CN116776726A - 基于分阶段差异化特征选择的机电装备零件寿命预测方法 - Google Patents
基于分阶段差异化特征选择的机电装备零件寿命预测方法 Download PDFInfo
- Publication number
- CN116776726A CN116776726A CN202310662263.8A CN202310662263A CN116776726A CN 116776726 A CN116776726 A CN 116776726A CN 202310662263 A CN202310662263 A CN 202310662263A CN 116776726 A CN116776726 A CN 116776726A
- Authority
- CN
- China
- Prior art keywords
- layer
- signal
- life
- data
- electromechanical equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004069 differentiation Effects 0.000 title claims abstract description 21
- 230000015556 catabolic process Effects 0.000 claims abstract description 83
- 238000006731 degradation reaction Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000005096 rolling process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004880 explosion Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000935372 Tisias Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于分阶段差异化特征选择的机电装备零件寿命预测方法。针对机电装备关键零件监测数据,基于振动信号退化角计算局部离群因子,标定零件退化阶段;使用随机森林对信号特征进行特征筛选实现数据降维;使用带有注意力层的LSTM网络提取时序信号关键信息,构建剩余使用寿命预测模型;训练预测模型,获得训练好的模型;采集零件的监测信号,输入训练好的模型中获得零件的剩余使用寿命。本发明首次使用局部离群因子无监督地划分零件退化阶段,不依赖经验阈值,降低人为设置阈值的不确定性,提高了模型预测准确性,模型具有很强的鲁棒性和泛化性。本发明方法新颖,且适用于原始特征多、数据量大的工程情况,便于在工程实践中使用。
Description
技术领域
本发明属于机电装备零件剩余使用寿命预测领域的基于零件退化阶段划分的寿命预测方法,涉及了一种基于分阶段差异化特征选择的机电装备零件寿命预测方法。
背景技术
剩余使用寿命是用于预测机电装备组件故障的重要参数之一。由于操作条件、环境的变化以及不同参数的复杂性,机电装备零件退化情况和理想情况总有一定差异,对机电装备零件的剩余使用寿命做预测有重要意义。
剩余使用寿命预测算法通过监控传感器收集时序数据(例如,振动信号、温度信号、电压信号等)检测部件的状况进行寿命预测,专注于预测系统或部件停止执行其预期功能的时间点。在工程背景下,由于内部因素(部件之间的制造和装配差异)或外部因素(工作条件的切换、任务变化等)的影响,许多部件的退化路径呈现出两种阶段甚至多阶段的退化特性。一些部件的退化路径具有多阶段的非单调特性,并呈现出不同的退化趋势。现有的多阶段预测方法大多是依据经验阈值标定退化阶段,退化路径变化点的位置往往不准确,且过于依赖专家知识,增加人力和时间成本。而单一阶段预测模型忽略了阶段退化特征与模型预测特征的匹配,导致预测方法精度低。
