滚动轴承的寿命预测模型建立方法及寿命预测方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于剩余寿命预测技术领域，更具体地，涉及滚动轴承的寿命预测模型建立方法及寿命预测方法。背景技术：2.滚动轴承在机械设备中的旋转机构应用的非常广泛，在机械系统中扮演了重要角色，滚动轴承的健康状态直接决定了机构的运转情况和旋转精度。同时滚动轴承的剩余寿命也在很大程度上影响机械设备的生产寿命和生产效率。滚动轴承的失效也是机械设备产生损伤或者结构破坏的重要原因之一，从而很大程度上影响设备的维修的成本和使用时长。在滚动轴承的工作过程中，实时准确地预测其剩余寿命，可以减少工业生产中由于滚动轴承失效导致事故的比例，从而使设备的部件能够物尽其用，同时避免过早检修或者更换部件而导致资金浪费，成本增加；也能在滚动轴承将要损坏时及时发现并更换，避免更大的设备损坏、产品不合格问题，甚至重大安全事故的发生。3.目前在机械领域已经有利用迁移学习方法对机械系统的跨工况寿命预测进行研究，在滚动轴承领域，也已经有利用迁移学习进行寿命预测的研究和尝试。传统的利用迁移学习进行滚动轴承剩余寿命预测的方法，一般是将不同工况的全生命周期数据样本分为源域和目标域数据，用源域的样本数据训练模型，再用目标域的样本数据进行模型的准确性和可靠性验证，这依赖于大量的全生命周期样本和不同的工况条件，全生命周期样本获得的困难性限制了现有方法在工业界的应用。4.此外，传统的滚动轴承剩余寿命预测一般是将原始振动信号进行直接的时域、频域或者时频域特征提取，采用其中不同的特征参量作为训练的输入数据，而滚动轴承的性能会随着其使用而逐渐退化，其振动数据的分布特性也会随之发生变化，传统的滚动轴承剩余寿命预测方法所提取的特征并不能很好地感知滚动轴承的退化信息，因此，在滚动轴承自身数据分布变化的场景下，对滚动轴承剩余寿命的预测非常困难。技术实现要素：5.针对现有技术的缺陷和改进需求，本发明提供了滚动轴承的寿命预测模型建立方法及寿命预测方法，旨在解决现有的滚动轴承寿命预测方法在自身数据分布发生变化的场景下，对滚动轴承剩余寿命预测困难的问题。6.为实现上述目的，按照本发明的一个方面，提供了一种滚动轴承的寿命预测模型建立方法，包括：7.建立待训练的预测模型；预测模型包括依次连接的序列划分模块、序列匹配模块和回归学习器；序列划分模块用于将输入的时间序列数据划分为多个数据分布不相似的时间片段；序列匹配模块用于从序列划分模块输出的时间片段中提取不同时间片段之间的相似子序列；回归学习器用于将序列匹配模块输出的相似子序列映射为对应的寿命预测值；8.获取已标注剩余寿命标签的滚动轴承全生命周期时序振动信号数据集，并将其中的振动信号转换为加载数据；加载数据包括表征系统结构动力学特性的模态参数和表征滚动轴承剩余寿命的健康指数；9.利用各滚动轴承正常阶段和早期磨损阶段的加载数据及对应的标签构建训练集，利用各滚动轴承加速磨损和完全失效阶段的加载数据及对应的标签构建测试集和验证集；10.利用训练集、测试集和验证集分别对预测模型进行训练、测试和验证，得到滚动轴承的寿命预测模型。11.进一步地，模态参数包括：模态阻尼和模态频率。12.进一步地，将振动信号转换为加载数据的方式包括：13.从振动信号中提取振动信号片段后，根据该振动信号片段计算模态参数和健康指数；14.通过插值将缺失及失效的模态参数补齐后，将各采样点处的模态阻尼和模态频率与对应的健康指数整合为三维时序数据，得到加载数据。15.进一步地，根据振动信号片段计算健康指数的方式包括：16.计算振动信号片段的均方根值frms，并进行归一化，得到归一化的均方根值17.按照计算对应的健康指数hi；18.并且，将各采样点处的模态阻尼和模态频率与对应的健康指数整合为三维时序数据之前，还包括：19.对模态阻尼和模态频率进行归一化。20.进一步地，根据振动信号片段计算模态参数的方式包括：21.将振动信号片段输入至ssi-cov函数，从ssi-cov函数的输出数据中提取模态阻尼和模态频率。22.