【技术实现步骤摘要】
本专利技术涉及机械设备预测与健康管理，具体涉及一种跨工况下多阶段退化轴承剩余寿命预测方法。
技术介绍
1、在工程实际中，由于设备通常处于正常状态，难以获取足够的有监督故障数据。同时，轴承的运行条件、应用场景和环境噪声等因素复杂多变，导致离线和在线工况不一致，造成训练数据与测试数据之间的分布差异，从而降低了深度学习预测方法的性能和泛化性。基于深度学习的剩余寿命(remaining useful life,rul)预测方法通常假设训练数据和测试数据服从相同的分布，但在实际工程应用中，这一假设往往难以满足。机械设备的运行条件(如速度、负载等)复杂多变，导致训练集和测试集数据来自不同工况。由此产生的数据分布差异降低了模型的泛化能力，使得源域训练的模型难以在目标域获得满意结果。特别对轴承而言，不同工况下的性能差异使得传统模型难以有效预测跨域rul。为解决这一问题，研究者引入了领域自适应(domain adaptation,da)技术。作为迁移学习的重要分支，da旨在通过最小化源域(训练数据)和目标域(测试数据)间的分布差异，提高模型在目标域的泛化能力。
2、现有da方法主要可以分为基于距离度量的方法和基于对抗的方法。例如，通过最大均值差异(maximum mean discrepancy,mmd)学习跨域不变特征，从而提高不同工况下轴承rul预测的准确性。尽管现有迁移学习方法在跨工况rul预测中取得了成功，但大多数da方法仅关注不同工况下数据整体特征分布一致，忽略了轴承退化过程具有阶段性，不同退化阶段表现出不同的特征，单纯对齐
技术实现思路
1、针对上述技术问题，本专利技术综合考虑源域和目标域之间的全局时间特征以及局部退化阶段的分布差异，提出了一种跨工况下多阶段退化轴承rul预测方法。首先，利用基于transformer的深度特征迁移模型实现跨域不同退化阶段间的特征对齐，从而进行跨域健康状态识别。其次，为有效挖掘性能退化数据中的关键信息，构建了融合挤压激励(squeeze-and-excitation,se)模块的tcn-se(temporal convolutionalnetwork withsqueeze-and-excitation)模型。在此基础上，结合mmd和域对抗方法缩小时间特征分布差异，获取跨域不变特征，并通过分阶段损失函数实现了交叉工况下多阶段退化轴承的rul预测。
2、具体的，本专利技术提供了一种跨工况下多阶段退化轴承剩余寿命预测方法，包括如下步骤：
3、步骤1：获取已知剩余寿命的轴承的全寿命周期振动信号和未知剩余寿命的轴承的振动信号，其中，所述已知剩余寿命的轴承和未知剩余寿命的轴承的振动信号为不同工况采集得到的；
4、步骤2：计算振动信号的多元特征，所述多元特征包括时域、频域和熵值特征，形成特征矩阵；
5、步骤3：对所述特征矩阵进行归一化处理；
6、步骤4：对归一化后的特征矩阵进行滑动时间窗处理，使所述特征矩阵封装在固定长度的时间窗内，得到处理后的特征矩阵；
7、步骤5：对已知剩余寿命轴承的健康指标进行阶段变化点检测，分别识别出慢速退化点和快速退化点，获得分类标签，从而得到带分类标签的特征矩阵，记为源域数据集；
8、步骤6：采用基于tansformer的选择性对抗网络实现不同工况下局部退化阶段对齐，从而得到未知剩余寿命的轴承的带分类标签的特征矩阵，记为目标域数据集；
9、步骤7：构建所述源域数据集的剩余寿命标签集；
10、步骤8：将含有剩余寿命标签的源域数据集和目标域数据集输入到基于tcn-se的域自适应网络模型中学习跨域不变特性，然后基于源域跨域不变特征训练模型的预测器，将目标域数据输入到训练好的模型中，预测目标轴承的剩余寿命。
11、作为本专利技术的进一步说明，步骤3中，进行归一化处理时，采用最小-最大归一化方法，将每个特征值缩放到[0,1]区间：
12、
13、式中，是归一化后的特征值，和分别是第j列特征的最大值和最小值。
14、作为本专利技术的进一步说明，步骤4中，所述对归一化后的特征矩阵进行滑动时间窗处理，具体为：
15、设定时间窗口大小为w，步长为s，则可以得到处理后的数据集：其中l是滑动窗口处理后的样本数量，通过以下公式计算：
16、
17、作为本专利技术的进一步说明，步骤5中，采用切比雪夫方法对基于均方根的健康指标进行阶段变化点检测，分别识别出慢速退化点快速退化点。
18、作为本专利技术的进一步说明，步骤6中，所述基于tansformer的选择性对抗网络的模型的优化目标为：
19、
20、式中，θclass为该模型参数集。
21、作为本专利技术的进一步说明，步骤7中，所构建的剩余寿命标签集，通过以下公式计算：
22、
23、式中，ti表示第i个样本对应的时间点，yi表示第i个样本对应的rul，sdp为慢速退化点，fdp为快速退化点。