同时,在数据处理过程中,高维数据集中可能存在冗余特征,对预测存在负面贡献,且容易导致模型过拟合,影响预测的准确性。有效的特征选择具有重要意义。通过选择关键特征并去除冗余特征,可以大大提高预测模型的泛化能力。针对特征提取和筛选,2022年,专利“一种轴承寿命预测方法”公开了一种利用BiLSTM网络实现针对振动信号时域特征预测轴承使用寿命的方法,其中针对时域特征提取,该方法利用KL_VMD对振动信号进行分解,得到振动信号的各模态分量;计算各模态分量的样本熵,以获取时序状态特征;专利“一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法”公开了一种针对铁路列车轴承的寿命预测方法,该方法从轴承全寿命振动数据中提取时域、频域和时频域特征参数,归一化处理后,作为CAN网络的输入。2021年,专利“一种基于深度注意力网络的轴承剩余寿命预测方法”公开了一种利用小波多尺度频带注意力模块,从原始信号中抽取时频信息进行特征提取的深度注意力网络寿命预测方法,寻找轴承退化敏感频带。针对原始或提取后的大量样本特征,现有的方法往往忽视了针对多元特征的筛选过程。引入过多的特征数量会导致样本数据量过大,导致深度神经网络预测模型运行计算压力大,时间成本高的问题。同时,特征冗余会导致样本数据多噪声、多偏差、多无效信息,使模型容易出现过拟合问题,实际预测效果差。而引入过少的特征数量容易削弱数据的可解释性,损失有效信息;或引入更复杂的网络结构,带来效率损失。
现有的基于神经网络的方法在剩余使用寿命预测方向已经取得了较好的结果,常用的神经网络模型包括卷积神经网络(CNN)、循环神经网络(RNN)、自编码器网络(AE)等。CNN网络可用于从数据中提取有用且稳健的特征,但CNN可能无法充分模拟时间序列数据的时间特征。传统RNN网络可以挖掘任何给定数据集的顺序信息,然而,基于其内在模型,RNN会产生梯度消失或爆炸的问题,从而影响训练过程。长短期记忆网络(LSTM)可以有效解决消失梯度或爆炸问题,保留长期和短期信息,可以远距离检测和捕捉重要特征。虽然LSTM可以有效捕捉序列数据的特征信息,但仍存在局限性。针对使用编码-解码器结构的LSTM模型,如果输入序列为长序列,编码器对较早时间步长的记忆力往往较弱。针对这一问题,在解码过程中保留并利用了输入序列的所有隐藏状态的注意力机制可以有效解决网络对较早时间步长的记忆力弱的问题。注意力层为编码器输出的每个隐藏状态分配适当的权重,并将它们映射到输出序列,有选择地从该序列中挑选出特定元素来产生输出结果,实现长时序数据深层特征挖掘。
发明内容
针对背景技术中提到的问题,本发明提出了一种基于分阶段差异化特征选择的机电装备零件寿命预测方法。本发明首次使用局部离群因子无监督地划分零件退化阶段,不依赖经验阈值,降低人为设置阈值的不确定性。使用随机森林进行有效特征的筛选和数据降维,直观展现各阶段不同特征的重要性,提高模型可解释性,同时去除了原始数据中的大量冗余数据,减少网络训练数据量,节约计算成本。基于退化阶段进行特征差异化筛选,设置可调节的阶段重要性权重向量,构建综合重要性最高的特征集,提高模型预测准确性。使用带有Luong注意力层的LSTM网络有效提取时序信号关键信息,实现工件的剩余使用寿命预测,可广泛应用于各种机电装备关键零件的剩余使用寿命预测中。
为实现上述功能,本发明的技术方案如下:
本发明包括以下步骤:
S1:在机电装备关键零件上安装加速度传感器,加速度传感器采集关键零件的全寿命周期监测数据并记为监测信号数据,同时记录关键零件的运行时间;
S2:对监测信号数据进行数据预处理,得到训练数据样本,同时根据训练数据样本对应的关键零件的运行时间进行寿命标签处理,得到训练数据样本对应的剩余使用寿命标签;
S3:提取监测信号数据的信号特征以及标定监测信号数据的信号退化阶段;
S4:基于监测信号数据的信号退化阶段,对提取的信号特征进行重要度筛选,获得目标信号特征,由目标信号特征和对应的剩余使用寿命标签组成训练集;
S5:将训练集输入到机电装备关键零件剩余使用寿命的预测模型中对模型进行训练,获得训练好的预测模型;
S6:将待测关键零件对应的目标信号特征输入到训练好的预测模型中,预测待测关键零件的剩余使用寿命。
所述监测信号数据包括水平与竖直两个方向上的振动信号。
所述S2中,根据训练数据样本的数量,对训练数据样本对应的关键零件的运行时间进行关键零件剩余使用寿命百分比的从0到1线性等分,得到训练数据样本的剩余使用寿命标签
所述S3中,信号特征分为时域、频域和时频域特征三类,其中时域特征包括最大值、最小值、峰峰值、平均值、均方根、偏斜、标准偏差、绝对平均值、峰度、方差、变异系数、波峰因数、间隙因数、波形因子、峰态系数、能量算子、脉冲因子和偏斜因子,频域特征包括FSPS频域特征,时频域特征是对监测信号数据进行能量归一化处理以及进行三阶小波分解后获得的。
