本发明属于轴承剩余寿命预测技术领域，具体涉及一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法。
背景技术：
轴承作为工业领域最为常用且易损的机械元件之一，保证其可靠的运行状态对于提高系统安全性、降低设备维护成本具有非常重要的现实意义。轴承健康因子(healthindicator,hi)作为评价轴承健康水平的特征量，是表征轴承健康水平的退化状态或退化程度的指标，因此，构建良好的hi曲线对后续的轴承剩余寿命预测具有重要的意义。
然而随着轴承运行情况复杂度的增加，对轴承退化过程建立准确的物理解析模型也变得愈加复杂。基于数据驱动的方法受益于传感器技术以及存储技术的发展，可以获得大量的轴承健康状况监测数据，因而逐渐成为研究轴承剩余寿命预测的主流方式。所采用的得到表征轴承退化行为的健康因子的数据驱动方法可以分为直接预测和间接预测，由于直接预测方法将原始数据直接作为被测对象的健康因子，因此，难以满足较好的趋势性的要求，而健康因子曲线的单调性对于后续的轴承剩余寿命的预测又是至关重要的，所以国内外学者对间接构建hi曲线的方法做了广泛的研究。
在间接构建hi曲线的过程中，由于原始数据无法直接作为健康因子，那么就需要进行有效的特征提取过程来获得特征集，从而对原始数据进行更加高级的表征，在此基础上进行特征选择去除冗余特征，之后在必要情况下需继续进行特征融合，通过多种特征结合共同反映轴承的健康状态。特征提取方法作为关键的一步，目前主要有基于传统信号处理技术的方法以及机器学习的方法。zhangx.等人利用小波分析对轴承的振动信号进行特征提取，获得了具有较好趋势性的hi曲线；申中杰等人提出一种不受轴承个体差异影响的相对方均根值来表征轴承的健康状态，具有良好的上升趋势[3]。在基于机器学习的轴承hi构建方法中，人工神经网络、相关向量机等方法均得到了广泛应用，liangguo等人首先提取出多个基于相似性的特征以及时频域特征，之后输入到递归神经网络中进行hi曲线的构建；maiof.d.等人利用相关向量机获得相关向量，之后采用指数函数拟合出轴承的退化状况。尽管传统的数据驱动方法在轴承hi曲线构建中取得了显著成就，但仍存在以下问题：提取退化特征仍需依赖大量专家经验以及传统的信号处理方法；部分hi构建模型的训练通常采用有监督方式，即训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；为了得到综合的单调hi曲线，往往需针对具体预测问题采用多种信号处理方法融合及依赖人工经验选择参数，缺乏一定的通用性。
技术实现要素：
本发明的目的是为解决传统的数据驱动方法在轴承hi曲线构建中存在的提取退化特征仍需依赖大量专家经验；部分hi构建模型的训练通常采用有监督方式，训练过程中需要提供输入对应的真实输出值作为标签，而标签的选择需依赖人工参与，费时且没有一致标准；针对具体预测问题采用多种信号处理方法融合，依赖人工经验选择参数，缺乏一定的通用性的问题。
本发明为解决上述技术问题采取的技术方案是：
一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，该方法的具体步骤为：
步骤一、利用振动传感器获取轴承全寿命周期内的原始振动信号数据，将原始振动信号数据作为堆叠去噪自编码器的输入数据x；
步骤二、对步骤一中的输入数据x进行取绝对值操作，并归一化至[0,1]区间内；将输入数据x中的一部分振动数据作为训练集数据，将输入数据x中的其它部分的振动数据作为测试集数据；
步骤三、建立由6个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取，其中，第一去噪自编码机、第二去噪自编码机和第三去噪自编码机构成堆叠去噪自编码器网络的编码网络，第四去噪自编码机、第五去噪自编码机和第六去噪自编码机构成堆叠去噪自编码器网络的解码网络；
将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中，使训练集数据依次经过编码网络的第一去噪自编码机、第二去噪自编码机和第三去噪自编码机的无监督预训练，得到编码网络的第一去噪自编码机的编码参数θ1＝{w1,b1}、第二去噪自编码机的编码参数θ2＝{w2,b2}和第三去噪自编码机的编码参数θ3＝{w3,b3}；
设置解码网络的第四去噪自编码机的编码权值w4为w3的转置，第五去噪自编码机的编码权值w5为w2的转置，第六去噪自编码机的编码权值w6为w1的转置；预训练完成后，利用bp算法对堆叠去噪自编码器网络的网络参数进行微调；利用微调后的网络参数得到编码网络输出的100维特征作为训练集数据每个时间点处提取出的100维特征；
