基于C-DRGAN和AD的行星轮轴承寿命预测方法与流程

本发明涉及一种行星轮轴承寿命预测方法，尤其涉及基于条件深度循环生成对抗网络(conditionaldeeprecurrentgenerativeadversarialnetwork,c-drgan)和动作探索(actiondiscovery,ad)的行星轮轴承寿命预测方法。

背景技术：

因具有传动比大和结构紧凑等特点，行星齿轮箱已广泛应用于直升机、风力发电机和重型卡车等机械设备中。而复杂恶劣的工作环境会增加行星齿轮箱中的轴承发生故障的风险。这些难以预料的故障可能导致整个设备的突然失灵，甚至造成巨大的经济损失。因此，行星齿轮箱中轴承的剩余寿命预测对保障机械设备的可靠运行和避免潜在事故的发生具有十分重要的意义。

近年来，国内外学者对典型旋转机械的剩余寿命预测问题进行了深入研究，并提出了一些颇具代表性的滚动轴承剩余寿命预测方法。这些方法主要分为三类：物理模型法、统计模型法和人工智能法。物理模型法虽然能实现轴承剩余寿命的准确预测，但在模型建立过程中需满足多种假设，难以建立精确的剩余寿命预测模型。而且，模型参数的确定依赖人工经验，从而限制了物理模型法的应用。统计模型法的缺点在于预测效果严重依赖历史数据，从而导致剩余寿命预测的不准确。并且，随机变量的概率分布需满足多种假设，从而限制了统计模型法的实际应用。人工智能法能解决难于构建物理模型或统计学模型的复杂机械系统的剩余寿命预测问题。人工智能法无需额外的先验知识或精确的解析模型，通过历史数据识别退化过程。因此，人工智能法在复杂系统的剩余寿命预测中具有重要的应用价值。

然而，行星轮轴承不但自转，还绕着太阳轮公转。其内圈安装在行星轮轴上，相对于行星轮轴固定不动。而行星轮轴承外圈安装在行星架上，其随着行星架的旋转而旋转。从故障位置到传感器的时变振动传递路径使采集到的行星轮轴承振动信号具有非静态的特点。此外，行星轮轴承的疲劳寿命试验耗时且投入巨大，仅能获得有限的训练样本用于行星轮轴承的剩余寿命预测。

技术实现要素：

本发明的目的是为了解决小样本和变工况下行星轮轴承剩余寿命预测准确率低的问题，为行星轮轴承剩余寿命预测提供一种新颖的解决思路，而提出了基于c-drgan和ad的行星轮轴承剩余寿命预测方法。

基于c-drgan和ad的行星轮轴承寿命预测方法，其特征在于该方法包括以下步骤：

步骤一、将门控循环单元神经网络与条件生成对抗网络相结合，构建c-drgan，从复杂非静态信号中提取故障特征，实现小样本和变工况下行星轮轴承的剩余寿命预测；

步骤二、将行星轮轴承剩余寿命预测的训练样本看作c-drgan的输入数据，采用基于ad的训练算法训练c-drgan，提高收敛速度，降低训练时间；

步骤三、根据训练后的c-drgan，利用非朴素贝叶斯分类器(non-naivebayesianclassifier,nnbc)预测测试样本中行星轮轴承的剩余寿命。

采用本发明的基于c-drgan和ad的行星轮轴承寿命预测方法，与其它行星轮轴承寿命预测方法相比，本发明的有益效果为：

1.基于c-drgan和ad的行星轮轴承寿命预测方法利用c-drgan，在已知运行状态的指导下，生成服从真实数据分布的训练样本，从而在小样本情况下取得出色的行星轮轴承剩余寿命预测效果；

2.该方法利用grunn的状态记忆和时变信号的处理能力，从复杂非静态信号中提取故障特征，解决变工况下行星轮轴承的剩余寿命预测问题；

3.该方法采用基于ad的训练算法训练c-drgan，避免了动作集的限制，使智能体根据目标导向政策采取行动，以取得最佳长期回报，从而减少了获取最优策略的迭代次数，降低训练时间。