所述S3中,标定信号退化阶段具体为:
首先根据监测信号数据计算信号退化角,然后基于信号退化角的标准差计算局部离群因子,最后根据局部离群因子的分布标定监测信号数据的信号退化阶段。
所述S4具体为:
S41:确定监测信号数据中各信号退化阶段的阶段重要度;
S42:利用随机森林回归算法分别对各信号退化阶段的信号特征进行重要度计算,获得各信号退化阶段中所有信号特征的重要度;
S43:根据阶段重要度对所有信号特征的重要度进行加权计算,获得所有信号特征对应的综合重要性,选择综合重要性排序靠前的若干个信号特征作为目标信号特征,由目标信号特征和对应的剩余使用寿命标签组成训练集。
所述机电装备关键零件剩余使用寿命的预测模型具体为带有Luong注意力层的LSTM神经网络,包括LSTM编码器层、LSTM解码器层、Luong注意力层、上下文向量层、连接层、第一全连接网络层、第二全连接网络层和输出层;
LSTM神经网络的输入作为LSTM编码器层的输入,LSTM编码器层输出的最后一个隐藏状态和最后一个单元格状态均作为LSTM解码器层的输入,LSTM解码器层与Luong注意力层相连,Luong注意力层经上下文向量层后与连接层相连,LSTM解码器层还与连接层相连,LSTM编码器层输出的堆叠隐藏状态作为Luong注意力层和上下文向量层的输入,连接层依次经第一全连接网络层和第二全连接网络层后再与输出层相连,输出层的输出作为LSTM神经网络的输出。
所述待测关键零件与S1中的关键零件同类型。
本发明首次使用局部离群因子无监督地划分零件退化阶段,阶段特征区分度高,方法直观简单。不依赖经验阈值,降低人为设置阈值的不确定性。基于先验知识提取振动信号中的时域、频域及时频域特征,并使用随机森林进行对各退化阶段进行有效的特征筛选和数据降维,直观展现不同特征的重要性,提高模型可解释性,同时去除了原始数据中的大量冗余数据,减少网络训练数据量,节约计算成本。基于退化阶段进行特征差异化筛选,设置可调节的阶段重要性权重向量,构建综合重要性最高的特征集作为网络输入,提高模型预测准确性。通过带有Luong注意力层的LSTM网络处理机电装备关键零件运行过程的传感器监测信号,Luong注意力层将为编码器输出的每个隐藏状态分配适当的权重,并将它们映射到输出序列解决了普通LSTM网络对较早时间步长的记忆弱的问题,充分挖掘时序信号中与剩余使用寿命相关的重要特征,并通过全连接网络的拟合能力,将提取到的特征映射到预测结果上,实现零件剩余使用寿命的在线预测。
与现有的技术相比,本发明具有以下有益效果:
与传统的方法相比,本发明保留了传统方法中常见的基于先验知识的提取信号特征方法,提高本方案的可解释性,并压缩了数据量;引入退化阶段划分模块,改善了单一预测模型忽略阶段退化特征与模型预测特征匹配性,导致预测方法精度低的问题。使用局部离群因子无监督地划分零件退化阶段,解决了传统方法中人为设置阈值、没有统一的划分框架所导致的临界点位置判定过于主观、结果的不确定性强的问题。本发明所提出的方法阶段特征区分度高,方法直观简单。使用随机森林回归方法对多项特征的重要性进行排序和筛选,使模型具有很强的鲁棒性和泛化性。本发明所提出的方法使用带有Luong注意力层的LSTM网络进一步挖掘时序长序列的重要特征,避免了传统方案中常用的CNN网络可能无法充分模拟时间序列数据的时间特征、传统RNN网络会产生梯度消失或爆炸的问题从而影响训练过程的问题。
在机电装备零件剩余使用寿命预测领域,本发明首次提出使用局部离群因子无监督地划分零件退化阶段,并基于退化阶段进行特征差异化筛选,最后结合Luong注意力LSTM网络实现装备零件寿命预测的方案。该模型可以根据给定某时刻滚动轴承的趋势性特征,向使用者返回一个表证滚动轴承衰退程度的退化值。本方案兼顾监测信号的阶段性特征差异化筛选和深层时序特征提取,实现有效的剩余寿命预测。本发明方法新颖,且适用于原始特征多、数据量大的工程情况,便于在工程实践中使用。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实施例中用于轴承剩余使用寿命预测的注意力网络模型。
图3为本发明实施例中bearing1_1子集的水平方向振动信号图,其中纵坐标为振幅,横坐标为样本。
图4为本发明实施例中bearing1_1子集划分零件退化阶段过程的结果图。
