一种基于MSWR-LRCN的旋转类机械寿命预测方法与流程

一种基于mswr
‑
lrcn的旋转类机械寿命预测方法
技术领域
1.本发明涉及旋转机械剩余寿命预测技术领域，尤其涉及一种基于mswr
‑
lrcn的旋转类机械寿命预测方法。


背景技术：

2.随着传感器技术的快速发展，健康状况在线监测可用于多种工业设备，为预测和健康管理技术(prognostics and health management，phm)提供足够的数据支持。剩余使用寿命(remaining useful life，rul)作为phm的一个重要组成部分,为工作人员提供了关于设备退化趋势和rul的更新信息，促进了成本效益和基于安全工作状态的维护计划。
3.目前，rul预测方法可以分为基于模型驱动的预测方法和基于数据驱动的预测方法。基于模型驱动的预测方法在很大程度上依赖于对退化机制和演化规律的全面理解，这通常受到故障机制和操作环境复杂性的限制。另一方面，基于数据驱动的预测方法主要要求数据的大小和质量，很少受到特定模型结构的限制。数据驱动的一种代表性方法是深度学习(deep learning，dl)，它由于能够处理复杂的非线性数据结构而受到了极大的关注。近年来，多种dl结构已成功应用于rul预测。其中卷积神经网络(convolution neural networks，cnn)具有权值共享、卷积操作和空间池化等特性，能够挖掘大量数据中的深层特征，在旋转机械设备内部组件的rul预测方面同样表现出色。
4.有资料显示，虽然基于深度学习的rul预测方法提供了很好的预测结果，但在大多数情况下，仍然需要进行复杂的信号处理来提前提取特征，深度学习自动提取深度特征的优势不能充分利用。
5.中国专利文献cn110555230a公开了一种“基于集成gmdh框架的旋转机械剩余寿命预测方法”。包括以下步骤：s1，采集多个同一种类旋转机械从正常运行到故障失效过程中的多个传感器数据，通过数据处理，得到训练数据集合w；s2，将数据集通过不同的划分，分别用于构建三个具有差异性的gmdh预测网络；s3，将三个gmdh网络在训练样本上的预测输出作为三层bp神经网络的输入对bp神经网络进行训练，该bp神经网络用于对三个gmdh网络的预测结果进行集成；s4，利用所述集成gmdh框架对旋转机械剩余寿命进行预测，计算并输出剩余寿命预测值。上述技术方案需要进行复杂的信号处理来提前提取特征，运算量大，耗时长。