进一步地，序列划分模块将输入的时间序列数据划分为多个数据分布不相似的时间片段，划分优化目标如下：[0023][0024][0025]其中，k表示划分所得时间片段总数；k0＝4；di和dj分别表示划分所得的第i和第j个时间片段内部数据的相似度度量，d(·)表示相似度度量函数，即希望最大化不相似的时间片段间的距离度量函数；ni表示第i个时间片段内包含的采样点数，n表示输入的时间序列数据中包含的采样点总数；δ1和δ2分别表示时间片段内样本点的最小值与最大值，用于约束时间片段长度应具备的正常范围，确保时间片段长度不会过大或者过小。[0026]进一步地，训练损失函数为：[0027][0028][0029]其中，θ表示模型参数，α表示每个时间状态的重要性度量参数；θ*表示模型优化得到的最优模型参数，α*表示模型优化得到的最优重要性度量参数；hi和hj分别表示第i和第j个时间片段，和表示i和第j个时间片段在t时刻的循环神经网络中的隐藏状态；αi,j表示第i和第j个时间片段对应的重要性度量参数，表示在t时刻的第i和第j个时间片段对应的重要性度量参数；t表示总的时间长度；lpred表示模型输出的寿命预测值与标注的寿命真实值之间的差异；ltdm表示k个时间片段中两两之间的分布差异，λ表示ltdm的超参数权值。[0030]进一步地，回归学习器为循环神经网络。[0031]按照本发明的另一个方面，提供了一种滚动轴承的寿命预测方法，包括：[0032]获取滚动轴承的振动信号并转换为加载数据；加载数据包括表征系统结构动力学特性的模态参数和表征滚动轴承剩余寿命的健康指数；[0033]将加载数据输入至由本发明提供的上述滚动轴承的寿命预测模型建立方法所建立的滚动轴承的寿命预测模型，从滚动轴承的寿命预测模型的输出中获得滚动轴承的剩余寿命预测值。[0034]按照本发明的又一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本发明提供的上述滚动轴承的寿命预测模型建立方法，和/或，本发明提供的上述滚动轴承的寿命预测方法。[0035]总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：[0036](1)本发明所提供的滚动轴承的寿命预测模型建立方法，在输入模型的特征包括表征系统结构动力学特性的模态参数，该模态参数引入了系统退化信息作为机理先验，使得模型在进行寿命预测时，能够准确地感知滚动轴承的退化信息，准确预测滚动轴承的剩余寿命；在每个全生命周期样本(即滚动轴承)的时序数据内部划分出源域和目标域，实现了“自迁移”，在保证预测结果准确性的情况下，减少了样本和工况的需求量；所建立的模型中，序列划分模块基于数据分布，将输入的时间序列数据划分为最不相关的时间片段，并由序列匹配模块提取时间片段中两两之间的相似子序列，作为回归学习器的输入，通过这种序列划分和序列匹配的方式，最大程度上削弱了最不相似的分布片段的差异，使得模型整体具备了时序不变的特性，由此避免了因时序数据随时间动态变换的特性而可能导致的预测漂移现象，增强了模型的泛化性与实际场景的应用价值。[0037]总体而言，本发明通过在模型输入特征中引入模态参数，在每个样本的全生命周期时序数据内部划分出源域和目标域，并在模型内部实现了序列划分和序列匹配，在滚动轴承自身的时序数据分布发生变化的场景下，也能够实现对滚动轴承剩余寿命的准确预测。[0038](2)模态阻尼和模态频率相比于其他的模态参数，对系统退化信息具有较高的敏感性；本发明在模型输入特征中，具体引入了模态阻尼和模态频率，在保证引入系统退化信息作为机理先验的同时，避免了因引入对系统退化信息敏感性不高的特征，而增加模型的训练复杂度。[0039](3)本发明在将滚动轴承的时序振动数据转换为加载数据时，在根据振动信号片段的振动信号计算模态参数后，会通过插值的方式补齐缺失和失效的模态参数，保证了在振动信号的品质不足以满足准确识别模态参数的要求，或者受非轴承振动激发的模态干扰的情况下，模态参数与健康指数也能保持一一对应，并进一步保证了后续寿命预测的准确性。