其中4-1为基于退化角标准差的局部离群因子结果图,4-2为划分退化阶段后基于振动信号均方根值的退化角结果图,4-3为划分退化阶段后退化角标准差结果图,4-4为划分退化阶段后振动信号均方根特征结果图。
图5为本发明实施例中bearing1_1子集、bearing1_3子集、bearing1_4子集基于阶段重要性权重向量和随机森林进行特征差异化筛选的特征综合重要性指标结果图。
图6为本发明实施例中训练过程的训练误差和验证误差的变化趋势图。
图7为本发明实施例中剩余使用寿命预测值和真实值的比较图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明:
本发明具体实施例如下:
本实施例使用了2012年PHM数据大赛的轴承监控数据(简称PHM2012数据集)对本发明所提出的一种基于时序多特征数据处理和带有Luong注意力层的LSTM网络的装备关键零件寿命预测方法进行实验验证。
PHM2012数据集是通过在PRONOSTIA平台(退化实验平台)上对滚动轴承进行加速退化实验得到的,该平台主要包括旋转部分、加载部分和测量部分。旋转部分以电机驱动,使滚动轴承处于不间断工作状态;为了加速轴承的退化,加载部分对运行中的滚动轴承施加可控的径向载荷;测量部分利用两个相互垂直的加速度传感器分别测量滚动轴承水平和垂直两个方向的振动信号。其中加速度传感器每10s进行一次采样,每次采样时间为0.1s,采样频率为25.6kHz,即每次采样共得到2560组数据,这2560组数据形成一个文件。当采集的振动信号幅值超过20g时,则认为该滚动轴承已经不能正常工作,停止试验。通过上述试验产生了三种工作状态下(转速和负载不同)的滚动轴承全生命周期监控数据。
在实施例中选取第一种工况下(转速为1800rpm,负载为4000N),退化趋势较明显的轴承进行实验,验证所提方法的有效性。选取的滚动轴承在试验中的编号如下:bearing1_1、bearing1_2、bearing1_3、bearing1_4。其中bearing1_1、bearing1_3和bearing1_4作为训练数据对模型进行训练,bearing1_2作为测试数据集对模型效果进行测试。
图1和图2所示,实验示例所用PHM2012数据集,本发明包括以下步骤:
S1:在机电装备关键零件上安装加速度传感器,加速度传感器采集关键零件的全寿命周期监测数据并记为监测信号数据,同时记录关键零件的运行时间;
监测信号数据包括水平与竖直两个方向上的振动信号。图3为本实施例中bearing1_1子集在水平方向采集的振动信号图。
S2:对监测信号数据进行数据预处理,得到训练数据样本,同时根据训练数据样本对应的关键零件的运行时间进行寿命标签处理,得到训练数据样本对应的剩余使用寿命标签;本实施例中,使用bearing1_1、bearing1_3和bearing1_4数据集作为初始训练集。
S2中,根据训练数据样本的数量,对训练数据样本对应的关键零件的运行时间进行关键零件剩余使用寿命百分比的从0到1线性等分,得到训练数据样本的剩余使用寿命标签,即其大小限定在0-1之间。值为0表示轴承完全正常,值为1表示轴承已经失效。
S3:提取监测信号数据的信号特征以及标定监测信号数据的信号退化阶段;
S3中,信号特征分为时域、频域和时频域特征三类,其中时域特征包括最大值、最小值、峰峰值、平均值、均方根、偏斜、标准偏差、绝对平均值、峰度、方差、变异系数、波峰因数、间隙因数、波形因子、峰态系数、能量算子、脉冲因子和偏斜因子,共16个时域特征,X和Y方向的监测信号共可提取32个特征。基于先验知识提取信号频域特征,为了保证频域信息的有效性,频域特征采用FSPS(Frequency Spectrum Partition Summation)频域特征,具体为:对于时序序列x(i),i=1,2,…,n,x(i)是一系列振动信号,序列x(i)的快速傅里叶变换为频域序列z(t),t=1,2,…,m。如果对序列z(t)进行模运算,则可以得到幅频特征序列s(j),j=1,2,...,m。该序列s(j)的FSPS表示为:
其中,xFSPS(k)表示频谱划分求和后的新频域特征,K表示基于人为经验确定的频域区间数,k=1,2,3…K。将幅频特征序列平均分为5段,得到五维频域特征。X和Y方向的监测信号共可提取10个特征。
基于先验知识提取信号时频域特征,时频域特征是对监测信号数据的每个时间序列进行能量归一化处理以及进行三阶小波分解后获得的。
