基于双线程门控循环单元的齿轮剩余使用寿命预测方法

1.本发明涉及齿轮剩余使用寿命预测领域，特别是一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法。


背景技术：

2.随着科学技术的快速发展以及生产力的不断提高，航空航天、轨道交通、能源动力等相关领域对机械设备提出了高性能、高速度、自动化和智能化等要求。齿轮作为机械设备的核心部件之一，其通常工作在重载、高温、腐蚀以及高作业率的复杂恶劣环境下，这使得它容易发生点蚀、断齿等失效故障，进而影响设备的正常运行。因此为了确保机械设备的安全可靠运行和制定合理的维修计划，有必要研究具有高精度高鲁棒性的齿轮寿命预测方法。
3.健康指标作为寿命预测的基础，其有效性直接影响齿轮轴承的剩余使用寿命的预测精度，在cn112926505a中公开了一种名称为“基于dtc-vae神经网络的旋转机械健康指标构建方法”的发明专利，该申请构建具有明显退化趋势和统一失效阈值的基于dtc-vae模型的健康指标hi，为齿轮剩余寿命的预测提供了计算支撑。
4.当前循环神经网络(recurrent neural network,rnn)存在不能很好地学习到平稳和非平稳信息以及剩余使用寿命预测(remaining useful life,rul)精度不高等问题。


技术实现要素：

5.本发明的目的就是提供一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，它可以用于对齿轮剩余使用寿命进行预测。
6.本发明的目的是通过这样的技术方案实现的，具体步骤如下：
7.1)数据采集：以t为单个样本采样时间、ts为采样间隔时间，采集齿轮全生命周期的振动信号，获得样本个数为n的采集数据；
8.2)构建健康指标：计算采集数据的多维时域和频域特征，将多维时域和频域特征输入dtc-vae神经网络中，生成基于dtc-vae模型的健康指标h，h＝[h1,h2,
…
,hn]
t
，并将健康指标数据集h划分为训练集s
train
与测试集s
test
；
[0009]
3)构建预测模型：构建基于双线程门控循环单元dtgru网络的齿轮剩余使用寿命预测模型；
[0010]
4)模型训练：使用训练样本s
train
构建矩阵u，将矩阵u的前k行向量作为dtgru网络模型的输入，将矩阵u的最后一行作为dtgru网络模型的输出，以dtgru神经网络映射函数f的损失函数l最小为目标，对dtgru网络模型参数进行更新；
[0011]
5)健康指标预测：将t时刻的倒数的k个输出作为更新后dtgru网络模型的输入，得到t+1时刻的健康指标向量；
[0012]
6)剩余使用寿命预测：重复步骤5)，若t+1时刻的健康指标向量小于设定的失效阈值，则返回步骤5)计算t+2时刻的健康指标向量，若t+1时刻的健康特征指标向量大于设定
的失效阈值，则输出伺服电机的剩余使用寿命。
[0013]
进一步，步骤3)中所述双线程门控循环单元dtgru网络包括使用注意力机制模块连接的两个gru网络，定义两个gru网络分别为双线程门控循环单元dtgru网络主、副线程gru网络。
[0014]
进一步，步骤3)中所述双线程门控循环单元dtgru网络的工作步骤为：
[0015]
3-1)以前两个时间点的主线程的两个隐藏状态h
t-1
和h
t-2
以及前一个时间点副线程输出的关联线程n
t-1
作为副线程的输入，提取h
t-1
和h
t-2
之间的包含非平稳波动的差分信息，利用副线程gru网络挖掘非平稳时间特征，这些非平稳性知识包含在n
t
中，在t时刻，副线程gru网络的状态传输等式为：
[0016]dt
＝h
t-1-h
t-2
[0017][0018][0019][0020][0021]
式中，d
t
为非平稳波动的差分信息，
⊙
表示点积，为副线程gru网络更新门的输出，r
ta
为副线程gru网络重置门输出，为副线程gru网络的权重矩阵，为副线程gru网络的偏置矩阵，σ为sigmoid函数；
[0022]
3-2)将n
t
和h
t-1
作为注意力机制模块的输入，利用注意机制对健康指标曲线的重要知识进行筛选，注意力机制模块的更新公式为：
[0023]
s(h
t-1
,n
t
)＝v
t tanh(w
sht-1
+u
snt
)
[0024][0025]
ω
t
＝α
t
⊙nt
[0026]mt
＝σ(wm[ω
t
,h
t-1
]+bm]