步骤四、将步骤三提取出的训练集数据的每个时间点处的100维特征作为自组织映射网络的输入，som网络的输入层节点数与特征数一致；经过迭代训练后，计算出训练集数据每个时间点处的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；
步骤五、利用步骤三的方法将测试集数据输入到训练好的堆叠自编码器网络中通过多个隐含层进行特征提取，利用步骤四的方法将提取出的测试集的特征输入到训练好的自组织映射网络中，计算得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；
步骤六、分别对步骤四和步骤五中构建好的轴承健康因子曲线进行平滑处理，得到平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线来评估轴承性能退化情况。
本发明的有益效果是：本发明提供了一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，本发明利用6个去噪自编码机构建一个堆叠去噪自编码器，来直接对轴承的原始振动信号数据进行多层的特征提取，训练集数据在无监督的方式下进行训练，在每个去噪自编码机训练完成后保留其隐含层，并将隐含层作为下一个去噪自编码机的输入，以此类推，经过逐个去噪自动编码机的预训练，然后对整个网络利用bp算法微调参数，最终获得编码网络的100维特征输出，将堆叠去噪自编码器提取出的100维特征输入到som网络中进行训练，训练完成后计算出训练集上每个时间点处对应的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；将测试集数据输入训练好的堆叠去噪自编码器和som网络中，得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；分别对训练集和测试集的轴承健康因子曲线进行平滑处理，最终得出平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线即可评估出轴承性能退化情况。
与传统方法相比，本发明方法构建出的轴承健康因子曲线可以更好地刻画出轴承全寿命周期内健康状况的退化趋势，并且局部振荡更小，曲线更加平滑，在测试轴承数据上的轴承健康因子曲线时间关联性提高了约10％，单调性提高了约2.5％，因此，可以更好的预估出轴承性能的退化情况。
附图说明
图1为本发明所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法的流程图；
图2为本发明所述的堆叠去噪自编码器的结构图；
图3为本发明所述的第一去噪自编码机的工作原理图；
h是隐含层；
图4为本发明所述的测试集数据bearing1_3的原始振动信号示意图；
图5为本发明的经过平滑处理后的轴承健康因子曲线的示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
具体实施方式一：结合图1和图2说明本实施方式。本实施方式所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法，该方法的具体步骤为：
步骤一、利用振动传感器获取轴承全寿命周期内的原始振动信号数据，将原始振动信号数据作为堆叠去噪自编码器的输入数据x；
步骤二、对步骤一中的输入数据x进行取绝对值操作，并归一化至[0,1]区间内；将输入数据x中的一部分振动数据作为训练集数据，将输入数据x中的其它部分的振动数据作为测试集数据；
步骤三、建立由6个去噪自动编码机组成的堆叠去噪自编码器网络用于对训练集数据和测试集数据进行特征提取，其中，第一去噪自编码机、第二去噪自编码机和第三去噪自编码机构成堆叠去噪自编码器网络的编码网络，第四去噪自编码机、第五去噪自编码机和第六去噪自编码机构成堆叠去噪自编码器网络的解码网络；
将步骤二确定的训练集数据输入堆叠去噪自编码器网络的编码网络中，使训练集数据依次经过编码网络的第一去噪自编码机、第二去噪自编码机和第三去噪自编码机的无监督预训练，得到编码网络的第一去噪自编码机的编码参数θ1＝{w1,b1}、第二去噪自编码机的编码参数θ2＝{w2,b2}和第三去噪自编码机的编码参数θ3＝{w3,b3}；
设置解码网络的第四去噪自编码机的编码权值w4为w3的转置，第五去噪自编码机的编码权值w5为w2的转置，第六去噪自编码机的编码权值w6为w1的转置；预训练完成后，利用bp算法对堆叠去噪自编码器网络的网络参数进行微调；利用微调后的网络参数得到编码网络输出的100维特征作为训练集数据每个时间点处提取出的100维特征；
步骤四、将步骤三提取出的训练集数据的每个时间点处的100维特征作为自组织映射(som)网络的输入，som网络的输入层节点数与特征数一致；经过迭代训练后，计算出训练集数据每个时间点处的轴承健康因子，进而构建出训练集上的轴承健康因子曲线；