具体地,第一步先对序列进行能量归一化处理,特征抽取时,尺度空间的分解依同一顺序进行,所以只需记录和存贮下极大值的时间平移参数和幅值即可。从而得到特征向量F如下:
F=(T(F1),V(F1),T(F2),V(F2),...,T(Fm),V(Fm)),
式中,F1表示小波分解后第一个极大值,T(F1)表示第1个极大值的时间平移量,V(F1)表示第1个极大值的幅值量。
通过三阶小波分解得到时频域特征,三阶小波分解共有3个低频分量(D1,D2,D3)和一个高频分量(A3),将时间平移量和幅值依次排列可以得到8个特征,X和Y方向的监测信号共可提取16个特征。
S3中,标定信号退化阶段具体为:
首先根据监测信号数据计算信号退化角,然后基于信号退化角的标准差计算局部离群因子,最后根据局部离群因子的分布标定监测信号数据的信号退化阶段。
具体地:
使用信号均方根值计算退化角DA,退化角计算公式如下:
式中,rmst表示t时刻振动信号的均方根值,l表示时间维度上的间隔。在本实施例中,l取值为10。基于退化角标准差计算局部离群因子LOF,根据局部离群因子数值分布标定退化阶段。局部离群因子的计算公式如下:
RDk(O,P)=max{dk(O),d(O,P)}
其中,LOFk(P)表示数据点p的第k局部离群因子,针对目标点P和其余任意一点O,dk(O)为点O的第k距离,d(O,P)为点O到点P的欧氏距离,RDk(O,P)表示点O到点P的第k可达距离,lrdk(P)为点P的局部可达密度,Nk(P)表示数据点p的第k距离邻域(指点p的第k距离内的所有点的集合,包括第k距离上的点.),lrdk(O)表示数据点p的第k局部可达密度,||表示集合内包括的元素个数。最近邻数k为模糊比例参数μ和样本数的乘积,在本实施例中,μ取值为0.4。图4为本发明实施例中bearing1_1子集划分零件退化阶段过程的结果图。其中4-1为基于退化角标准差的局部离群因子结果图,4-2为划分退化阶段后基于振动信号均方根值的退化角结果图,4-3为划分退化阶段后退化角标准差结果图,4-4为划分退化阶段后振动信号均方根特征结果图。
S4:基于监测信号数据的信号退化阶段,对提取的信号特征进行重要度筛选,获得目标信号特征,由目标信号特征和对应的剩余使用寿命标签组成训练集;
S4具体为:
S41:确定监测信号数据中各信号退化阶段的阶段重要度;
S42:利用随机森林回归算法分别对各信号退化阶段的信号特征进行重要度计算,获得各信号退化阶段中所有信号特征的重要度;具体实施中,使用MATLAB函数templateTree构建随机森林(RF)回归模型,基于树中决策节点使用相对顺序和每个特征对最终回归结果的贡献比例构建重要性指标,其数值越高,其对应特征于随机森林回归结果的重要性越强。随机森林回归算法中使用指标均方根误差(RMSE)与回归判定系数(R2)衡量模型精度。图5为本发明实施例中bearing1_1子集、bearing1_3子集、bearing1_4子集基于阶段重要性权重向量和随机森林进行特征差异化筛选的特征综合重要性指标结果图。
S43:根据阶段重要度对所有信号特征的重要度进行加权计算,即存在可调节的阶段重要性权重向量,通过可调节的阶段重要性权重向量对重点退化阶段的信号特征重要性进行增强,对非重点退化阶段的信号特征重要性进行削弱。本实施例中,可调节的阶段重要性权重向量λ取值为[0.2,0.7,0.1]。基于可调节的阶段重要性权重向量λ将同一特征的各阶段重要性指标加权求和,获得所有信号特征对应的综合重要性,选择综合重要性排序靠前的若干个信号特征作为目标信号特征,由此组成新特征集,具体实施中,目标信号特征为10个。由目标信号特征和对应的剩余使用寿命标签组成训练集。
S5:将训练集输入到机电装备关键零件剩余使用寿命的预测模型中对模型进行训练,获得训练好的预测模型;
机电装备关键零件剩余使用寿命的预测模型具体为带有Luong注意力层的LSTM神经网络,包括LSTM编码器层、LSTM解码器层、Luong注意力层、上下文向量层、连接层、两个全连接网络层和输出层;
LSTM神经网络的输入作为LSTM编码器层的输入,LSTM编码器层输出的最后一个隐藏状态和最后一个单元格状态均作为LSTM解码器层的输入,LSTM解码器层与Luong注意力层相连,Luong注意力层经上下文向量层后与连接层相连,LSTM解码器层还与连接层相连,LSTM解码器层输出堆叠隐藏状态,LSTM编码器层输出的堆叠隐藏状态作为Luong注意力层和上下文向量层的输入,连接层依次经第一全连接网络层和第二全连接网络层后再与输出层相连,输出层的输出作为LSTM神经网络的输出。