[0040](4)本发明所建立的模型，其中的序列划分模块对时间序列进行数据划分时，通过设置允许划分的时间片段的最大数量与滚动轴承全生命周期所经历的阶段数量一致，为4，能够有效避免无效解，提高模型的训练效率和预测效率。[0041](5)本发明所设计的损失函数中，引入了动态距离度量损失项，即ltdm，该项的引入使得模型训练过程中，能够通过对时间状态重要性加权值αi,j的动态调整，实现对每个时间状态的重要性的动态设定，保证在迁移过程中不损失时序的相关度；并且，损失函数中，动态距离度量损失项的引入，使得通过模型训练，序列匹配模块所提取的相似子序列之间的分布差异最小化，由此能够进一步提高模型的泛化性能。附图说明[0042]图1为本发明实施例提供的滚动轴承的寿命预测模型建立方法流程图；[0043]图2为本发明实施例提供的滚动轴承的寿命预测模型的示意图；[0044]图3为本发明实施例提供的数据集划分示意图；[0045]图4为本发明实施例提供的滚动轴承的寿命预测方法流程图。具体实施方式[0046]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。[0047]在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。[0048]实施例1：[0049]一种滚动轴承的寿命预测模型建立方法，如图1所示，包括：[0050]建立待训练的预测模型；如图2所示，本实施例所建立的预测模型包括依次连接的序列划分模块、序列匹配模块和回归学习器；其中：[0051]序列划分模块用于将输入的时间序列数据划分为多个数据分布不相似的时间片段；序列匹配模块用于从序列划分模块输出的时间片段中提取不同时间片段之间的相似子序列；回归学习器用于将序列匹配模块输出的相似子序列映射为对应的寿命预测值。[0052]滚动轴承在其权生命周期工作过程中，一般经历四个基本阶段，依次为正常运行、早期磨损、加速磨损和完全失效；不同的阶段对应滚动轴承不同的健康状态，正常运行和早期磨损阶段中，滚动轴承的健康状态较好，不易出现故障，而在加速磨损和完全失效阶段中，滚动轴承出现故障的风险较大；滚动轴承的时序振动数据在不同阶段的数据分布也存在较大的差异，也即是说，随着滚动轴承的使用，其自身的时序振动数据分布会发生变化，这会影响滚动轴承的寿命预测的准确性。针对这一问题，本实施例所建立的模型中，包括序列划分模块和序列匹配模块，序列划分模块基于数据分布，将输入的时间序列数据划分为最不相关的时间片段，并由序列匹配模块提取时间片段中两两之间的相似子序列，作为回归学习器的输入，通过这种序列划分和序列匹配的方式，最大程度上削弱了最不相似的分布片段的差异，使得模型整体具备了时序不变的特性，由此避免了因时序数据随时间动态变换的特性而可能导致的预测漂移现象，增强了模型的泛化性与实际场景的应用价值，使得在滚动轴承自身的时序振动数据分布发生变化时，模型仍然能够准确实现对剩余寿命的预测。[0053]为了降低复杂度，并避免划分所得时间片段之间的相似度过高，本实施例中，模型中的时序划分模块将时序数据分为数据分布不相似的k段时间片段，会使k尽量最小，其划分优化目标如下：[0054][0055][0056]其中，k表示划分所得时间片段总数；k0为允许划分的时间片段的最大数量，与滚动轴承全生命周期所经历的阶段数一致，具体为4；di和dj分别表示划分所得的第i和第j个时间片段内部数据的相似度度量，d(·)表示相似度度量函数，即希望最大化不相似的时间片段间的距离度量函数；ni表示第i个时间片段内包含的采样点数，n表示输入的时间序列数据中包含的采样点总数；δ1和δ2分别表示时间片段样本点的最小值与最大值，以约束数据子片段应具备的正常范围，不会过大或者过小。划分时间片段时，优化过程的方法是动态规划算法。最终划分得到的时间片段中，相同时间片段内的数据分布相似，不同数据片段之间的数据分布不相似。k0、δ1和δ2的合理设定，能够避免无效解的产生，提高时间片段的划分效率。[0057]对于时序划分模块划分得到的k个时间片段，时序匹配模块可通过dtw(dynamic time warping，动态时间归整)算法等完成相似子序列的提取。