附图说明

图1为本发明基于c-drgan和ad的行星轮轴承寿命预测方法的流程图；

图2为行星轮轴承的全寿命周期振动信号；

图3为行星轮轴承1_1的rrms值随时间变化曲线；

图4为行星轮轴承1_3的剩余寿命预测结果；

图5为预测准确率与迭代次数之间的关系曲线。

具体实施方式

具体实施方式一：结合图1说明本实施方式，基于c-drgan和ad的行星轮轴承寿命预测方法，其特征在于该方法包括以下步骤：

步骤一、将门控循环单元神经网络与条件生成对抗网络相结合，构建c-drgan，从复杂非静态信号中提取故障特征，实现小样本和变工况下行星轮轴承的剩余寿命预测；

步骤二、将行星轮轴承剩余寿命预测的训练样本看作c-drgan的输入数据，采用基于ad的训练算法训练c-drgan，提高收敛速度，降低训练时间；

步骤三、根据训练后的c-drgan，利用nnbc预测测试样本中行星轮轴承的剩余寿命。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中c-drgan由生成器g、判别器d和nnbc组成。真实数据x为训练样本。随机噪声z与条件c为生成器g的输入。生成器g由一个门控循环单元神经网络(gatedrecurrentunitneuralnetwork,grunn)构成。生成样本g(c,z)应服从真实数据x的分布pdata(x)。在条件c的指导下，判别器d判断输入样本是真实数据x还是生成样本g(c,z)。判别器d由一个grunn构成。nnbc的输出为预测结果。该结果用于计算奖励，并反馈给生成器g。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中采用基于ad的训练算法训练c-drgan；具体步骤为：

步骤二一、设置松弛变量δ，折扣因子γ和学习率α。初始化状态s0，动作a0和动作集a0；

步骤二二、执行动作a0，观察环境新状态st+1，计算累积折扣奖励，公式为：

其中，γ∈(0，1]为折扣因子，rt+k+1为t+k+1时刻的奖励；

步骤二三、计算判别器d的损失函数，公式为：

其中，lc为类标签的损失误差，ld为真实标签的损失误差，θ为判别器d的参数集；

步骤二四、计算生成器g的损失函数，公式为：

其中，lg为真实标签的损失误差，θ'为生成器g的参数集；

步骤二五、更新当前网络参数集θ和目标网络参数集θ^-，更新公式如下：

θi+1＝θi+α▽θili(θi)(4)

θi^-＝θi+c(5)

其中，θi为第i次迭代时当前网络q的参数集，θi+1为第i+1次迭代时当前网络q的参数集，θi+c为第i+c次迭代时当前网络q的参数集，为第i次迭代时当前网络q^-的参数集，为参数集θi损失函数的梯度；

步骤二六、搜索并评估新动作，更新动作集，公式为：

其中，c为成本函数，为潜在函数，at为t时刻的动作集；

步骤二七、对下一时刻重复步骤二二至步骤二六,直到判别器d和生成器g达到纳什均衡。

采用以下实施例验证本发明的有益效果。

实施例：

本实施例基于c-drgan和ad的行星轮轴承寿命预测方法步骤如下：

步骤一、将门控循环单元神经网络与条件生成对抗网络相结合，构建c-drgan。本实施例以行星轮轴承为研究对象，通过预测其剩余寿命验证提出方法的有效性。本实施例在本实验室研发的行星轮轴承加速疲劳寿命试验台上进行。该试验台主要由驱动电机、行星齿轮箱、负载电机和数据采集系统组成。行星轮轴承为nj304em圆柱滚子轴承。实施例中通过电路控制负载电机产生3种负载(3000nm,4000nm和5000nm)，驱动电机的输出转速分别为400r/min、600r/min和800r/min。因此，可获得三种行星轮轴承运行状态：第一种(800rpm和3000nm)、第二种(600rpm和4000nm)、第三种(400rpm和5000nm)。一共有54个行星轮轴承工作在三种运行状态下。利用加速度传感器采集行星轮轴承运行时的振动加速度信号，采样间隔为10s，采样频率为25.6khz，采样时间为0.1s。当振动加速度信号幅值超过80g时，停止试验。图2为行星轮轴承的全寿命周期振动信号。行星齿轮箱中有3个行星轮轴承。因此，可获得工作在3种运行状态下的18个行星轮轴承全寿命周期样本。它们分别命名为行星轮轴承1_1-行星轮轴承1_6，行星轮轴承2_1-行星轮轴承2_6，以及行星轮轴承3_1-行星轮轴承3_6。本实施例将每种运行状态中的前2个样本用作训练，剩下的4个样本看作测试样本。将均方根(rootmeansquare,rms)值看作行星轮轴承的性能衰退评估指标。rms对个体差异较敏感，需对其进行标准化和滑移平均处理，获得相对均方根(relativerootmeansquare,rrms)值。行星轮轴承1_1的rrms值随时间变化曲线如图3所示。设退化阈值和失效阈值分别为1.15和3.6。正常阶段行星轮轴承的rrms没有明显波动。所以，仅开展退化阶段行星轮轴承的剩余寿命预测。使用的程序开发框架为tensorflow1.1.0，编程语言为python。计算机配置为8核i7-6700处理器，16gb内存。构建用于行星轮轴承剩余寿命预测的c-drgan。该模型由具有2个grunn隐层的生成器g、具有2个grunn隐层的判别器d和1个nnbc组成。grunn隐层的神经元数目设为240。输入数据为45×45矩阵。