具体实施中,需要将目标信号特征进行归一化和滑动时间窗处理后再输入到LSTM神经网络中,其中归一化方法采用最大-最小归一化,沿时序方向对训练数据样本进行处理。滑动时间窗方法采用滑动输入窗口(长度为80个采样点)和输出窗口(长度为3个采样点)将序列切割组合成3维向量,使数据集形式符合LSTM网络层的处理需求。
LSTM编码器隐藏节点数为64。LSTM编码器层采用ReLU线性整流函数作为激活函数,引入l1正则和l2正则避免过拟合,正则系数分别为0.0005和0.0001。对编码器返回的最后隐藏状态、最后单元格状态应用批归一化避免梯度爆炸。
LSTM解码器层使用来自编码器的最后一个单元状态clast decoder和隐藏状态hlast decoder作为解码器LSTM单元的初始状态,输出解码器的堆叠隐藏状态。LSTM解码器层采用ReLU线性整流函数作为激活函数,引入l1正则和l2正则避免过拟合,正则系数分别为0.0005和0.0001。
注意力层使用dot函数对LSTM编码器和解码器层的堆叠的隐藏状态使用点积,得到对齐分数,注意力层的激活函数选择softmax激活函数。上下文向量层中,注意力层的输出和编码器的隐藏状态输入到上下文向量层中用于计算上下文向量。对上下文向量应用批量归一化避免梯度爆炸。
连接上下文向量和解码器的堆叠隐藏状态hstack decoder,并将其用作最后一个连接层的输入。
如图3所示,在本实施例中,第一层全连接网络的神经元个数设置为200,第二层全连接网络的神经元个数设置为100,两层全连接网络的激活函数选择ReLU线性整流函数。第二层全连接网络后设有随机失活(Dropout)层,Dropout层的Dropout率均设置为0.5。输出层的激活函数选择线性激活函数,选择均方差损失函数来计算模型的训练误差。输出层神经元个数设置为1,输出剩余使用寿命。
此外,本发明实施例中,神经网络的损失函数选择均方差损失函数(MSE),同时选用Adam优化算法对网络权重和偏置进行优化,学习率设置为0.0001。在训练过程中选取20%的训练集数据作为验证集。采用早停法避免过拟合,即在当前训练周期后的N个训练周期中,验证集上的误差和上一轮训练中的验证集误差相差不超过m,则停止训练,选择当前周期下的训练模型作为最终预测模型。在本实施例中,N设置为20,m设置为0.0001。此外,设置模型最大训练周期为250。
在本实施例中,损失函数计算的训练误差和验证误差随着训练的变化趋势如图6所示。
S6:待测关键零件与S1中的关键零件同类型,将待测关键零件对应的目标信号特征输入到训练好的预测模型中,预测待测关键零件的剩余使用寿命。
在本实施例中,PHM2012数据集中的bearing1_2子集作为测试集对训练好的模型进行测试。得到bearing1_2的预测剩余寿命值后,将其与相应真实值进行比较。选用三种回归问题中常用的评价函数作为本实施例的评价参数,即均方根误差(RMSE)、平均绝对误差(MAE)和回归判定系数(R2)。其中,RMSE和MAE值越小,R2越接近于1,表明所拟合的回归方程越优,预测越精确。
为避免偶然因素的影响,记录了六次实验的RMSE、MAE和R2值,取平均值和标准差作为最终评价参数。在本实施例中,三个评价参数的平均值和标准差如表1所示
表1为本实施例中,三个评价参数的平均值和标准差
从表1可以看出,实验结果的均方根误差、平均绝对误差的平均值小于0.02,且判定系数的平均值大于0.89,说明本实施例方法的回归拟合较好。同时,三种实验参数的标准差较小,说明结果波动较小,实验结果可靠。图7展示了本实施例的预测值与真实值之间的对比情况。以上实验结果表明,应用本方法对机电装备关键零件的剩余使用寿命进行预测可行有效。
本发明提出了一种基于分阶段差异化特征选择的机电装备零件寿命预测方法。本发明使用局部离群因子无监督地划分零件退化阶段,不依赖经验阈值,阶段特征区分度高,方法直观简单,解决了传统方法中人为设置阈值、没有统一的划分框架所导致的临界点位置判定过于主观、结果的不确定性强的问题。基于先验知识提取振动信号中的时域、频域及时频域特征,并使用随机森林进行对各退化阶段进行有效的特征筛选和数据降维,直观展现不同特征的重要性,提高模型可解释性,同时去除了原始数据中的大量冗余数据,减少网络训练数据量,节约计算成本。基于退化阶段进行特征差异化筛选,设置可调节的阶段重要性权重向量,构建综合重要性最高的特征集作为网络输入,提高模型预测准确性。通过带有Luong注意力层的LSTM网络处理机电装备关键零件运行过程的传感器监测信号,Luong注意力层将为编码器输出的每个隐藏状态分配适当的权重,并将它们映射到输出序列解决了普通LSTM网络对较早时间步长的记忆弱的问题,充分挖掘时序信号中与剩余使用寿命相关的重要特征,并通过全连接网络的拟合能力,将提取到的特征映射到预测结果上,实现零件剩余使用寿命的在线预测。