步骤五、利用步骤三的方法将测试集数据输入到训练好的堆叠自编码器网络中通过多个隐含层进行特征提取，利用步骤四的方法将提取出的测试集的特征输入到训练好的自组织映射网络中，计算得到测试集上每个时间点处对应的轴承健康因子，构建测试集上的轴承健康因子曲线；
步骤六、分别对步骤四和步骤五中构建好的轴承健康因子曲线进行平滑处理，得到平滑处理后的轴承健康因子曲线，利用平滑处理后的轴承健康因子曲线来评估轴承性能退化情况。
本实施方式中建立的堆叠去噪自编码器网络可以由2、4、6、8，或8以上的偶数个去噪自动编码机组成，具体可以根据数据的实际情况确定；而且本发明提取出每个时间点处100维特征，根据实验得到提取100维特征时，曲线效果最好；因此，本发明以6个去噪自动编码机为例，提取每个时间点处的100维特征。
具体实施方式二：本实施方式对实施方式一所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法进行进一步的限定，所述步骤二的将输入数据x进行取绝对值操作，并归一化至[0,1]区间内的具体过程为：
归一化方式为x*＝(x-xmin)/(xmax-xmin)，其中x*是输入数据x进行取绝对值操作并归一化后的值，xmax和xmin分别为输入数据x的每个时间点处振动数据绝对值的最大值和最小值。
具体实施方式三：结合图3说明本实施方式。本实施方式对实施方式二所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法进行进一步的限定，所述第一去噪自编码机的工作原理为：
所述第一去噪自编码机的工作原理为：
将原始振动信号的数据作为堆叠去噪自编码器网络的第一去噪自编码机的输入数据x，第一去噪自编码机通过随机映射函数qd对输入数据x进行破坏，得到加入噪声后的数据
编码过程fθ1的具体过程如下：
其中s为sigmoid激活函数，w1是第一去噪自编码机的编码权值，b1是第一去噪自编码机的编码偏置，θ1是第一去噪自动编码机预训练好的编码参数；
θ1＝{w1,b1}(2)
解码过程gθ1'的具体过程如下：
其中w1'是编码网络的第一去噪自编码机的解码权值，b1'是编码网络的第一去噪自编码机的解码偏置，θ1'是编码网络的第一去噪自动编码机的解码参数；
θ1'＝{w1',b1'}(4)
重构误差lh(x,z)＝||x-z||2，其中，||·||表示2范数；
通过使用梯度下降算法将目标函数
第二去噪自编码机、第三去噪自编码机、第四去噪自编码机、第五去噪自编码机和第六去噪自编码机的工作原理均与第一去噪自编码机的工作原理相同。
具体实施方式四：本实施方式对实施方式三所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法进行进一步的限定，所述步骤三具体为：
堆叠去噪自编码器网络的结构为输入层-编码网络的两个隐含层-编码网络的输出层-解码网路的两个隐含层-解码网络的输出层；
堆叠去噪自编码器网络参数进行随机初始化后，训练集数据依次经过编码网络中的第一去噪自编码机、第二去噪自编码机和第三去噪自编码机的无监督预训练；第一去噪自编码机预训练完成后保留隐含层的输出
以训练集的原始数据作为标签，利用bp算法对堆叠去噪自编码器网络的网络参数进行微调的具体过程为：
假设训练集的原始数据为xm,m＝1,2,…,m，其中，xm是训练集原始数据的第m个原始样本，m的取值范围是1～m；则堆叠去噪自编码器网络的第一去噪自编码机的隐含层输出为
将训练集的原始样本xm作为标签值，计算误差函数φ(θ)
其中，θ＝{θ1,θ2,…,θ6}，参数更新方式为
利用微调后的网络参数提取出编码网络输出的100维特征。
本实施方式中的堆叠去噪自编码器网络的结构为2560-1500-500-100-500-1500-2560，其中，2560为轴承原始振动信号每个时间点处对应的2560个振动值，2560-1500-2560、1500-500-1500、500-100-500分别构成了编码网络中的第一去噪自动编码机、第二去噪自动编码机和第三去噪自动编码机；
100-500-100、500-1500-500、1500-2560-1500分别构成了解码网络中的第四去噪自动编码机、第五去噪自动编码机和第六去噪自动编码机。
具体实施方式五：本实施方式对实施方式四所述的一种基于堆叠去噪自编码器和自组织映射的无监督构建轴承健康因子曲线的方法进行进一步的限定，所述步骤四具体为：
迭代训练的具体过程如下：
步骤四一、设置拓扑层的神经元数为d，自组织映射网络的最大训练次数t；
步骤四二、选择训练集数据的第k个时间点处的100维样本xk＝{x1k,x2k,…,x100k}，其中，xk为提取出的训练集数据在各时间点上的100维样本，k＝1,2,…,p，p为时间点个数，xjk为输入层的第k个时间点处的第j个神经元，j＝1,2,…,100；将所有p个时间点的样本输入到自组织映射网络中，自组织映射网络的输入层节点数与特征数一致；