[0027]
式中，ws、us、wm、v
t
为注意力机制模块的权重矩阵，bm为注意力机制模块的偏置矩阵，σ为sigmoid函数，m
t
为注意力模块的输出；
[0028]
3-3)将注意机制的输出以及t时刻输入序列x
t
作为主线程gru网络的输入，主线程gru网络的输出状态的计算式为：
[0029][0030][0031][0032][0033]
式中，x
t
为t时刻的输入信息，
⊙
表示点积，为主线程gru网络更新门的输出，为主线程gru网络重置门输出，为主线程gru网络的权重矩阵，为副线程gru网络的偏置矩阵，σ为sigmoid函数；
[0034]
3-4)计算双线程门控循环单元dtgru网络的输出：
[0035]ot
＝g(w
tht
+b
t
)
[0036]
式中，o
t
为t时刻dtgru网络的输出，g为线性激活函数，w
t
为t时刻权矩阵，b
t
为t时刻偏置矩阵，定义dtgru网络的损耗函数为:
[0037][0038]
式中，o
t
为t时刻dtgru网络的输出，n为输出目标的维度。
[0039]
进一步，步骤4)模型训练的具体步骤为：
[0040]
4-1)使用训练样本s
train
构建输入矩阵u：
[0041][0042]
式中，k为输入层的神经元数量和，ui＝[h
i h
i+1
ꢀ…ꢀhm-k+i+1
]；
[0043]
4-2)将矩阵u的前k行向量作为dtgru网络模型的输入序列x
t
，将矩阵u的最后一行作为dtgru网络模型的输出，以dtgru神经网络映射函数f的损失函数l最小为目标，对dtgru网络模型的权矩阵w、偏置矩阵b进行更新：
[0044]
min[l(w,b)]＝[f(u1,u2,
…
,uk)-u
k+1
]2。
[0045]
进一步，步骤5)中预测t+1时刻的健康指标向量的方法为：
[0046]
将t时刻的倒数的k个输出作为更新后dtgru网络模型的输入，预测t+1时刻的健康指标向量，其逐步预测的步骤为：
[0047][0048]
进一步，步骤6)中若t+1时刻的健康特征指标向量大于设定的失效阈值，则齿轮的剩余使用寿命等于预测向量的个数乘以t+ts。
[0049]
由于采用了上述技术方案，本发明具有如下的优点：
[0050]
1、本技术中通过双线程门控循环单元dtgru网络对齿轮剩余寿命进行，预测精度高。
[0051]
2、本技术提出的基于dtgru模型的齿轮剩余寿命预测模型能够从所得健康指标hi中学习整体的退化趋势和非平稳波动，能够更好的反应齿轮的健康情况。
[0052]
3、本技术通过设置注意力机制模型对主、副线程的gru网络进行连接，利用注意力机制对健康指标hi曲线的重要知识进行筛选，减少了计算量。
[0053]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
[0054]
本发明的附图说明如下。
[0055]
图1为本发明的方法流程图。
[0056]
图2为本发明双线程门控循环单元dtgru网络的结构示意图。
[0057]
图3为本发明齿轮测试台的结构示意图。
[0058]
图4为本发明基于dtc-vae模型的齿轮健康指标示意图。
[0059]
图5为本发明数据集3中100点未知的健康指标的预测结果示意图。
[0060]
图6为本发明数据集4中100点未知的健康指标的预测结果示意图。
[0061]
图7为本发明数据集4中不同数量未知健康指标的预测结果示意图。
具体实施方式
[0062]
下面结合附图和实施例对本发明作进一步说明。
[0063]
如图1-7所示的一种基于双线程门控循环单元的齿轮剩余使用寿命预测方法，具体步骤如下：
[0064]
1)数据采集：采用纽卡斯尔大学生产的齿轮接触疲劳试验机进行了齿轮疲劳寿命试验，以收集齿轮寿命周期数据。所述试验机由齿轮试验平台、冷却润滑系统、控制系统和实际操作平台组成，两个实验齿轮箱主要由一级齿轮传动组成，它们对称地布置在试验台上。试验台示意图如图3所示，本试验台主要参数如下:中心距为160毫米；电机功率为75kw；在齿轮疲劳寿命试验中，试验齿轮的材料为20cr2ni4a；试验齿轮齿数分别为27和25，冷却温度限制在80℃，变速箱油流量设定为15l/min。在齿轮箱的水平方向和垂直方向分别放置两个加速度计来获取振动信号。采样频率设置为25000hz。采样时间和间隔时间分别设置为2s和58s。当振动信号的幅值超过一定水平时，实验终止。在两种不同工况下，采集了四组运行至故障的振动信号数据集，其相关信息列于表1：
[0065]
表1齿轮数据信息
[0066][0067]
2)构建健康指标：计算采集数据的多维时域和频域特征，将多维时域和频域特征输入dtc-vae神经网络中，生成基于dtc-vae模型的健康指标h，h＝[h1,h2,
…
,hn]
t
，并将健康指标数据集h划分为训练集s
train
与测试集s
test
；具体方法为：
[0068]
采用dtc-vae模型方法构建齿轮的健康指标hi，数据集1用于训练dtc-vae模型，其余数据集作为测试数据，然后生成数据集2-4的基于dtc-vae模型的健康指标hi向量，分别包含2820、1050和1205个元素；得到的齿轮健康指标his如图4所示；从图中我们可以很容易地看到，所有的his都呈现出明显的上升趋势，这可以反映出齿轮性能退化的规律，并且故障点的hi值都接近于1，因此故障阈值可以统一设为1。
[0069]
3)构建预测模型：构建基于双线程门控循环单元dtgru网络的齿轮剩余使用寿命预测模型；所述双线程门控循环单元dtgru网络包括使用注意力机制模块连接的两个gru网
络，定义两个gru网络分别为双线程门控循环单元dtgru网络主、副线程gru网络，所述双线程门控循环单元dtgru网络的工作步骤为：
[0070]
3-1)以前两个时间点的主线程的两个隐藏状态h
t-1
和h
t-2
以及前一个时间点副线程输出的关联线程n
t-1
作为副线程的输入，提取h
t-1
和h
t-2
之间的包含非平稳波动的差分信息，利用副线程gru网络挖掘非平稳时间特征，这些非平稳性知识包含在n
t
中，在t时刻，副线程gru网络的状态传输等式为：
[0071]dt
＝h
t-1-h
t-2
[0072][0073][0074][0075][0076]
式中，d
t
为非平稳波动的差分信息，
⊙
表示点积，为副线程gru网络更新门的输出，为副线程gru网络重置门输出，为副线程gru网络的权重矩阵，为副线程gru网络的偏置矩阵，σ为sigmoid函数；
[0077]
3-2)将n
t
和h
t-1
作为注意力机制模块的输入，利用注意机制对健康指标曲线的重要知识进行筛选，注意力机制模块的更新公式为：
[0078]
s(h
t-1
,n
t
)＝v
t tanh(w
sht-1
+u
snt
)
[0079][0080]
ω
t
＝α
t
⊙nt
[0081]mt
＝σ(wm[ω
t
,h
t-1
]+bm]
[0082]
式中，ws、us、wm、v
t
为注意力机制模块的权重矩阵，bm为注意力机制模块的偏置矩阵，σ为sigmoid函数，m
t
为注意力模块的输出；
[0083]
3-3)将注意机制的输出以及t时刻输入序列x
t
作为主线程gru网络的输入，主线程gru网络的输出状态的计算式为：
[0084][0085][0086][0087][0088]
式中，x
t
为t时刻的输入信息，
⊙
表示点积，为主线程gru网络更新门的输出，为主线程gru网络重置门输出，为主线程gru网络的权重矩阵，为副线程gru网络的偏置矩阵，σ为sigmoid函数；
[0089]
3-4)计算双线程门控循环单元dtgru网络的输出：
[0090]ot
＝g(w
tht
+b
t
)
[0091]
式中，o
t
为t时刻dtgru网络的输出，g为线性激活函数，w
t
为t时刻权矩阵，b
t
为t时刻偏置矩阵，定义dtgru网络的损耗函数为:
[0092][0093]
式中，o
t
为t时刻dtgru网络的输出，n为输出目标的维度。
[0094]
4)模型训练：使用训练样本s
train
构建矩阵u，将矩阵u的前k行向量作为dtgru网络模型的输入，将矩阵u的最后一行作为dtgru网络模型的输出，以dtgru神经网络映射函数f的损失函数l最小为目标，对dtgru网络模型参数进行更新，具体步骤为：
[0095]
4-1)使用训练样本s
train
构建输入矩阵u：
[0096][0097]
式中，k为输入层的神经元数量和，ui＝[h
i h
i+1
ꢀ…ꢀhm-k+i+1
]；
[0098]
4-2)将矩阵u的前k行向量作为dtgru网络模型的输入序列x
t
，将矩阵u的最后一行作为dtgru网络模型的输出，以dtgru神经网络映射函数f的损失函数l最小为目标，对dtgru网络模型的权矩阵w、偏置矩阵b进行更新：
[0099]
min[l(w,b)]＝[f(u1,u2,
…
,uk)-u
k+1
]2。
[0100]
5)健康指标预测：将t时刻的倒数的k个输出作为更新后dtgru网络模型的输入，得到t+1时刻的健康指标向量，具体方法为：
[0101]
将t时刻的倒数的k个输出作为更新后dtgru网络模型的输入，预测t+1时刻的健康指标向量，其逐步预测的步骤为：
[0102][0103]
6)剩余使用寿命预测：重复步骤5)，若t+1时刻的健康指标向量小于设定的失效阈值，则返回步骤5)计算t+2时刻的健康指标向量，若t+1时刻的健康特征指标向量大于设定的失效阈值，则输出伺服电机的剩余使用寿命，所述齿轮的剩余使用寿命等于预测向量的个数乘以t+ts。
[0104]
在本发明实例中，选取数据集3和数据集4的基于dtc-vae模型的健康指标hi，验证本文基于dtgru的rul预测方法的可行性。对于数据集3，选择前950个点训练dtgru网络，然后用训练后的dtgru预测最后100个点；对于dataset 4，取前1105个元素来预测最后100个点；根据采样时间和记录间隔，这两个齿轮的真实rul为100分钟；通过大量的比较，设计了一个优化的dtgru；其输入层、隐藏层和输出层的神经元数分别取200、34和1，数据集3和数据集4的最优学习率分别取0.1和0.06。然后，利用上述rul预测步骤和最优超参数，得到两个齿轮的预测结果。为了保证预测rul的可靠性和鲁棒性，我们对每个健康指标hi向量进行了10个并行实验，最后计算10次预测结果的平均值，得到数据集3和数据集4的平均rul值分别为96.7和94.8min。对于第一次平行实验，数据集3的真实hi，训练hi和预测hi如图5所示，数据集4的真实hi，训练hi和预测hi如图6所示，从这个图中，我们可以知道两个数据集的训练曲线和预测曲线都很接近真实的hi曲线，这表明所提出的dtgru能够从所得hi中学习整
体的退化趋势和非平稳波动。此外，超过故障阈值的点也接近实际故障点。因此，本文提出的基于dtgru的rul预测方法具有预测精度rul的能力。
[0105]
为了进一步表明在不同rul下dtgru的预测能力，对数据集4的最后200、150、100和50个健康指标分别进行了预测。与之前一样，进行10次平行实验，计算平均预测rul分别为181、140.2、94.8和49.2min。数据集4的最后200、150、100和50个健康指标的实际的、训练的和预测的hi曲线如图6中(a)、(b)、(c)、(d)所示。如图6所示，可以看出不同rul下训练和预测的hi值都与实际的hi值接近。即使当预测的健康指标达到200时，该方法仍能实现准确预测。当预测的健康指标为50时，rul为50min，rul预测的准确率达到98.4％。
[0106]
为了进一步证明提出的dtgru的优越性，我们对比了长短时记忆网络(lstm)、门控循环单元(gru)、门控双注意力单元(gdau)、以及宏微观lstm(mmalstm)网络。用上述方法对数据集4的dtc-vae hi中最后200，150，100，50个点进行了预测，并通过平均绝对误差(mean absolute error,mae)、和score函数进行定量评价，其结果如表2和表3所示。
[0107]
表2不同预测模型下不同预测点数的mae值
[0108][0109]
表3不同预测模型下不同预测点数的socre值
[0110][0111][0112]
不难看出，dtgru的mae最小，score最高，因此它比现有的神经网络具有更高的预测性能。这主要是因为提出的网络采用双线程的学习方法从输入的hi序列中挖掘出整体的退化趋势以及随机波动信息，可以比现有基于rnn模型学习到更多有用的退化趋势知识。因此该提出的dtgru具有强大的rul预测能力，更具有实际的工程应用的价值。
[0113]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0114]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0115]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0116]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0117]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。