在机电装备零件剩余使用寿命预测领域,本发明首次提出使用局部离群因子无监督地划分零件退化阶段,并基于退化阶段进行特征差异化筛选,最后结合Luong注意力LSTM网络实现装备零件寿命预测的方案。该模型可以根据给定某时刻滚动轴承的趋势性特征,向使用者返回一个表证滚动轴承衰退程度的退化值。本方案兼顾监测信号的阶段性特征差异化筛选和深层时序特征提取,实现有效的剩余寿命预测。本发明方法新颖,且适用于原始特征多、数据量大的工程情况,便于在工程实践中使用。
上述实施例实现为本发明专利在PHM2012轴承数据集上的一个调优结果,但本发明的具体实施不仅局限于上述实施例。以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,包括以下步骤:
S1:在机电装备关键零件上安装加速度传感器,加速度传感器采集关键零件的全寿命周期监测数据并记为监测信号数据,同时记录关键零件的运行时间;
S2:对监测信号数据进行数据预处理,得到训练数据样本,同时根据训练数据样本对应的关键零件的运行时间进行寿命标签处理,得到训练数据样本对应的剩余使用寿命标签;
S3:提取监测信号数据的信号特征以及标定监测信号数据的信号退化阶段;
S4:基于监测信号数据的信号退化阶段,对提取的信号特征进行重要度筛选,获得目标信号特征,由目标信号特征和对应的剩余使用寿命标签组成训练集;
S5:将训练集输入到机电装备关键零件剩余使用寿命的预测模型中对模型进行训练,获得训练好的预测模型;
S6:将待测关键零件对应的目标信号特征输入到训练好的预测模型中,预测待测关键零件的剩余使用寿命。
2.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述监测信号数据包括水平与竖直两个方向上的振动信号。
3.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述S2中,根据训练数据样本的数量,对训练数据样本对应的关键零件的运行时间进行关键零件剩余使用寿命百分比的从0到1线性等分,得到训练数据样本的剩余使用寿命标签。
4.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述S3中,信号特征分为时域、频域和时频域特征三类,其中时域特征包括最大值、最小值、峰峰值、平均值、均方根、偏斜、标准偏差、绝对平均值、峰度、方差、变异系数、波峰因数、间隙因数、波形因子、峰态系数、能量算子、脉冲因子和偏斜因子,频域特征包括FSPS频域特征,时频域特征是对监测信号数据进行能量归一化处理以及进行三阶小波分解后获得的。
5.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述S3中,标定信号退化阶段具体为:
首先根据监测信号数据计算信号退化角,然后基于信号退化角的标准差计算局部离群因子,最后根据局部离群因子的分布标定监测信号数据的信号退化阶段。
6.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述S4具体为:
S41:确定监测信号数据中各信号退化阶段的阶段重要度;
S42:利用随机森林回归算法分别对各信号退化阶段的信号特征进行重要度计算,获得各信号退化阶段中所有信号特征的重要度;
S43:根据阶段重要度对所有信号特征的重要度进行加权计算,获得所有信号特征对应的综合重要性,选择综合重要性排序靠前的若干个信号特征作为目标信号特征,由目标信号特征和对应的剩余使用寿命标签组成训练集。
7.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述机电装备关键零件剩余使用寿命的预测模型具体为带有Luong注意力层的LSTM神经网络,包括LSTM编码器层、LSTM解码器层、Luong注意力层、上下文向量层、连接层、第一全连接网络层、第二全连接网络层和输出层;