技术实现要素：

6.本发明主要解决原有的技术方案受到故障机制和操作环境复杂性限制大的技术问题，提供一种基于mswr
‑
lrcn的旋转类机械寿命预测方法，通过mswr
‑
lrcn网络，构造了两条不同的路径，一条是残差收缩路径，一条是具有注意力机制的长短期记忆网络路径，残差收缩路径保留与当前任务相关的特征并进行压缩，有助于加深网络，抑制过拟合，使用长短期记忆网络路径来提取跨越大量时间步长的动态时间特征的压缩信息，对两条路径提取的特征进行融合，使提取的特征更加多样化，并将融合后的特征输入到双向长短期记忆网络
中进行进一步的处理和分析，以获得更多的rul预测细节，实现了旋转类机械的rul预测新方法。
7.本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
8.(1)采集数据构成原始数据集并分为训练数据和测试数据；
9.(2)将训练数据和测试数据进行标准化处理；用于提升模型的收敛速度。
10.(3)构建mswr
‑
lrcn深度神经网络模型并输入数据样本进行训练；
11.(4)将测试样本输入到训练好的mswr
‑
lrcn模型中进行退化趋势预测；
12.(5)对测试数据整个全寿命周期里的完整退化趋势进行复原；
13.(6)计算出测试样本的rul。
14.作为优选，所述的步骤1中原始数据集为采集的水平方向和垂直方向的机械设备内部组件的振动信号。
15.作为优选，所述的步骤3中mswr
‑
lrcn深度神经网络模型包括残差收缩路径和attention lstm路径。
16.作为优选，所述的残差收缩路径包括五个卷积层和一个残差收缩块，每一个卷积层后面连接有批归一化层，非线性激活层和池化层。
17.作为优选，所述的attention lstm路径包括一个卷积层和一个attention lstm块组成，卷积层后面连接有批归一化层，非线性激活层和池化层。
18.作为优选，所述的步骤3将残差收缩路径和attention lstm路径融合后的特征输入到三层bilstm中，每一个bilstm后面连接有非线性激活层。
19.作为优选，所述的步骤4采用移动平均法ma对预测曲线进行平滑处理，ma公式如下：
[0020][0021]
l为移动平均项数，b
α
为原始数据中第α个检测值，m
i
为ma处理后的新数据点。由于所得到的预测曲线存在剧烈的上下振荡，采用用移动平均法(moving average,ma)对预测曲线进行平滑处理克服局部震荡对rul预测结果的影响。
[0022]
作为优选，所述的步骤5利用多项式拟合模型对经过ma处理的预测曲线进行拟合，得到测试样本的全寿命退化趋势，拟合公式如下：
[0023][0024]
式中m是多项式的最高次数，x
j
代表的是x的j次幂，w
j
是x
j
的系数。(5)考虑到测试点可能不是完整的全寿命数据，对测试数据整个全寿命周期里的完整退化趋势进行复原用于提高预测准确性。
[0025]
作为优选，所述的步骤6通过以下公式计算出测试样本的rul：
[0026]
t
rul
＝t
whole
‑
t
end
[0027]
式中t
rul
为测试样本的rul，t
whole
为测试样本的失效时刻，t
end
为测试样本结束时刻。
[0028]
作为优选，所述的步骤3中输入数据样本进行训练采用adam梯度下降方法，损失函
数采用mean square error，批量大小为128，迭代次数为100。
[0029]
本发明的有益效果是：通过mswr
‑
lrcn网络，构造了两条不同的路径，一条是残差收缩路径，一条是具有注意力机制的长短期记忆网络路径，残差收缩路径保留与当前任务相关的特征并进行压缩，有助于加深网络，抑制过拟合，使用长短期记忆网络路径来提取跨越大量时间步长的动态时间特征的压缩信息，对两条路径提取的特征进行融合，使提取的特征更加多样化，并将融合后的特征输入到双向长短期记忆网络中进行进一步的处理和分析，以获得更多的rul预测细节，实现了旋转类机械的rul预测新方法。
附图说明
[0030]
图1是本发明的一种流程图。
[0031]
图2是本发明的一种mswr
‑
lrcn网络基本结构示意图。
[0032]
图3是本发明实施例一轴承1_1退化开始时间点的时域波形图。
[0033]
图4是本发明实施例一轴承1_1退化结束时间点的时域波形图。
[0034]
图5是本发明实施例一轴承1_1水平方向振动信号的全寿命数据图。
[0035]
图6是本发明实施例一轴承1_2水平方向振动信号的全寿命数据图。
[0036]
图7是本发明实施例一轴承3_2水平方向振动信号的全寿命数据图。
[0037]
图8是本发明实施例一轴承1_1实验数据的均方根特征值图。
[0038]
图9是本发明实施例一轴承1_2实验数据的均方根特征值图。
[0039]
图10是本发明实施例一轴承1_3的mswr
‑
lrcn的rul预测结果图。
[0040]
图11是本发明实施例一轴承1_4的mswr
‑
lrcn的rul预测结果图。
[0041]
图12是本发明实施例一轴承1_3通过多项式拟合模型拟合后的rul预测结果图。
[0042]
图13是本发明实施例一轴承1_4通过多项式拟合模型拟合后的rul预测结果图。
[0043]
图14是本发明实施例二轴承3_1滚动轴承水平方向振动信号的全寿命数据。
[0044]
图15是本发明实施例二轴承3_2滚动轴承水平方向振动信号的全寿命数据。
[0045]
图16是本发明实施例二轴承1_5的mswr
‑
lrcn的rul预测结果图。
[0046]
图17是本发明实施例二轴承2_5的mswr
‑
lrcn的rul预测结果图
[0047]
图18是本发明实施例二轴承3_5的mswr
‑
lrcn的rul预测结果图
[0048]
图19是本发明实施例二轴承1_5通过多项式拟合模型拟合后的rul预测结果图。
[0049]
图20是本发明实施例二轴承2_5通过多项式拟合模型拟合后的rul预测结果图。
[0050]
图21是本发明实施例二轴承3_5通过多项式拟合模型拟合后的rul预测结果图。
具体实施方式
[0051]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0052]
实施例一：针对机械设备中的滚动轴承这一重要组成部件，本实施例的一种基于mswr
‑
lrcn的旋转类机械寿命预测方法，如图1所示，包括以下步骤：
[0053]
s1：实验数据来自ieee phm2012数据挑战中pronostia试验台的数据，采样频率为25.6khz，每10s记录一次数据，采样持续时间为0.1s。为了防止轴承因严重故障而破坏试验台，当加速度幅值连续超过20g时，认为轴承失效，终止试验。最后，分别得到滚动轴承在水平方向和垂直方向上的寿命数据。采集水平方向和垂直方向的滚动轴承振动信号作为原始
数据集，并将原始数据集分为训练数据和测试数据。表1列出了试验台工况信息，其中工况1(1800rpm and 4000n)共7组轴承数据，工况2(1650rpm and 4200n)共7组轴承数据，工况3(1500rpm and 5000n)共3组轴承数据。图3为轴承1_1在退化开始时间点的时域波形图，图4为轴承1_1在退化结束时间点的时域波形图。
[0054][0055][0056]
表1 pronostia试验台的实验数据组成
[0057]
s2：将训练数据和测试数据进行标准化处理，提升模型的收敛速度。为了了解pronostia试验台中所使用的滚动轴承的退化趋势，以轴承1_1、1_2、3_2为例，我们将滚动轴承在水平方向上的寿命数据进行了可视化，如图5、图6、图7所示。图中轴承1_1幅值随时间逐渐增加，其退化趋势呈现渐变性变化的特点，而轴承1_2和轴承3_2在轴承失效前幅值一直趋于平稳，在寿命结束时突然增加。由此可知，本次实验的滚动轴承存在两种失效情况，一种是性能退化造成的轴承失效，另一种是突发故障造成的轴承失效。为了进一步对实验轴承退化趋势进行分析，我们还将轴承1_1和轴承1_2水平方向上的均方根(root mean square，rms)变化情况进行了分析，如图8、图9所示，轴承1_1的rms随时间逐渐增大，而轴承1_2的rms在早期退化过程中虽有波动但整体趋于平稳，直到寿命结束时才出现明显跳变；
[0058]
s3：构建如图2所示的mswr
‑
lrcn网络，将训练样本输入到mswr
‑
lrcn中进行训练，mswr
‑
lrcn结构如下：
[0059]
s31：残差收缩路径：由五个卷积层和一个残差收缩块组成，每一个卷积层后面连接有批归一化层，非线性激活层和池化层；
[0060]
s32：attention lstm路径：由一个卷积层和一个attention lstm块组成，卷积层后面连接有批归一化层，非线性激活层和池化层；
[0061]
s33：双路径融合后的特征输入到三层bilstm中，每一个bilstm后面连接有非线性
激活层；
[0062]
s4：将测试样本数据输入到训练好的mswr
‑
lrcn中进行退化趋势预测。由于所得到的预测曲线存在剧烈的上下振荡，为了克服局部震荡对rul预测结果的影响，采用移动平均法(moving average,ma)对预测曲线进行平滑处理，mswr
‑
lrcn的rul预测结果如图10、图11所示，ma公式如下：
[0063][0064]
l为移动平均项数，b
α
为原始数据中第α个检测值，m
i
为ma处理后的新数据点。
[0065]
s5：考虑到测试点可能不是完整的全寿命数据，为了提高预测准确性，需要对测试数据整个全寿命周期里的完整退化趋势进行复原。我们利用多项式拟合模型对经过ma处理的预测曲线进行拟合，得到测试样本的全寿命退化趋势，拟合公式如下：
[0066][0067]
式中m是多项式的最高次数，x
j
代表的是x的j次幂，w
j
是x
j
的系数。通过多项式拟合模型拟合后的rul预测结果图如图12、图13所示；
[0068]
s6：最后通过以下公式计算出测试样本的rul。
[0069]
t
rul
＝t
whole
‑
t
end
[0070]
式中t
rul
为测试样本的rul，t
whole
为测试样本的失效时刻，t
end
为测试样本结束时刻。
[0071]
为了进一步证明该方法的优越性，我们结合实验数据与基于rnn
‑
hi的rul预测方法进行对比。采用预测结果的百分比误差和平均误差来评价预测方法的性能：
[0072][0073]
其中actrul
i
和rul
i
分别是第i个测试样本的实际rul和预测rul。
[0074]
单纯对测试样本的误差大小进行对比不具备代表性，为了综合评估预测方法的性能，我们使用了ieee phm 2012挑战中的评分函数来评价模型。得分函数计算公式为：
[0075][0076][0077]
其中a
i
表示第i个轴承的得分，n为测试样本数量。在实际预测过程中，如果er
i
＞0，表示滚动轴承的实际rul大于模型预测rul，这种情况下可以在轴承损坏前提前预警，通知工作人员进行维修，虽有误差，但可以保证机械设备安全运行。如果er
i
≤0，表示滚动轴承的实际rul小于模型预测rul，这种情况下滚动轴承在预测寿命失效前就已经损坏，无法进行提前预警，即使误差很小，也会带来巨大的安全隐患。因此得分函数可以更好地描述预测模型在实际预测中的性能好坏。
[0078]
除了得分函数外，我们还引入了平均绝对误差(mean absolute error，mae)和归
一化均方根误差(normalized root mean square error，nrmse)来进一步评价预测模型的精度。
[0079][0080][0081][0082]
为了进一步验证本文方法的有效性，在工况1、工况2、工况3情况下，与基于rnn
‑
hi的方法进行比较，测试结果如表2所示，根据结果可以清楚看到，基于mswr
‑
lrcn的rul预测方法相比于基于rnn
‑
hi的rul预测方法，在平均误差、mae、nrmse三个误差指标和score上都取得了更好的结果。通过对几个评价指标的对比，可以看到我们的基于mswr
‑
lrcn的rul预测方法不仅在预测误差上相比于现有方法更低，而且能够对轴承的健康情况进行提前预警，大大提高了机械设备的安全性。
[0083][0084]
表2本发明中所提出的mswr
‑
lrcn模型与现有rnn
‑
hi模型的rul预测结果
[0085]
实施例二
[0086]
本实施例二与实施例一基本相同，本实施例通过对轴承退化实验平台获得的数据进行实验验证，主要技术路径可分为三大步：(1)数据采集，对应步骤s1；(2)数据预处理，对应步骤s2；(3)训练mswr
‑
lrcn，建立rul预测网络，对应步骤s3；(4)rul预测，对应步骤s4、s5、s6，相同之处不再赘述，不同之处在于：
[0087]
本实施例在步骤s1中轴承退化实验平台主要由交流电机、支承轴承、转轴、液压加载系统、加速度传感器、数字力显示、电机转速控制器和被测轴承组成。为了获得轴承的全
生命周期振动信号，将两个pcb 352c33单向加速度传感器分别固定在被测轴承的水平方向和垂直方向上。此外，为了安全起见，当振动信号的振幅高于20g时，停止轴承的加速退化试验。采用便携式动态信号采集器dt9837采集振动信号。采样频率设置为25.6khz，采样间隔为1min，每次采样持续时间为1.28s。本次试验设计了三种工况，在每一种工况下，都有五个ldk uer204滚动轴承。表3列出了试验台工况信息，其中工况1(2100rpm and 12k n)共5组轴承数据，工况2(2250rpm and 11k n)共5组轴承数据，工况3(2400rpm and 10k n)共5组轴承数据。以轴承3_1、3_2为例，我们将滚动轴承在水平方向上的全寿命数据进行了可视化，如图14、图15所示，可以看出，振动信号的振幅随着时间的增加而增大，这表明本实验获得的测试数据可以描述轴承的退化趋势。
[0088][0089]
表3轴承退化实验平台的实验数据组成
[0090]
本实施例在步骤s4中mswr
‑
lrcn的rul预测结果如图16、图17、图18所示。
[0091]
本实施例在步骤s5中通过多项式拟合模型拟合后的rul预测结果如图19、图20、图21所示。
[0092]
本实施例在步骤s6中最终得到的rul预测结果如表4所示。
[0093][0094]
表4本发明中所提出的mswr
‑
lrcn模型在轴承退化实验平台上的rul预测结果
[0095]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0096]
尽管本文较多地使用了mswr
‑
lrcn深度神经网络模型、退化趋势预测等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

技术特征：
square error，批量大小为128，迭代次数为100。
技术总结
本发明公开了一种基于MSWR


技术研发人员：张丹 陈永毅
受保护的技术使用者：浙江工业大学
技术研发日：2021.02.26
技术公布日：2021/6/29