步骤四三、经迭代训练后，计算拓扑层中所有d个神经元的向量表征与输入层样本xk的距离dk，选择与xk距离最小的神经元作为最佳匹配神经元c，即||xk-wc||＝min{dk}，wc是最佳匹配神经元的向量表征；
拓扑层中的每个神经元和与其连接的输入层神经元之间的连接权值构成的向量表征表示为wi'＝{wi'1,wi'2,…wi'100}，其中i'表示拓扑层的第i'个神经元，i'＝1,2,…d；
步骤四四、更新最佳匹配神经元c及最佳匹配神经元c的邻域神经元与输入层神经元的连接权值：
wi”j(t+1)＝wi”j(t)+η(t)·ti”,c·(xjk-wi”j(t))(6)
其中，i”为最佳匹配神经元c周围的拓扑层内第i”个邻域神经元，t是训练次数；wi”j(t+1)是t+1次训练时输入层神经元xjk与拓扑层第i”个邻域神经元之间的连接权值，wi”j(t)是t次训练时输入层神经元xjk与拓扑层第i”个邻域神经元之间的连接权值；η(t)为增益函数，1>η(t)>0，且η(t)随着训练次数增加逐渐减小；ti”,c为权重；
根据拓扑层的最佳匹配神经元c的邻域神经元与最佳匹配神经元c距离值更新权重ti”,c＝exp(-si”,c2/2σ2)，其中si”,c为拓扑层的最佳匹配神经元c的第i”个邻域神经元与最佳匹配神经元c的欧几里得距离，σ为最佳匹配神经元c的各个邻域神经元与最佳匹配神经元c距离值的标准差；
步骤四五、选取另一个时间点处的100维样本提供给自组织映射网络的输入层，返回步骤四三，直到训练集样本全部提供给自组织映射网络；
步骤四六、将t+1赋值给训练次数t后，返回步骤四二，直至训练次数达到t为止；
步骤四七、经过训练后，计算出每个时间点处的轴承健康因子：
healthvalue＝mqe＝||xk-wc||(7)
其中，mqe为最小量化误差，healthvalue是轴承健康因子，根据计算出的轴承健康因子构建出训练集上的轴承健康因子曲线。
具体实施方式六：本实施方式对实施方式五所述的一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法进行进一步的限定，所述步骤六对轴承健康因子曲线进行平滑处理的具体过程为：
设置滤波器窗宽为15，返回与轴承健康因子曲线等长的向量：
yy(1)＝y(1)，
其中，y为轴承健康因子曲线中每个时间点处对应的轴承健康因子数据，yy为轴承健康因子曲线经过平滑滤波处理后每个时间点对应的轴承健康因子数据；
将经过平滑滤波处理后的每个时间点对应的轴承健康因子数据归一化，yy*＝(yy-yymin)/(yymax-yymin)，yymax和yymin分别为归一化前轴承健康因子曲线中各个时间点对应的轴承健康因子数据的最大值和最小值，yy*为平滑滤波处理后各个时间点处的轴承健康因子的归一化值。
时间关联性(correlation)和单调性(monotonicity)是两个常用的评价轴承健康因子曲线的指标，前者表征轴承的健康因子值和运行时间的线性相关程度，后者衡量轴承健康因子曲线的单调变化趋势情况，定义如式(8)和式(9)所示。
其中，
本发明选择phm2012挑战数据作为原始振动信号的实验数据进行算法评价，且将phm2012挑战数据中的bearing1_1和bearing1_2作为训练集数据，bearing1_3至bearing1_7作为测试集数据。
该phm2012挑战数据集是利用pronostia轴承实验台，在不同的运行工况下对轴承进行加速退化实验，从而获得轴承全寿命周期内的实测数据进行故障探测、故障诊断及预测相关算法验证。
实测数据共包括三种工况，即工况1：负载4000n，转速1800r/min；工况2：负载4200n，转速1650r/min；工况3：负载5000n，转速1500r/min。每种工况下的实测数据包括振动信号和温度信号，由于温度信号部分数据缺失，本发明采用工况1下轴承全寿命周期内的振动信号进行实验。振动信号包括水平与垂直方向的振动信息，每隔10s记录一次，每次记录时间为0.1s，包括2560个点；
如表1所示为工况1下原始和截断后的振动数据，本发明采用水平方向的振动值。根据经验，当振动信号超过20g时即被视为失效，因此首先去除超过20g以外的振动数据。以bearing1_3为例，轴承原始振动信号如图4所示。
表1
将原始振动信号数据输入本发明的堆叠去噪自编码器网络，通过本发明的方法，得到如图5所示的平滑处理后的轴承健康因子曲线图，根据获得的平滑处理后的轴承健康因子曲线图，根据轴承已工作的时间情况，可以评估轴承性能的退化情况。
经过算法验证，本发明构建轴承健康因子曲线的方法相比较于传统方法而言，获得的轴承健康因子曲线的时间关联性提高了约10％，单调性提高了约2.5％。