基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法技术

一种基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，先采集滚动轴承的原始振动信号数据，对其采用滑窗分割方法得到多端振动信号数据。其次通过计算自健康数据与多段振动信号数据之间的最大均值差异度量值得到健康指标曲线变化。然后，通过对健康指标曲线引用统计过程分析方法得到轴承退化阶段。将原始振动信号数据进行数据预处理、数据集划分和打上标签送入残差网络和Adaptive

【技术实现步骤摘要】
基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法


[0001]本专利技术涉及故障诊断与轴承寿命预测
，特别涉及一种基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法。

技术介绍

[0002]滚动轴承作为工业旋转机械最基本的部件，一旦在工业生产中出现故障会导致生产计划外的经济损失和设备停机。当轴承在运行过程中出现退化或故障时，将直接影响整部设备的运行可靠性和稳定性。因此，轴承的剩余寿命(RUL)预测对避免运行风险前的危险情况起着至关重要的作用，并在预测和健康管理(PHM)技术等方面受到了越来越多的关注。近年来，迁移学习(TL)作为一种解决域分布特征差异的有效工具得到了迅速发展。作为TL的一个分支，域自适应(DA)将不同域的特征映射到一个新的共同特征空间来进行问题求解。为了解决域移位问题，DA通过选择适当的特征表示使得新特征空间中源域和目标域的分布尽可能一致。DA为剩余寿命预测提供了一种新的解决方案，在不同的工作条件下模型表现出了更好的性能。然而，这些TL方法往往需要大量跨工况数据来提高剩余寿命预测性能。虽然上述剩余寿命预测方法已经取得了巨大的进步，但仍存在如下问题：
[0003](1)现有预测方法往往使用单一的时域特征来作为健康指标，并通过设定阈值来对健康指标曲线进行退化阶段的划分，但由于阈值无法自动适应轴承的退化过程，进而无法准确的获取轴承的多级退化信息。
[0004](2)现有预测方法对剩余寿命的预测没有考虑到多级退化阶段之间的相关性，无法根据退化趋势的多边形准确的识别健康指标和退化阶段。<br/>[0005](3)现有迁移学习预测模型的预测精度在很大程度上取决于源域的数据量和多工况下数据分布的差异。然而，现实场景中通常难以收集足够的数据来获得特征分布差异和训练迁移学习网络，从而导致轴承跨工况下剩余寿命预测结果表现不佳。
[0006](4)现有预测方法只考虑了模型总体的预测精度，而忽略了每一个退化阶段有着相似的退化特征可以用作模型精度的调整，从而使得单个退化阶段的预测精度降低。
[0007](5)现有预测方法在实际工业场景下无法克服由于数据量小、数据不平衡而导致的轴承RUL跨工况预测精度下降问题。

技术实现思路

[0008]本专利技术的目的是为了改善轴承跨工况剩余寿命预测模型预测精度低、泛化性差的情况，而提供一种基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，以实现在跨工况条件下对轴承不同退化阶段的剩余寿命进行准确预测。
[0009]为实现上述目的，本专利技术采用的技术方案是：
[0010]一种基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，包括以下步骤：
[0011]步骤1：采集滚动轴承的原始振动信号数据，并对其采用滑动窗口分割方法得到多段振动信号数据；
[0012]步骤2：计算自健康数据S
H
与步骤1中多段振动信号数据之间的最大均值差异度量MMD值，并进一步通过归一化MMD值来得到健康指标曲线的变化；
[0013]步骤3：通过统计过程分析SPA方法对步骤2中得到的健康指标曲线进行首次预测时间点FPT和尖锐转变点STP的识别，得到轴承的各个退化阶段；
[0014]步骤4：对步骤1中得到的原始振动信号数据进行数据预处理，并进行特征提取以获得特征参数；
[0015]步骤5：将步骤4中获取的特征参数划分为训练集和测试集，并通过步骤3对各个退化阶段的训练数据打上标签；
[0016]步骤6：把步骤5中的训练集送入分类网络和时间序列预测网络中进行训练；
[0017]步骤7：将步骤5中所划分得到的测试集送入在步骤6中训练好的时间序列预测网络中进行预测，输出最终的滚动轴承剩余寿命预测结果。
[0018]进一步优选，步骤1中，所述滚动轴承的原始振动信号数据包括水平振动信号数据和垂直振动信号数据两种，通过安装在轴承基座上的加速度传感器分别进行采集，得到轴承运行的全生命周期数据，以轴承振动幅度超过20g作为结束采集的阈值。
[0019]进一步优选，步骤1中，所述滑窗分割方法的具体方法是，根据步长l，对整个原始振动信号数据进行等距离分割，其中l取为64。
[0020]进一步优选，步骤2中，所述自健康数据S
H
指的是通过步骤1中所述的滑窗分割方法进行时段划分的第一段振动信号数据。
[0021]进一步优选，步骤2中，所述最大均值差异度量MMD值为在再生希尔伯特空间中两个分布的距离，即为自健康数据S
H
和每一段振动信号数据之间的差异度。
[0022]进一步优选，步骤3中，所述统计过程分析方法是通过分析曲线多个点的集合的平均值μ、方差σ2和标准差σ来定位曲线斜率突变点的位置，从而找出首次预测时间点FPT和尖锐转变点STP来对健康指标曲线进行多级退化阶段的划分。
[0023]进一步优选，步骤4中，所述对原始振动信号数据进行数据预处理包括标准化和归一化，对预处理后的数据进行特征提取得到的特征参数，包括均方根值、标准差、峰峰值和波形因子。
[0024]进一步优选，步骤5中，所述将步骤4中获取的特征参数划分为训练集和测试集的具体方法是，按照7：3的比例划分训练集和测试集，其中训练集表示形式为：X
train
＝(x1，x2，
…
，x
K
)，其中x
i
＝(x1，x2，
…
，x
k
)，且K和k分别表示样本数量和特征参数量，所述测试集类似。
[0025]进一步优选，步骤6中，所述分类网络为残差网络，所述时间序列预测网络为Adaptive
‑
Transformer网络。
[0026]本专利技术的优点和有益效果如下：
[0027](1)本专利技术提出了一种确定健康指标和多级退化阶段的新型划分方法。与传统统计模型相比，该方法在不设置阈值的情况下，可以准确获取随轴承多级退化变化的健康指标，降低了65％的计算成本。
[0028](2)本专利技术提出了一种残差网络与特征提取相结合的多退化阶段自适应识别方法，既能根据轴承退化趋势的多变性准确识别健康指标和退化阶段，又将退化阶段的识别时间缩短到10毫秒以内。
[0029](3)本专利技术提出了一种基于Adaptive
‑
Transformer的分层自适应RUL模型，将学习到的多阶段退化特征从一种工况迁移到多种工况，有利于小样本数据集进行跨工况的轴承剩余寿命预测。
[0030](4)本专利技术提出了分层自适应调优(HAT)方法，降低了自适应RUL模型的RMSE损失约0.1左右，并提高了4％
‑
6％的预测精度。
[0031](5)本专利技术将轴承退化过程和寿命预测结合起来，实现了跨工况轴承剩余寿命的预测，解决了在工业数据量小于1500张且标签数据不平衡情况下预测精度低于60％的问题。
附图说明
[0032]图1为基于深度迁移学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，其特征在于，包括以下步骤：步骤1：采集滚动轴承的原始振动信号数据，并对其采用滑动窗口分割方法得到多段振动信号数据；步骤2：计算自健康数据S
H
与步骤1中多段振动信号数据之间的最大均值差异度量MMD值，并进一步通过归一化MMD值来得到健康指标曲线的变化；步骤3：通过统计过程分析SPA方法对步骤2中得到的健康指标曲线进行首次预测时间点FPT和尖锐转变点STP的识别，得到轴承的各个退化阶段；步骤4：对步骤1中得到的原始振动信号数据进行数据预处理，并进行特征提取以获得特征参数；步骤5：将步骤4中获取的特征参数划分为训练集和测试集，并通过步骤3对各个退化阶段的训练数据打上标签；步骤6：将步骤5中的训练集送入分类网络和时间序列预测网络中进行训练；步骤7：将步骤5中所划分得到的测试集送入在步骤6中训练好的时间序列预测网络中进行预测，输出最终的滚动轴承剩余寿命预测结果。2.根据权利要求1所述的基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，其特征在于，步骤1中，所述滚动轴承的原始振动信号数据包括水平振动信号数据和垂直振动信号数据两种，通过安装在轴承基座上的加速度传感器分别进行采集，得到轴承运行的全生命周期数据，以轴承振动幅度超过20g作为结束采集的阈值。3.根据权利要求1所述的基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，其特征在于，步骤1中，所述滑窗分割方法的具体方法是，根据步长l，对整个原始振动信号数据进行等距离分割，其中l取为64。4.根据权利要求1所述的基于深度迁移学习的滚动轴承多级退化剩余寿命预测方法，其特征在于，步骤2中，所述自健康数据S
H
指的是通过步骤1中所述的滑窗分割方法进行时段划分的第一段振动...

【专利技术属性】
技术研发人员：程德俊，张含冰，张胜文，周凯莉，方喜峰，张春燕，张辉，朱成顺，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：