轴承的全生命周期的性能衰退程度。
通过线性加权计算各项评价指标权重，并以此计算提取的10个时域指标、4个频域指标和本实施例提取的10个多尺度离散熵指标评价结果，如表1所示：
表1各指标线性加权值
其中MDE-1至MDE-10为多尺度离散熵尺度因子τ＝1到τ＝10的表示，从表1中可以得知，多尺度离散熵的加权指标评价结果整体上是优于时域指标和频域指标，且MDE-3的加权指标评价结果最高，其值为0.7062。由此表明，对离散熵的多尺度化可明显提高指标的相关性，但指标的鲁棒性会有所降低。由表1可知，MDE-3的加权指标评价结果最高，为0.7062，优于其他23项特征指标，故选用MDE-3为后续滚动轴承性能评估指标，采用固定窗均值化处理MDE-3特征指标，即将该指标分解为趋势值和残差值，将窗口半径r设置为30可以明显观测出趋势值具有一定的单调性，配合残差值曲线进行分析，且可以较好的观察滚动轴承整体性能的变化趋势。
滚动轴承性能阶段划分结果如图7所示，基于MDE-3特征指标将滚动轴承全生命周期划分为4个阶段：第一阶段为正常阶段，滚动轴承无故障运行；第二阶段为轻微损伤阶段，性能趋势缓慢下降，且残差值轻微浮动；第三阶段为严重损伤阶段，趋势值多次出现波峰和波谷，该阶段轴承性能处于系统紊乱状态或动态平衡状态；第四阶段为轴承失效阶段，趋势值逐渐降为0，且残差值出现较大范围浮动。
最后，滚动轴承基于T-GCN的性能衰退预测。
基于深度学习框架TensorFlow进行T-GCN预测模型的构建，搭建本次滚动轴承性能衰退预测模型，并进行训练和测试。基于两层GCN模型和GRU模型搭建基于T-GCN的滚动轴承性能衰退预测模型，GRU网络模型结构如图8所示，两层GCN网络模型结构如图9所示，T-GCN模型结构如图10所示，通过结合GRU模型和GCN模型搭建的T-GCN网络预测模型如图11所示，即T-GCN模型是由GRU模型和GCN模型两部分组成，基于T-GCN的滚动轴承性能衰退预测流程图如图12所示。基于T-GCN的滚动轴承性能衰退预测模型在不同隐层神经元个数下的预测结果有效性如图10所示，其中(a)图显示了测试集中选择不同隐层神经元个数的RMSE和MAE指标结果，(b)图显示了测试集中选择不同隐层神经元个数的Accuracy、R2和Var指标结果。由图13看出，当隐层神经元个数选择为64时，RMSE和MAE为最小值，且Accuracy、R2和Var均为最大值，即当隐层神经元个数选择为64时，不同评价指标结果最好，随着隐层神经元个数的增加，模型预测效果先提高后下降。将T-GCN预测模型的预测结果与GCN模型和GRU模型进行对比，预测结果如图14、图15和图16所示，其中各图(a)为预测模型全图，图(b)为预测结果放大图。通过对比三个模型的预测效果图，T-GCN预测模型的真实值和预测值的曲线拟合效果是明显优于GCN预测模型和GRU预测模型，三个预测模型的5个评价指标的结果如表2所示：
表2不同预测模型对比
由5个评价指标的结果可知，T-GCN预测模型的RMSE指标相较于GCN模型及GRU模型分别下降18.00％及9.01％，MAE指标分别降低了25.52％和14.52％，即T-GCN预测模型的预测误差最小，表明基于时间图卷积建模可以较大程度地提高滚动轴承性能衰退预测的准确率。且另外3个指标的取值范围为[0,1]，T-GCN模型的结果指标相较于其他模型的结果指标更接近1，即表明从预测精度的角度来看，T-GCN预测模型的预测精度最高。
实施例2：
本实施例采用轴承故障预测实验台来验证本发明提出的基于MDE的滚动轴承特征提取及性能评估以及基于T-GCN的性能衰退预测模型。如图17所示，轴承故障预测实验台由数字式力显示器、交流电机、电机转速控制器、转轴、两个支撑轴承(6210轴承和18720轴承)、径向及轴向液压加载系统、力臂梁调节装置、拆卸轴承液压装置和测试轴承等组成，不仅可以进行滚动轴承故障实验，采集不同故障轴承及不同故障程度的监测数据，也可对各种滚动轴承进行多工况加速退化试验以得到实验轴承全寿命周期内的监测数据。实验台电机最大转速为3000r/min，最大液压载荷为15kN。为了获取被测滚动轴承的全生命周期振动信号，将一个三轴加速度传感器通过螺母固定于测试轴承的垂直方向上，分别获取轴承不同方向的振动数据。实验中采样频率设置为25.6kHz，Blocks设置为1，单次采样时长设置为1.30s，采样间隔设置为1min，调节转速为2100r/min,设置载荷为9kN，生成文件数232个。为获得滚动轴承全生命周期振动数据，当轴承振动信号的最大幅值超过6mm/s或温度传感器温度高于80℃时，认为滚动轴承完全失效，即刻实验台自动终止实验。测试轴承的具体参数如表3：
表3测试轴承的参数
首先，滚动轴承基于MDE的滚动轴承特征提取及性能评估。
基于MDE的滚动轴承特征提取及性能评估流程图如图2所示。首先，对采集的数据集分别提取5个有量纲时域特征指标、5个无量纲频域特征指标、4个频域特征指标以及基于多尺度离散熵的10个滚动轴承特征指标。时域和频域特征指标归一化后结果如图18所示，基于多尺度离散熵的10个特征指标归一化后结果如图19所示。其次，利用单调性、相关、预测性及鲁棒性对多个特征指标进行综合评估，选择最佳特征指标进行后续处理。通过赋权公式算各项评价指标权重，并以此计算提取的10个时域指标、4个频域指标和提取的10个多尺度离散熵指标评价结果，如表4所示：
表4各指标线性加权值
由表4可知，多尺度离散熵的加权指标评价结果整体上是优于时域指标和频域指标，但标准偏差频率的加权指标评价结果最高，故对标准偏差频率进行固定窗均值化处理，其趋势图及残差值如图20所示，可以看出，全生命周期性能衰退各阶段划分清晰。
最后，滚动轴承基于T-GCN的性能衰退预测。
基于T-GCN的性能衰退预测，由表4各指标线性加权值结果可知，MDE的加权指标评价结果整体上是优于时域指标和频域指标，且前四组熵值具有一致的退化趋势，故采用前四组离散熵作为输入搭建预测模型。针对采样点数量和实验结果对比，对T-GCN预测模型进行调整，设置训练次数、批次大小和隐层神经元个数，同时将T-GCN的预测效果将与GRU、GCN预测方法进行对比，预测结果如图21所示。通过对比三个模型的预测结果图，GCN预测模型在曲线平稳阶段拟合度较高，GRU预测模型在曲线后期趋势预测较好，整体上T-GCN预测模型的真实值和预测值的曲线拟合是明显优于GCN预测模型和GRU预测模型。三个预测模型的5个评价指标的结果如表5所示：
表5模型预测结果
由表5可知，T-GCN预测模型RMSE指标相较于GCN模型及GRU模型分别下降27.14％及15.15％，MAE指标分别降低了20.96％和27.90％，即T-GCN预测模型的预测误差更小，表明基于时间图卷积建模可以有效提高预测效果。
因此，经过实验对比验证，T-GCN模型能有效提高轴承性能衰退预测精度，且预测模型具有一定的泛化性。