[0058]针对所建立的预测模型，本实施例选取西安交通大学轴承数据集不同工况下的原始振动数据构建模型的训练集、测试集和验证集，具体的构建方式如下：[0059]获取已标注剩余寿命标签的滚动轴承全生命周期时序振动信号数据集，并将其中的振动信号转换为加载数据；加载数据包括表征系统结构动力学特性的模态参数和表征滚动轴承剩余寿命的健康指数；[0060]如图3所示，利用各滚动轴承正常阶段和早期磨损阶段的加载数据及对应的标签构建训练集，利用各滚动轴承加速磨损和完全失效阶段的加载数据及对应的标签构建测试集和验证集。[0061]本实施例通过上述方式构建模型的训练集、测试集和验证集，在输入模型的特征包括表征系统结构动力学特性的模态参数，该模态参数引入了系统退化信息作为机理先验，使得模型在进行寿命预测时，能够准确地感知滚动轴承的退化信息，准确预测滚动轴承的剩余寿命。[0062]作为一种可选的实施方式，本实施例利用以协方差为基准的随机子空间辨识方法(ssi-cov函数)获取所需的模态参数，ssi-cov函数的主要功能是在仅仅使用环境振动信号输入的情况下自动识别出每个振动信号片段的模态参数。它通过计算输入信号的互相关函数、构建信号的toeplitz分块矩阵、信号的模态识别、检查模态识别的稳定性、稳定模态点的筛选以及最后的聚类算法完成对信号的模态参数计算。在实际应用中，将各采样点处，从振动信号中提取振动信号振动信号片段后，将该振动信号片段输入至ssi-cov函数，即可获得模态参数，包括模态频率(fn)、模态阻尼(zeta)和模态振型(phi)等；由于不同的模态参数对于系统退化信息的敏感程度不同，考虑到模态阻尼和模态频率相比于其他的模态参数，对系统退化信息具有较高的敏感性，作为一种优选的实施方式，本实施例在模型的输入特征中引入的模态参数具体为模态阻尼和模态频率，由此在保证引入系统退化信息作为机理先验的同时，避免了因引入对系统退化信息敏感性不高的特征，而增加模型的训练复杂度。[0063]由于振动信号的品质不足以满足准确识别模态参数的要求，或者受非轴承振动激发的模态干扰，并非所有振动信号片段的振动信号都可以识别出有效的模态参数，模态参数的缺失和失效将导致模态参数与健康指数无法一一对应，数据不完整，会影响数据整体的可靠性与训练结果。针对这一问题，本实施例在计算得到模态阻尼和模态频率后，会通过插值将缺失及失效的模态参数补齐，以保证模态参数与健康指数的一一对应，并进一步保证后续寿命预测的准确性。[0064]由于不同特征参数的量级差别大，本实施例对于所计算的模态参数，会进一步对其进行归一化。[0065]作为一种可选地实施方式，本实施例根据各采样点处的均方根值(rms)计算对应的健康指数，rms值表征了振动信号片段内的振动强弱，振动越强则rms越大，对应的健康指数就应当越小，基于此，本实施例计算健康指数的具体方式如下：[0066]计算振动信号片段的均方根值frms，计算公式为：[0067][0068]其中，n表示振动信号片段内采样点的总数，x(n)表示振动信号片段内第n个采样点处的振动信号；[0069]对所计算的均方根值frms进行归一化，得到归一化的均方根值[0070]按照计算对应的健康指数hi(即healthy index)。[0071]按照本实施例所提供的上述方式计算的健康指数，随着时间t的变化呈现出递减的基本趋势，与指数退化和线性退化都有一定的相近之处；健康指数的曲线在初期的图像类似平行于时间轴的直线，而在开始进入快速退化阶段时贴近指数退化曲线，可以看出通过rms转换的健康指数基本符合正常的滚动轴承剩余寿命的变化趋势和规律。需要说明的是，在本发明其他的一些实施例中，也可采用其他能够表征滚动轴承剩余寿命的参数作为健康指数。[0072]将归一化之后的模态阻尼和模态频率及对应的健康指数整合为三维时序数据，即得到加载数据。[0073]本实施例将时序振动信号数据集中的振动信号转换为加载数据后，在每个样本(即滚动轴承)的时序数据内部划分出源域和目标域，实现了“自迁移”，在保证预测结果准确性的情况下，减少了样本和工况的需求量。