24、作为本专利技术的进一步说明，在所述基于tcn-se的域自适应网络模型中，利用tcn-se模块提取深度退化特征信息，其中引入的通道注意力机制用于对特征进行加权重组；并通过结合最大均值差异和域对抗方法降低不同域之间的特征分布距离，从而学习跨域不变特性。
25、作为本专利技术的进一步说明，所述最大均值差异mmd的损失函数为：
26、
27、式中，与分别为特征提取器从源域与目标域提取的深度特征，ns与nt分别为源域与目标域深度特征的样本大小。
28、作为本专利技术的进一步说明，所述域对抗方法采用对抗优化策略，通过最小化域分类器的判别能力来混淆不同域的特征分布，域对抗损失函数为：
29、
30、式中，n为样本大小，di为真实域标签，源域为0，目标域为1，为预测的域标签。
31、作为本专利技术的进一步说明，步骤8中，所述基于tcn-se的域自适应网络模型的预测优化目标为：
32、
33、式中，θrul为该模型参数集，β1和β2表示可调参数。
34、与现有技术相比，本专利技术具有以下有益的技术效果：
35、本专利技术首先基于迁移学习和领域自适应的思想，提出了一种基于选择性对抗策略的迁移学习算法，实现了跨域阶段识别任务，该方法能够有效减少跨域数据之间的特征分布差异，提高了跨工况下轴承健康阶本文档来自技高网...
【技术保护点】
1.一种跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤3中，进行归一化处理时，采用最小-最大归一化方法，将每个特征值缩放到[0,1]区间：
3.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤4中，所述对归一化后的特征矩阵进行滑动时间窗处理，具体为：
4.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤5中，采用切比雪夫方法对基于均方根的健康指标进行阶段变化点检测，分别识别出慢速退化点快速退化点。
5.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤6中，所述基于Tansformer的选择性对抗网络的模型的优化目标为：
6.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤7中，所构建的剩余寿命标签集，通过以下公式计算：
7.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，在所述基于TCN
8.如权利要求7所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，所述最大均值差异MMD的损失函数为：
9.如权利要求7所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，所述域对抗方法采用对抗优化策略，通过最小化域分类器的判别能力来混淆不同域的特征分布，域对抗损失函数为：
10.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤8中，所述基于TCN-SE的域自适应网络模型的预测优化目标为：
...【技术特征摘要】
1.一种跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤3中，进行归一化处理时，采用最小-最大归一化方法，将每个特征值缩放到[0,1]区间：
3.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤4中，所述对归一化后的特征矩阵进行滑动时间窗处理，具体为：
4.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤5中，采用切比雪夫方法对基于均方根的健康指标进行阶段变化点检测，分别识别出慢速退化点快速退化点。
5.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在于，步骤6中，所述基于tansformer的选择性对抗网络的模型的优化目标为：
6.如权利要求1所述的跨工况下多阶段退化轴承剩余寿命预测方法，其特征在...
【专利技术属性】
技术研发人员：郑建飞，陈东楠，李广泽，张琪，杨立浩，姜蕾，成心怡，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：
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。