步骤二、将行星轮轴承剩余寿命预测的训练样本看作c-drgan的输入数据，采用基于ad的训练算法训练c-drgan。噪声比例设为0.3，松弛变量δ设为0.1，折扣因子γ设为0.9，学习率α设为0.001。

步骤三、根据训练后的c-drgan，利用nnbc预测测试样本中行星轮轴承的剩余寿命。预测准确率用于评估本文提出方法的效果，其计算公式为：

其中，ermse为均方根误差，yi和分别为第i个检查点剩余寿命的真实值和预测值，n为检查点个数。三种运行状态下行星轮轴承的剩余寿命预测准确率如表1所示。从表1可以看出，负载越大，转速越高，预测效果越好。主要原因在于从较大负载和较高转速行星轮轴承的训练样本中获取的故障特征更具特点，有助于预测测试样本中行星轮轴承的剩余寿命。并且，在小样本情况下每种运行状态的测试样本预测准确率均超过95％，平均预测准确率均高于96％。所以，该方法能在小样本情况下准确地预测行星轮轴承的剩余寿命。

表1三种运行状态下行星轮轴承的剩余寿命预测准确率

为了验证该方法对行星轮轴承剩余寿命预测的效果，将该方法与grunn和生成对抗网络(generativeadversarialnetwork,gan)进行对比。这三种方法中深度学习模型均包含4个grunn隐层和1个nnbc，并采用基于ad的训练算法进行训练。基于ad的训练算法的参数设置如前所述。行星轮轴承1_3的剩余寿命预测结果如图4所示。从图4可以看出，随着退化阶段工作时间的推移，该方法的预测误差逐渐减小。这是由于该方法利用c-drgan的生成对抗机制生成服从真实数据分布的训练样本，使预测值逐渐接近真实值。并且，该方法获得的剩余寿命预测值在真实值附近波动。与另两种方法相比，该方法的预测误差最小。主要原因在于该方法不但具有grunn的状态记忆和时变信号的处理能力，还能利用c-drgan解决小样本情况下行星轮轴承的剩余寿命预测问题。因此，该方法能准确地预测行星轮轴承的剩余寿命。

为了研究该方法的收敛性，分别采用adam优化算法、基于行动者-评论家(actor-critic,ac)的训练算法和基于ad的训练算法训练c-drgan。在adam优化算法中，学习率α设为0.001，两个矩估计指数衰减率β1和β2分别设为0.9和0.99，数值稳定常数ε设为10^-8。c-drgan的模型结构和基于ad的训练算法的参数设置如前所述。基于ac的训练算法的参数设置与基于ad的训练算法的相同。预测准确率与迭代次数之间的关系曲线如图5所示。从图5可以看出，当迭代次数超过320时，基于ad的训练算法的预测准确率便趋于稳定。因此，该算法能显著地提高c-drgan的收敛速度。主要原因在于该算法避免了动作集的限制，使智能体根据目标导向政策采取行动，以取得最佳长期回报，从而减少了获取最优策略的迭代次数，降低训练时间。