LSTM神经网络的输入作为LSTM编码器层的输入,LSTM编码器层输出的最后一个隐藏状态和最后一个单元格状态均作为LSTM解码器层的输入,LSTM解码器层与Luong注意力层相连,Luong注意力层经上下文向量层后与连接层相连,LSTM解码器层还与连接层相连,LSTM编码器层输出的堆叠隐藏状态作为Luong注意力层和上下文向量层的输入,连接层依次经第一全连接网络层和第二全连接网络层后再与输出层相连,输出层的输出作为LSTM神经网络的输出。
8.根据权利要求1所述的一种基于分阶段差异化特征选择的机电装备零件寿命预测方法,其特征在于,所述待测关键零件与S1中的关键零件同类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310662263.8A CN116776726A (zh) | 2023-06-06 | 2023-06-06 | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310662263.8A CN116776726A (zh) | 2023-06-06 | 2023-06-06 | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116776726A true CN116776726A (zh) | 2023-09-19 |
Family
ID=88012578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310662263.8A Pending CN116776726A (zh) | 2023-06-06 | 2023-06-06 | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116776726A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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
- 2023-06-06 CN CN202310662263.8A patent/CN116776726A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
US11507049B2 (en) | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
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 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN107725283A (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN111412977A (zh) | 一种机械设备振动感知数据的预处理方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN112434390B (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
CN116776726A (zh) | 基于分阶段差异化特征选择的机电装备零件寿命预测方法 | |
CN111914897A (zh) | 一种基于孪生长短时间记忆网络的故障诊断方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN110737948A (zh) | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN112287592A (zh) | 一种基于深度置信网络的工业设备故障诊断方法及系统 | |
CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN113988220A (zh) | 一种采煤机健康状态评估方法 | |
CN117540285A (zh) | 基于能量熵和回归型支持向量机的轴承运行状态评估方法 |
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 |