Claims (7)
1.一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述方法包括如下步骤：
步骤一、基于MDE的滚动轴承特征提取及性能评估
步骤一一、特征指标提取：获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标；
步骤一二、特征指标的评价与选择：将步骤一一获得的时域特征指标、频域特征指标和多尺度离散熵特征指标采用多个评估标准进行综合加权评价，得到综合评价结果最优的一项或一类特征指标；
步骤二、基于T-GCN的滚动轴承性能衰退预测
搭建基于T-GCN的滚动轴承性能衰退预测模型，将步骤一得到的综合评价结果最优的一类特征指标输入基于T-GCN的滚动轴承性能衰退预测模型中，得到滚动轴承性能衰退趋势。
2.根据权利要求1所述的基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述步骤一一的具体步骤如下：
步骤一一一、获取滚动轴承的原始振动信号数据，对原始振动信号数据进行有量纲时域指标、无量纲时域指标和频域特征指标提取；
步骤一一二、对原始振动信号进行归一化处理、符号变换和相空间重构，计算信号的离散熵；
步骤一一三、在离散熵基础上，对原始时间序列进行粗粒化运算以获得不同粗粒序列，计算相应的多尺度离散熵特征指标。
3.根据权利要求2所述的基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述有量纲时域指标包括方差、标准差、均方根值、偏度和峭度，无量纲时域指标包括波形指标、裕度指标、脉冲指标、峰值指标和峭度指标，频域特征指标包括频率均值、中心频率、均方根频率和标准偏差频率。
4.根据权利要求1所述的基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述步骤一二的具体步骤如下：
将时域特征指标、频域特征指标和多尺度离散熵特征指标利用包括单调性、相关性、预测性和鲁棒性在内的评估标准，采用线性加权的方法进行综合加权评价，选择出能如实反映滚动轴承性能退化过程的关键特征指标，得到综合评价结果最优的一项或一类特征指标。
5.根据权利要求4所述的基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述单调性评估标准的计算公式如下：
所述相关性评估标准的计算公式如下：
所述预测性评估标准的计算公式如下：
所述鲁棒性评估标准的计算公式如下：
其中，X＝(x1,x2,...,xk)为特征指标时间序列，T＝(t1,t2,...,tk)为相应的检测时间序列，
代表获取的特征指标的趋势序列，K为特征长度，δ(x)为单位阶跃函数，/>
为特征指标X在初始时刻的均值，/>
为特征指标X在FPT点的均值，σ(xf)为特征指标X在FPT点的标准差。
6.根据权利要求4所述的基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述线性加权的公式为：
E＝e1Mon(X)+e2Corr(X)+e3Pre(X)+e4Rob(X)
式中，E代表单调性、相关性、预测性和鲁棒性在内的四个指标评估标准的线性加权结果，ei代表指标的属性权重，eij＝1，n为属性个数，i代表第i个属性，j为排队等级。
7.根据权利要求1所述的基于时间图卷积神经网络的滚动轴承性能衰退预测方法，其特征在于所述步骤二的具体步骤如下：
步骤二一、获取初始样本数据集：提取滚动轴承全生命周期实验台振动信号的时域特征指标、频域特征指标和多尺度离散熵特征指标，通过特征指标加权评价，挑选综合性能最好的一类特征指标；
步骤二二、构建路图：基于综合性能最好的一类特征指标构建特征矩阵X，并基于路图的拓扑结构构建邻接矩阵A，将该类特征指标分为训练数据集和测试数据集；
步骤二三、搭建基于T-GCN的滚动轴承性能衰退预测模型：将基于MDE的历史n个时间序列作为输入，使用基于路图拓扑结构构建的图卷积神经网络邻接矩阵，输入到GCN模型以获取MDE特征指标的空间特征，然后将得到的空间特征输入GRU模型，获取长时间序列的时间特征，以此搭建基于2层GCN模型和GRU模型的基于T-GCN的滚动轴承性能衰退预测模型，将基于T-GCN的滚动轴承性能衰退预测模型的超参数进行初始化，并设置学习率、批次大小、迭代次数参数；
步骤二四、网络参数训练：将训练集输入到基于T-GCN的滚动轴承性能衰退预测模型中以获得输出误差，并通过误差的反向传播来更新模型参数；
步骤二五、滚动轴承性能衰退预测：重复步骤二四，满足终止条件后停止参数更新，将测试数据集输入到基于T-GCN的滚动轴承性能衰退预测模型中，完成滚动轴承性能衰退趋势的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310379921.2A CN116401950B (zh) | 2023-04-11 | 2023-04-11 | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310379921.2A CN116401950B (zh) | 2023-04-11 | 2023-04-11 | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116401950A true CN116401950A (zh) | 2023-07-07 |
| CN116401950B CN116401950B (zh) | 2024-03-01 |
Family
ID=87009969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310379921.2A Active CN116401950B (zh) | 2023-04-11 | 2023-04-11 | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401950B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117386715A (zh) * | 2023-10-24 | 2024-01-12 | 索密克汽车配件有限公司 | 转动限制的球头关节及使用寿命实时评价系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695521A (zh) * | 2020-06-15 | 2020-09-22 | 哈尔滨理工大学 | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 |
| CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
| US20210374506A1 (en) * | 2019-09-05 | 2021-12-02 | Soochow University | Method for predicting bearing life based on hidden markov model and transfer learning |
| CN114841208A (zh) * | 2022-05-14 | 2022-08-02 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
-
2023
- 2023-04-11 CN CN202310379921.2A patent/CN116401950B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210374506A1 (en) * | 2019-09-05 | 2021-12-02 | Soochow University | Method for predicting bearing life based on hidden markov model and transfer learning |
| CN111695521A (zh) * | 2020-06-15 | 2020-09-22 | 哈尔滨理工大学 | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 |
| CN111737911A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种深度置信网络与极限学习机的轴承衰退趋势预测方法 |
| CN114841208A (zh) * | 2022-05-14 | 2022-08-02 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117386715A (zh) * | 2023-10-24 | 2024-01-12 | 索密克汽车配件有限公司 | 转动限制的球头关节及使用寿命实时评价系统 |
| CN117386715B (zh) * | 2023-10-24 | 2024-04-30 | 索密克汽车配件有限公司 | 转动限制的球头关节及使用寿命实时评价系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116401950B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Haidong et al. | Enhanced deep gated recurrent unit and complex wavelet packet energy moment entropy for early fault prognosis of bearing | |
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| Han et al. | Remaining useful life prediction of bearing based on stacked autoencoder and recurrent neural network | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN111597651B (zh) | 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法 | |
| Zhang et al. | Early fault detection method of rolling bearing based on MCNN and GRU network with an attention mechanism | |
| CN111504635B (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
| CN111595583B (zh) | 基于gau神经网络的轴承剩余寿命的预测方法 | |
| CN111581892B (zh) | 基于gdau神经网络的轴承剩余寿命的预测方法 | |
| CN116401950B (zh) | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 | |
| 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 | |
| CN115901249B (zh) | 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法 | |
| CN114841208A (zh) | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 | |
| CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN115600928A (zh) | 基于oao-rvm的gis盆式绝缘子状态评估方法 | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| 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 | |
| CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
| Wang et al. | Wavelet packet transform-assisted least squares support vector machine for gear wear degree diagnosis | |
| CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
| Wang et al. | Research on Rolling Bearing Fault Diagnosis Based on Volterra Kernel Identification and KPCA | |
| Yang et al. | Long-term RUL Prediction of Bearings with Signal Amplitude Regulation and Accumulative Feature |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |