【技术实现步骤摘要】
本专利技术涉及的是一种轴承制造领域的技术，具体是一种基于八度(octave)卷积的轴承剩余寿命区间预测方法。
技术介绍
1、现代机电设备结构和功能日趋复杂，一旦发生故障，轻则影响生产生活效率，重则导致人员伤亡。作为机电设备中常见且易坏的关键部件，轴承的服役性能评价受到广泛关注。近年来，传感检测、深度学习等技术的蓬勃发展推动机电设备迈入智能运维时代，通过实时预测轴承的剩余寿命，合理制定维保计划，从而保障轴承的安全服役。
2、目前，基于深度学习的轴承剩余寿命预测方法主要包括循环神经网络、卷积神经网络等，其中：循环神经网络的预测方法无法直接、高效地处理高频信号，通常需要借助信号处理技术从信号中提取特征作为网络输入，无法建立端到端的映射关系。而基于卷积网络的预测方法可直接从原始信号中提取具有时移不变性的退化特征，通过卷积的参数共享、局部连接等方式减少网络参数量，取得了优异的预测效果。但仍然存在以下问题：1)卷积结构生成的特征映射在空间维度上存在较多冗余，忽略了相邻位置之间的公共信息；2)仅能实现预测结果的点估计，而合理的区间预测更能有助于维护决策的制定。
技术实现思路
1、本专利技术针对现有技术存在的上述不足，提出一种基于octave卷积的轴承剩余寿命区间预测方法，基于原始信号与剩余寿命之间的复杂非线性映射关系，能够实时预测轴承在服役过程中的剩余寿命，给出的区间估计结果能够指导维保计划和备件计划的制定。
2、本专利技术是通过以下技术方案实现的：
3、本专
4、步骤一、通过在轴承基座等部位设置振动加速度传感器获取轴承全寿命周期的振动信号，并对信号做预处理，具体为：对振动信号为x＝{x1，x2，…，xn}，其中：xi为第i时刻获取的监测数据，i＝1，…，n，进行归一化处理其中：μi和σi分别为第i次采样信号xi的均值和标准差。
5、步骤二、建立包括特征映射单元和寿命映射单元的神经网络，其中特征映射单元根据轴承原始振动信号隐含的退化信息提取得到抽象的退化特征结果，寿命映射单元根据退化特征信息进行寿命预测关系映射处理，得到轴承的剩余寿命预测结果，该神经网络通过循环处理将原始信号压缩到低维抽象的特征空间。
6、所述的特征映射单元将卷积层的输入特征张量沿通道维度分解为x＝{xh，xl}，其中：h和w代表空间维度，由于振动信号为1维时域信号，w＝1，c代表通道维度，高频特征映射捕捉细节信息，低频特征映射在空间维度变化缓慢，α∈[0，1]为低频部分通道所占比例，可以看出高频特征映射的分辨率较低频高一倍：其中：代表输出的特征张量，其下标(p，q)代表位置坐标，yl＝yl→l+yh→l，ya→b代表特征映射组a到组b的卷积更新，为一个局部邻域，为尺寸为k×k的卷积核，w＝[wh，wl]，其中：wh＝[wh→h，wl→h]，wl＝[wl→l，wh→l]，y＝{yh，yl}，yh＝yh→h+yl→h。
7、所述的特征映射单元进行octave卷积后获得的特征映射和首先经relu激活函数进行非线性映射，然后根据最大池化分别提取特征映射中邻域的最大值，从而降低特征映射的冗余度，具体为：relu(x)＝max(0，x)，
8、从bernoulli分布中以概率p随机生成0、1值，随机屏蔽一些节点，即dropout操作。通过该设置避免过拟合。
9、所述的寿命映射单元将抽象的特征展平成一维张量并记为h，输入至两层的全连接网络中，实现神经网络的前向传播。其中：为网络预测的剩余寿命，为hard sigmoid函数，w1和w2为两层网络的权重，b1和b2为两层网络的偏置，同时两层中间加入dropout，并使用同样的概率p。
10、步骤三、使用带动量的随机梯度下降算法对步骤二构建得到的神经网络进行训练，具体为：采用损失函数迭代优化直到优化步数达到设定值，其中：θ为网络中全体待优化参数，为第i个训练集样本的预测值，yi为该样本的真实标签。
11、步骤四、将在线阶段获取的监测数据按照步骤一方式进行预处理后，输入至步骤三得到的神经网络，通过设置dropout次数nmc实现深度高斯过程的贝叶斯近似，得到第i个测试样本的剩余寿命平均值标准差其中：为第i个样本第j次的网络预测结果。
12、技术效果
13、本专利技术基于octave卷积实现了其深度高斯过程贝叶斯逼近方法，提供了该类网络剩余寿命区间预测的途径。相比现有技术，本专利技术不仅为轴承寿命预测提供了精准的预测结果，而且实现了预测结果的区间估计。
本文档来自技高网...【技术保护点】
1.一种基于Octave卷积的轴承剩余寿命区间预测方法，其特征在于，在离线阶段通过构建Octave卷积神经网络，并基于轴承全寿命周期的振动信号生成样本集对该网络进行训练；在在线阶段基于训练后的网络进行实时寿命区间预测。
2.根据权利要求1所述的基于Octave卷积的轴承剩余寿命区间预测方法，其特征是，具体包括：
3.根据权利要求2所述的基于Octave卷积的轴承剩余寿命区间预测方法，其特征是，所述的特征映射单元将卷积层的输入特征张量沿通道维度分解为X＝{XH，XL}，其中：h和w代表空间维度，由于振动信号为1维时域信号，w＝1，c代表通道维度，高频特征映射捕捉细节信息，低频特征映射在空间维度变化缓慢，α∈[0，1]为低频部分通道所占比例，可以看出高频特征映射的分辨率较低频高一倍：其中：代表输出的特征张量，其下标(p，q)代表位置坐标，YL＝YL→L+YH→L，YA→B代表特征映射组A到组B的卷积更新，为一个局部邻域，为尺寸为k×k的卷积核，W＝[WH，WL]，其中：WH＝[WH→H，WL→H]，WL＝[WL→L，WH→L]，Y＝{YH，YL}，YH＝YH→
4.根据权利要求2所述的基于Octave卷积的轴承剩余寿命区间预测方法，其特征是，所述的特征映射单元进行Octave卷积后获得的特征映射和首先经ReLU激活函数进行非线性映射，然后根据最大池化分别提取特征映射中邻域的最大值，从而降低特征映射的冗余度，具体为：ReLU(x)＝max(0，x)，
5.根据权利要求4所述的基于Octave卷积的轴承剩余寿命区间预测方法，其特征是，从Bernoulli分布中以概率p随机生成0、1值，随机屏蔽一些节点，即dropout操作；通过该设置避免过拟合。
6.根据权利要求2所述的基于Octave卷积的轴承剩余寿命区间预测方法，其特征是，所述的寿命映射单元将抽象的特征展平成一维张量并记为h，输入至两层的全连接网络中，实现神经网络的前向传播。其中：为网络预测的剩余寿命，为hardsigmoid函数，W1和W2为两层网络的权重，b1和b2为两层网络的偏置，同时两层中间加入dropout，并使用同样的概率p。
...【技术特征摘要】
1.一种基于octave卷积的轴承剩余寿命区间预测方法，其特征在于，在离线阶段通过构建octave卷积神经网络，并基于轴承全寿命周期的振动信号生成样本集对该网络进行训练；在在线阶段基于训练后的网络进行实时寿命区间预测。
2.根据权利要求1所述的基于octave卷积的轴承剩余寿命区间预测方法，其特征是，具体包括：
3.根据权利要求2所述的基于octave卷积的轴承剩余寿命区间预测方法，其特征是，所述的特征映射单元将卷积层的输入特征张量沿通道维度分解为x＝{xh，xl}，其中：h和w代表空间维度，由于振动信号为1维时域信号，w＝1，c代表通道维度，高频特征映射捕捉细节信息，低频特征映射在空间维度变化缓慢，α∈[0，1]为低频部分通道所占比例，可以看出高频特征映射的分辨率较低频高一倍：其中：代表输出的特征张量，其下标(p，q)代表位置坐标，yl＝yl→l+yh→l，ya→b代表特征映射组a到组b的卷积更新，为一个局部邻域，为尺寸为k×k的卷积核，w＝[wh，wl]，其中：wh＝[wh→h，wl→h]，wl＝[wl→...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。