此外，滚动轴承在实际应用中，需要在尚未出现故障之前预测即将可能出现故障的时间，本实施例将正常运行和早期磨损阶段的数据划分为训练集，而将快速磨损和完全失效阶段的数据划分为测试集和训练集，与实际的预测场景相符合，进一步保证了模型对于未见的滚动轴承振动信号的预测能力。对于滚动轴承全生命周期内的振动数据，基于数据分布、信号幅值与特征值等的分析，即可辨识出各个阶段对应的振动数据。[0074]在完成训练集、测试集和验证集的构建后，本实施例进一步包括：[0075]利用训练集、测试集和验证集分别对所建立的预测模型进行训练、测试和验证，得到滚动轴承的寿命预测模型；[0076]作为一种可选的实施方式，本实施例在模型训练过程中，所采用的损失函数为：[0077][0078][0079]其中，θ表示模型参数，α表示每个时间状态的重要性度量参数；θ*表示模型优化得到的最优模型参数，α*表示模型优化得到的最优重要性度量参数；hi和hj分别表示第i和第j个时间片段，和表示i和第j个时间片段在t时刻的循环神经网络中的隐藏状态；αi,j表示第i和第j个时间片段对应的重要性度量参数，表示在t时刻的第i和第j个时间片段对应的重要性度量参数；t表示总的时间长度；lpred表示模型输出的寿命预测值与标注的寿命真实值之间的差异；ltdm表示k个时间片段中两两之间的分布差异，λ表示ltdm的超参数权值。[0080]本实施例所设计的损失函数，在预测误差的基础上，动态距离度量损失项，即ltdm，该项的引入使得模型训练过程中，能够通过对加权值αi,j的动态调整，实现对每个时间状态的重要性的动态设定，保证在迁移过程中不损失时序的相关度。并且，损失函数中，动态距离度量损失项的引入，使得通过模型训练，序列匹配模块所提取的相似子序列之间的分布差异最小化，由此能够进一步提高模型的泛化性能。[0081]在实际的序列划分与序列匹配模块学习中，时序数据划分的段数k以及每段的划分区间都会在一定程度上影响最终的结果，除此之外，其他深度学习模型一样，都需要在实际训练过程中根据预测结果的rmse与mae数值来调整模型的超参数值以达到最好的效果。具体地，模型超参数的调整是关系预测准确性的重要部分，本次研究主要影响预测结果的超参数有预训练轮数、总训练轮数、学习率(lr)、单次抓取数据个数(batch_size)以及损失函数的加权等。[0082]总体而言，本实施例采用模态参数作为输入的特征参量，该模态参数引入了系统退化信息作为机理先验，使得模型在进行寿命预测时，能够准确地感知滚动轴承的退化信息；将每个样本时序数据内部划分出源域和目标域，得到了比较准确的预测结果，减少了样本和工况的需求量，实现了“自迁移”；基于序列划分与序列匹配迁移学习方法，构建出一个迁移学习的时序不变模型来进行预测。由此避免了因时序数据随时间动态变换的特性而可能导致的预测漂移现象，增强了模型的泛化性与实际场景的应用价值。能够有效解决现有的滚动轴承寿命预测方法在自身数据分布发生变化的场景下，对滚动轴承剩余寿命预测困难的问题。[0083]实施例2：[0084]一种滚动轴承的寿命预测方法，如图4所示，包括：[0085]获取滚动轴承的振动信号并转换为加载数据；加载数据包括表征系统结构动力学特性的模态参数和表征滚动轴承剩余寿命的健康指数；[0086]将加载数据输入至由上述实施例1提供的滚动轴承的寿命预测模型建立方法所建立的滚动轴承的寿命预测模型，从滚动轴承的寿命预测模型的输出中获得滚动轴承的剩余寿命预测值。[0087]由于上述实施例1所建立的滚动轴承的寿命预测模型，在滚动轴承自身的时序振动数据分布发生变化时，也能准确完成滚动轴承剩余寿命的准确预测，因此，实施例具有较高的预测精度。[0088]实施例3：[0089]一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1提供的滚动轴承的寿命预测模型建立方法，和/或，上述实施例2提供的滚动轴承的寿命预测方法。[0090]本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!